Inkling : le modèle open-weight de Thinking Machines Lab

Mis à jour le 25 octobre 2026. Une version précédente de cet article présentait Inkling comme un modèle de DeepSeek et lui attribuait des scores sans source. C'était inexact : Inkling a été développé par Thinking Machines Lab. Le texte ci-dessous a été entièrement réécrit à partir de la fiche technique officielle.

Inkling en bref

Inkling est le premier modèle à poids ouverts de Thinking Machines Lab, l'entreprise américaine dirigée par Mira Murati. Il a été publié le 15 juillet 2026 sous licence Apache 2.0, avec des poids disponibles sur Hugging Face, selon sa fiche technique officielle. Ce n'est pas un modèle de DeepSeek. Une partie de la presse a rapproché sa conception de modèles chinois comme DeepSeek ou Kimi, mais la fiche technique ne décrit aucun lien technique : DeepSeek V4 Pro et Kimi K2.5/K2.6 n'y figurent que comme modèles de comparaison.

Caractéristiques principales

• Taille : un transformer à mélange d'experts (Mixture-of-Experts) de 975 milliards de paramètres au total, dont 41 milliards actifs. Chaque token est orienté vers 6 experts sur 256, plus 2 experts partagés.
• Contexte : jusqu'à un million de tokens avec les poids ouverts. Artificial Analysis indique une fenêtre de 256 000 tokens via l'API Tinker de Thinking Machines.
• Modalités : texte, image et audio en entrée ; texte uniquement en sortie.
• Entraînement : 45 000 milliards de tokens de texte, d'images, d'audio et de vidéo, selon Simon Willison, qui note aussi que la documentation sur les données d'entraînement est succincte.
• Accès : API Tinker, fournisseurs d'inférence tiers, ou hébergement interne avec SGLang, vLLM, TokenSpeed, Unsloth ou Hugging Face.

Performances

Les scores publiés par Thinking Machines comprennent 77,6 % sur SWE-bench Verified, 87,2 % sur GPQA Diamond et 97,1 % sur AIME 2026. Ce sont des chiffres autodéclarés, et le tableau comparatif de la fiche technique place Inkling derrière plusieurs modèles fermés, comme Claude Fable 5 et GPT-5.6 Sol, sur de nombreux tests. Thinking Machines reconnaît d'ailleurs qu'Inkling n'est pas le modèle le plus puissant disponible, ouvert ou fermé, et le présente comme une base pour l'affinage. Sur l'Intelligence Index indépendant d'Artificial Analysis, il a obtenu 41 à son lancement, ce qui en faisait le meilleur modèle à poids ouverts d'un laboratoire américain, devant Nemotron 3 Ultra (38).

Ce que changent des poids ouverts sous Apache 2.0

La licence Apache 2.0 autorise l'usage commercial, la modification et la redistribution sans seuil de chiffre d'affaires, contrairement à certaines licences concurrentes comme celle de Kimi K3. Une entreprise peut donc affiner Inkling sur ses propres données et l'héberger sur sa propre infrastructure, ce qui aide à garder les données sensibles en interne. La contrainte est matérielle : la fiche technique indique au moins 2 To de mémoire GPU cumulée pour la version BF16 (8 NVIDIA B300 ou 16 H200), et au moins 600 Go pour la version NVFP4. L'hébergement interne relève donc d'équipes techniques disposant d'une infrastructure importante, pas d'une équipe marketing seule.

Cas d'usage et limites pour une équipe marketing

Pour une équipe marketing, Inkling est surtout intéressant via un fournisseur ou un outil interne construit par les équipes techniques. Quelques usages possibles :

• Un modèle affiné sur le ton de la marque : la licence permet d'adapter un modèle à la charte éditoriale et aux contenus de l'entreprise.
• L'analyse multimodale : les entrées audio et image permettent de travailler sur des podcasts, des vidéos converties en audio ou des visuels, avec une restitution en texte.
• Le traitement de données confidentielles : sur une infrastructure interne, les documents ne quittent pas l'entreprise, un point détaillé dans notre guide IA cloud ou IA locale.

La fiche technique liste des limites claires : hallucinations de contenus plausibles mais faux, consignes parfois mal suivies, performances dégradées dans les longues conversations et biais culturels ou linguistiques possibles, avec des résultats inégaux selon les langues. Elle déconseille les usages médicaux, juridiques ou critiques pour la sécurité sans validation et supervision humaine, et recommande des filtres en entrée et en sortie plutôt que de compter sur les seuls refus du modèle. Ces recommandations s'intègrent naturellement dans un cadre de gouvernance de l'IA.

Inkling sur le marché des poids ouverts

Inkling est sorti la veille de la présentation de Kimi K3 par Moonshot AI, à un moment où les modèles à poids ouverts les plus performants venaient surtout de laboratoires chinois comme DeepSeek, Moonshot ou Z.ai. Pour comprendre le positionnement de DeepSeek, consultez notre comparaison OpenAI vs DeepSeek. Thinking Machines a aussi annoncé une version plus légère, Inkling Small (276 milliards de paramètres, dont 12 milliards actifs), selon Simon Willison.

À propos de Brandeploy

Quel que soit le modèle utilisé pour produire vos textes, les visuels diffusés sur vos canaux doivent respecter votre marque. Brandeploy est une plateforme d'automatisation créative par l'IA qui aide les équipes marketing à produire et décliner leurs supports, des bannières aux versions localisées, en gardant une identité de marque cohérente. Réservez une démo pour découvrir la plateforme Brandeploy en action.

FAQ

Qui a développé le modèle d'IA Inkling ?

Inkling a été développé par Thinking Machines Lab, l'entreprise américaine dirigée par Mira Murati. Ce n'est pas un modèle de DeepSeek. Publié le 15 juillet 2026, c'est le premier modèle à poids ouverts du laboratoire.

Inkling est-il open source ?

Les poids d'Inkling sont publiés sur Hugging Face sous licence Apache 2.0, qui autorise l'usage commercial, la modification et la redistribution sans seuil de chiffre d'affaires. La documentation sur les données d'entraînement reste succincte.

Quelles sont les principales caractéristiques d'Inkling ?

Selon sa fiche technique, Inkling est un transformer à mélange d'experts de 975 milliards de paramètres au total, dont 41 milliards actifs, avec un contexte allant jusqu'à un million de tokens avec les poids ouverts. Il accepte du texte, des images et de l'audio en entrée et produit uniquement du texte.

Quelles sont les performances d'Inkling ?

Thinking Machines annonce 77,6 % sur SWE-bench Verified et 87,2 % sur GPQA Diamond. Le laboratoire reconnaît qu'Inkling n'est pas le modèle le plus puissant disponible et le présente comme une base pour l'affinage. Artificial Analysis lui a attribué un score de 41 sur son Intelligence Index au lancement, le meilleur résultat d'un modèle à poids ouverts d'un laboratoire américain à ce moment-là.

Quelles sont les limites d'Inkling ?

La fiche technique mentionne des hallucinations, des consignes parfois mal suivies, des performances dégradées dans les longues conversations et des biais culturels ou linguistiques possibles. L'hébergement interne exige au moins 600 Go de mémoire GPU en NVFP4 et 2 To en BF16. Une supervision humaine et des filtres en entrée et en sortie sont recommandés.