15 juillet 2026, licence Apache 2.0, poids ouverts, Inkling de Thinking Machines Lab surprend OpenAI et Anthropic

Le 15 juillet 2026, Thinking Machines Lab a présenté Inkling, son premier modèle d’intelligence artificielle entraîné en interne. Fondée par Mira Murati, ancienne directrice technique d’OpenAI, la jeune pousse choisit une voie distincte des grands modèles fermés de Google, Anthropic ou OpenAI. Inkling est publié avec des poids ouverts, disponibles au téléchargement et modifiables par des développeurs, des chercheurs et des entreprises. Cette décision place la personnalisation au centre de sa stratégie, dans un marché où l’accès aux modèles les plus puissants reste souvent facturé à l’usage.

Mira Murati publie Inkling sous licence Apache 2.0

La sortie d’Inkling marque la première démonstration publique majeure de Thinking Machines Lab depuis sa création. L’entreprise, dirigée par Mira Murati, a travaillé pendant environ dix-huit mois sur son infrastructure, sa plateforme de personnalisation et ses premiers systèmes expérimentaux. Jusqu’ici, la société avait surtout attiré l’attention par son équipe, composée en partie d’anciens profils d’OpenAI, et par sa promesse de concevoir une IA plus adaptable aux usages réels des organisations.

Le choix d’une publication open-weight n’est pas anodin. Contrairement à un modèle entièrement fermé, Inkling peut être téléchargé, inspecté et modifié. Sa fiche technique indique une licence Apache 2.0, un cadre apprécié des développeurs pour sa souplesse commerciale. Les poids sont disponibles sur Hugging Face, tandis que l’ajustement du modèle passe aussi par Tinker, la plateforme maison de Thinking Machines Lab.

Cette ouverture ne signifie pas que tous les futurs modèles de l’entreprise suivront le même chemin. La société avance plutôt une logique pragmatique, publier lorsque les risques sont jugés maîtrisables, garder davantage de contrôle lorsque les capacités augmentent. Cette approche reflète la tension actuelle du secteur, partagé entre la demande d’ouverture des chercheurs et les préoccupations liées aux usages malveillants, à la sécurité et à la concurrence industrielle.

Pour Thinking Machines Lab, Inkling sert aussi de carte de visite. La start-up entre dans une course dominée par des acteurs disposant de budgets considérables, de centres de données massifs et de réseaux commerciaux déjà installés. En misant sur un modèle modifiable, elle cherche à convaincre des organisations qui ne veulent pas seulement interroger une IA distante, mais l’adapter à leurs métiers, leurs données internes et leurs contraintes opérationnelles.

Inkling combine 975 milliards de paramètres et quatre modalités

Sur le plan technique, Inkling se présente comme un modèle de grande taille fondé sur une architecture mixture-of-experts. Il compte 975 milliards de paramètres au total, mais n’en mobilise qu’environ 41 milliards pour une tâche donnée. Cette organisation permet de conserver une capacité globale importante sans activer tout le réseau à chaque requête, ce qui réduit le coût de calcul et améliore la vitesse d’exécution.

Thinking Machines Lab indique avoir entraîné le modèle sur 45 000 milliards de tokens, comprenant du texte, des images, de l’audio et de la vidéo. Inkling raisonne nativement sur ces quatre types de données, ce qui le place dans la catégorie des systèmes multimodaux. Dans sa version actuelle, les sorties restent limitées au texte, avec la possibilité de produire du code, des données structurées et des éléments formatés pour des applications.

Cette limitation des sorties ne réduit pas forcément l’intérêt du modèle. De nombreuses entreprises recherchent d’abord des systèmes capables de comprendre des documents complexes, des captures d’écran, des enregistrements audio ou des contenus vidéo avant de restituer une réponse exploitable sous forme textuelle. Les usages visés incluent les assistants de codage, les agents connectés à des outils, les chatbots métier et les systèmes de génération augmentée par recherche documentaire.

