Thinking Machines Lab a publie Inkling, et il s'impose comme le meilleur modele a poids ouverts issu d'un laboratoire americain. Inkling est un systeme a melange d'experts de 975 milliards de parametres au total, dont seulement 41 milliards s'activent pour un jeton donne, et il lit une fenetre de contexte qui atteint un million de jetons. Le laboratoire l'a entraine de zero sur 45 000 milliards de jetons melant texte, images et audio. Annonce le 15 juillet 2026, les poids sont deja sur Hugging Face sous licence ouverte, avec un acces API via la plateforme Tinker. Pour les equipes qui hesitent entre continuer a louer l'intelligence de pointe ou commencer a la posseder, c'est le lancement a lire de pres.
The short answer
Thinking Machines Lab a publie Inkling, un modele a melange d'experts de 975 milliards de parametres au total et environ 41 milliards actifs par jeton. Il lit un contexte d'un million de jetons, prend texte, images et audio, et a ete entraine de zero sur 45 000 milliards de jetons. Les tests independants le classent premier modele a poids ouverts d'un laboratoire americain, avec 77,6 pour cent sur SWE-bench Verified et de solides scores de raisonnement. Les poids sont sur Hugging Face, avec un acces heberge via Tinker.
De nouveaux modeles arrivent presque chaque semaine, et le reflexe raisonnable est d'attendre que le bruit retombe avant de toucher a quoi que ce soit. Inkling merite un regard plus attentif pour une raison precise. C'est un modele de niveau frontiere dont vous pouvez telecharger les poids aujourd'hui, issu d'un jeune laboratoire americain, et cette combinaison etait rare. Un modele ouvert qui rivalise avec les leaders fermes change le calcul pour quiconque s'est deja demande s'il louerait toujours son intelligence a l'endpoint d'un autre.
Un laboratoire americain plante son drapeau dans les poids ouverts
Thinking Machines Lab est l'entreprise fondee par Mira Murati, ancienne directrice technique d'OpenAI, et Inkling est son premier modele maison. Le laboratoire n'a pas repris une base existante pour la polir. Il a entraine Inkling de zero sur 45 000 milliards de jetons de texte, d'images et d'audio, et c'est pourquoi le modele raisonne nativement sur ces modalites plutot que via un adaptateur rajoute. La sortie reste pour l'instant en texte seul, mais l'ampleur des entrees compte pour les charges riches en documents, captures d'ecran et audio.
Le message strategique est aussi fort que le message technique. La plupart des meilleurs modeles a poids ouverts de l'annee viennent de laboratoires chinois, donc une sortie ouverte de premier plan d'une equipe americaine change les attentes sur qui livre en ouvert. Thinking Machines a mis les poids sur Hugging Face sous licence ouverte, et propose une voie hebergee via sa plateforme Tinker pour les equipes qui preferent appeler une API que monter un cluster.
L'architecture, et ce qui tourne vraiment
Neuf cent soixante quinze milliards de parametres est le chiffre que tout le monde repete, et il est reellement grand. La facon honnete de lire un modele a melange d'experts, pourtant, est de regarder ce qui s'active. Inkling route chaque jeton a travers des experts qui totalisent environ 41 milliards de parametres actifs, donc pour le cout d'une seule passe avant il se comporte bien plus comme un modele de taille moyenne que ne le laisse croire son total en titre. C'est tout l'interet de la conception clairsemee. Vous obtenez la capacite de connaissance d'un geant tout en payant un calcul proche de ce que vous pouvez reellement servir.
Une fonction a signaler aux equipes techniques est l'effort de reflexion controlable. Inkling laisse regler combien de jetons il depense a raisonner, et Thinking Machines indique qu'il peut atteindre le score Terminal Bench de Nemotron 3 Ultra en utilisant environ un tiers des jetons. Sur les charges agentiques, il a affiche environ 25 000 jetons de sortie par tache contre 43 000, 38 000 et 37 000 pour d'autres leaders a poids ouverts. Quand vous payez au jeton, cette efficacite n'est pas un detail, c'est la facture.
