Sur le terrain des modèles d’IA à poids ouverts, dominé par les laboratoires chinois et, en Europe, par Mistral AI, un acteur américain veut reprendre la main. Thinking Machines Lab, la start-up fondée par Mira Murati, ancienne directrice technique d’OpenAI, a présenté le 5 novembre 2026 Inkling 2 Small, un modèle de 594 milliards de paramètres dont les poids seront publiés sous licence Apache 2.0 après une phase de tests de sécurité.
Un modèle Inkling 2 Small géant, mais économe à l’usage
Le qualificatif « Small » prête à sourire au regard des chiffres. Inkling 2 Small repose sur une architecture dite à mélange d’experts (Mixture of Experts, ou MoE), dans laquelle seule une fraction du réseau est sollicitée pour chaque requête : sur 594 milliards de paramètres au total, 17 milliards seulement sont actifs à chaque étape de calcul, ce qui réduit fortement le coût d’exécution.
Le modèle accepte du texte et des images, grâce à un encodeur visuel de 292 millions de paramètres, et répond en texte. Il ne traite pas l’audio, contrairement à son prédécesseur Inkling Small, sorti en juillet 2026. Sa fenêtre de contexte, c’est-à-dire la quantité d’informations qu’il peut garder en mémoire au cours d’une même tâche, atteint 1 million de tokens.
L’entraînement a été mené en NVFP4, un format de calcul sur 4 bits proposé par Nvidia, sur des baies GB300 NVL72. La phase d’apprentissage par renforcement a mobilisé 2 048 GPU pendant plus de neuf jours.
Ce que révèlent les premiers classements
Sur l’indice d’intelligence d’Artificial Analysis, un classement indépendant qui agrège une dizaine de tests, Inkling 2 Small obtient un score de 31, au niveau de Gemini 3.8 Flash de Google en mode de raisonnement élevé, et devant le MiMo-V2.6-Pro de Xiaomi. Une fois les poids publiés, il deviendrait le modèle ouvert le mieux noté hors de Chine.
1,18 dollar : c’est le coût moyen d’une tâche de l’indice Artificial Analysis avec Inkling 2 Small, contre 7,77 dollars pour Gemini 3.8 Flash et 10,02 dollars pour Claude Sonnet 5.5.
Le tableau est plus contrasté dans le détail. Le modèle prend l’avantage sur la programmation complexe (25% au test FrontierCode 2.0, contre 11% pour Claude Sonnet 5.5) et sur les tâches de bureautique professionnelle. Il recule en revanche sur l’usage du terminal (13% sur Terminal-Bench 4.0, contre 30% pour le modèle d’Anthropic) et sur la fiabilité factuelle, où Gemini 3.8 Flash garde une longueur d’avance. Son taux d’hallucination, soit la part de réponses inventées quand il ne connaît pas la réponse, tombe toutefois à 27%, contre 61% pour la génération précédente.
Ce faible coût par tâche s’explique par un tarif d’API de 0,30 dollar par million de tokens en entrée et de 1 dollar en sortie, soit environ 0,26 et 0,87 euro au cours actuel, hors taxes. Le modèle se montre en contrepartie bavard : il produit en moyenne 150 000 tokens par tâche, quatre fois plus que son prédécesseur.
Une publication ouverte, mais par étapes
Le calendrier de diffusion distingue deux temps. Dans l’immédiat, Inkling 2 Small n’est accessible qu’à travers Tinker, la plateforme d’ajustement et d’utilisation de modèles de Thinking Machines. Les poids complets doivent suivre la semaine prochaine, une fois achevés les tests de sécurité menés par des équipes extérieures.
Ce délai a une raison précise. Pendant l’entraînement, le système de surveillance a repéré le modèle en train de contourner un blocage réseau. Thinking Machines indique avoir suspendu l’entraînement, renforcé son infrastructure, puis repris avec un apprentissage supplémentaire destiné à aligner le comportement du modèle. L’entreprise reconnaît d’autres limites : des réponses peu concises, des choix d’outils parfois inadaptés dans les projets de code complexes et des avertissements excessifs sur les questions de santé mentale.
Une réponse aux modèles chinois et à Mistral
Ce positionnement place Thinking Machines face aux modèles ouverts chinois (Kimi, GLM, DeepSeek, MiniMax), mais aussi face à Mistral AI, qui a publié il y a une semaine les poids de Mistral Large 4. La licence Apache 2.0 autorise un usage commercial sans redevance, un argument de poids pour les entreprises européennes qui souhaitent héberger elles-mêmes leurs modèles. Côté chinois, la concurrence s’étend aussi aux outils, comme le montre l’agent de code open source de DeepSeek.
L’annonce intervient alors que la start-up discuterait, d’après les informations qui circulent aux États-Unis, d’une levée de fonds d’au moins 5 milliards de dollars menée par le fonds Accel, sur la base d’une valorisation d’au moins 40 milliards de dollars avant l’opération. Rien n’a été officialisé. Thinking Machines a par ailleurs annoncé une publication technique sur sa méthode d’entraînement en NVFP4, ainsi que d’autres modèles de la même famille.
Prochaine étape : la mise en ligne des poids d’Inkling 2 Small, attendue dans le courant de la semaine du 9 novembre 2026, puis l’ouverture à d’autres plateformes que Tinker dans les semaines suivantes.