La société insiste aussi sur la notion d’effort de raisonnement contrôlable. Cette fonction permet d’ajuster la quantité de calcul consacrée à une réponse selon la complexité de la demande. Pour une question simple, l’entreprise peut limiter les coûts. Pour une analyse plus lourde, elle peut accroître l’effort demandé au modèle. Dans un contexte où les factures d’inférence deviennent un poste budgétaire sensible, ce réglage peut peser dans les choix des directions techniques.

Tinker cible les entreprises qui veulent personnaliser leurs modèles

Le lancement d’Inkling s’accompagne d’une mise en avant de Tinker, la plateforme de Thinking Machines Lab dédiée à la personnalisation. L’idée centrale consiste à offrir aux entreprises un socle ouvert, puis à leur permettre de l’ajuster à leurs besoins. Dans ce modèle, la performance brute ne constitue pas le seul critère. La capacité à intégrer des procédures internes, un vocabulaire métier et des formats précis devient un argument commercial décisif.

Le fine-tuning reste l’un des leviers majeurs. Une banque peut vouloir adapter un assistant aux règles de conformité, un éditeur de logiciels à ses bibliothèques internes, un laboratoire pharmaceutique à ses protocoles documentaires. Les modèles fermés permettent parfois ce type d’adaptation, mais dans un cadre plus contraint. Avec un modèle open-weight, les équipes techniques disposent d’une marge de manœuvre plus large pour tester, mesurer et corriger.

Cette proposition vise directement les entreprises lassées de louer des capacités génériques auprès de quelques fournisseurs dominants. Le coût n’est pas le seul enjeu. La maîtrise des données, la possibilité d’auditer les comportements du modèle et l’intégration à des environnements informatiques existants pèsent de plus en plus dans les appels d’offres. Les directions juridiques demandent aussi des garanties sur la traçabilité, la confidentialité et les conditions de déploiement.

Le pari reste exigeant. Personnaliser un modèle de cette taille demande des compétences rares, une infrastructure solide et une discipline d’évaluation continue. Une adaptation mal conduite peut dégrader les performances ou introduire des biais spécifiques. Thinking Machines Lab devra donc convaincre au-delà de la publication initiale, avec des outils de suivi, des exemples d’intégration et une documentation suffisamment claire pour des équipes qui ne disposent pas toutes d’un laboratoire d’IA interne.

OpenAI, Anthropic et Google gardent l’avantage des modèles fermés

Inkling ne se présente pas comme le meilleur modèle généraliste disponible. Thinking Machines Lab le reconnaît dans ses propres documents, en soulignant plutôt son équilibre entre capacités multimodales, coût et personnalisation. Sur certains tests, Inkling atteint des niveaux élevés, notamment 97,1 % sur AIME 2026 dans la configuration publiée. Sur d’autres évaluations, les modèles fermés conservent une avance nette.

La fiche du modèle mentionne par exemple 29,7 % sur HLE en mode texte seul et 46,0 % avec outils. Dans les tableaux comparatifs, des systèmes fermés associés à OpenAI, Anthropic ou Google obtiennent souvent de meilleurs scores selon les paramètres retenus. Ces résultats rappellent que l’ouverture ne suffit pas à dépasser les laboratoires les mieux financés, surtout lorsque ceux-ci disposent de cycles d’entraînement massifs et de données propriétaires.

Le marché des modèles ouverts est aussi très disputé. Les références venues de Chine, souvent citées pour leur rapport performance-coût, occupent déjà une place importante chez les développeurs. Thinking Machines Lab affirme proposer un niveau comparable à ces modèles, avec un positionnement centré sur la personnalisation et l’intégration. La bataille ne se jouera donc pas seulement sur les classements publics, mais sur la facilité de déploiement, la stabilité des réponses et le support aux usages professionnels.

Un autre élément sera observé de près, la suite de la gamme. Thinking Machines Lab annonce Inkling comme un premier membre d’une famille de modèles, avec une version Inkling-Small prévue après une phase de tests. Un modèle plus léger peut intéresser des acteurs qui veulent exécuter l’IA sur des infrastructures moins coûteuses ou dans des environnements plus contrôlés. Le succès dépendra de la capacité de l’entreprise à transformer cette première publication en écosystème durable pour développeurs et clients professionnels.