Ou il se situe sur les benchmarks
Les benchmarks sont bruyants et faciles a surajuster, alors lisez ces chiffres comme un signal et non comme un classement definitif. Sur l'Artificial Analysis Intelligence Index, Inkling debute autour de la position 41, devant Nemotron 3 Ultra, ce qui en fait la sortie a poids ouverts la plus forte d'un laboratoire americain a ce jour. En code agentique il affiche 77,6 pour cent sur SWE-bench Verified, 54,3 pour cent sur SWE-bench Pro Public et 63,8 pour cent sur Terminal Bench 2.1. En raisonnement il atteint 97,1 pour cent sur AIME 2026 et 87,2 pour cent sur GPQA Diamond, avec 29,7 pour cent sur HLE en texte seul, qui grimpe a 46,0 pour cent quand le modele peut utiliser des outils.
Le resume d'une ligne qui circule est qu'Inkling offre une qualite proche de la frontiere avec des poids que vous pouvez detenir. C'est un raccourci utile, pas une loi de la nature, et vos propres evaluations sur vos propres charges vous en diront plus que n'importe quel classement. Malgre tout, un resultat ouvert de premier plan reconfigure la discussion sur ce que vous devez vraiment externaliser.
Inkling-Small, la version que vous pourriez vraiment faire tourner
A cote du modele complet, Thinking Machines a devoile en apercu Inkling-Small, une variante de 276 milliards de parametres avec environ 12 milliards actifs. La revendication interessante est qu'elle egale ou depasse l'Inkling complet sur plusieurs benchmarks, dont 83,4 pour cent contre 79,8 pour cent sur IFBench, un test de suivi d'instructions. Pour la plupart des equipes, le petit modele est le point d'entree raisonnable. Il coute bien moins a servir, reste proche de son grand frere sur les taches reelles, et tient sur du materiel qui s'arrete bien avant un cluster complet.
Si vous prevoyez de l'heberger, c'est par le petit modele qu'il faut commencer. Il s'integre aux piles de service a poids ouverts habituelles, donc vous pouvez le monter, faire tourner votre propre jeu d'evaluation, et decider si la capacite supplementaire du modele complet vaut la memoire et la facture.
Quoi en faire
Pour la plupart des equipes, le geste de la semaine n'est pas de tout arracher. C'est de faire passer Inkling, et surtout Inkling-Small, sur vos vrais prompts et de voir s'il tient sur le travail que vous faites reellement, en particulier les taches a long contexte et le code agentique, la ou ses chiffres publies sont les plus forts. Comme les poids sont ouverts, vous pouvez garder les charges sensibles sur du materiel que vous controlez plutot que de les envoyer a un endpoint externe.
L'arc plus long est celui a surveiller. Un laboratoire americain qui livre un modele a poids ouverts de premier plan reduit l'ecart entre ce que vous pouvez louer et ce que vous pouvez posseder. Cela ne rend pas les laboratoires fermes inutiles, mais cela vous donne du levier, un plan de repli, et une voie credible pour garder votre intelligence la plus sensible en interne.
Sources et pour aller plus loin
- TechCrunch : Thinking Machines mise sur l'IA specialisee avec Inkling
- Fortune : le Thinking Machines de Mira Murati publie son premier modele grand public
- Artificial Analysis : Inkling, le nouveau meilleur modele ouvert americain
- Thinking Machines Lab : Introducing Inkling
- Sebastian Raschka : notes sur l'architecture et les benchmarks d'Inkling
Questions fréquentes
Qu'est ce qu'Inkling ?
Inkling est le premier modele de langage maison de Thinking Machines Lab, l'entreprise fondee par Mira Murati, ancienne directrice technique d'OpenAI. Annonce le 15 juillet 2026, c'est un modele a melange d'experts clairseme de 975 milliards de parametres au total, dont environ 41 milliards actifs pour un jeton donne. Il accepte le texte, les images et l'audio, produit du texte, et lit une fenetre de contexte qui atteint un million de jetons. Thinking Machines l'a entraine de zero sur 45 000 milliards de jetons plutot que d'ajuster une base existante.
Les poids sont ils vraiment ouverts, et ou les recuperer ?
Oui. Thinking Machines a publie les poids d'Inkling sur Hugging Face sous licence a poids ouverts, donc vous pouvez telecharger et servir le modele sur votre propre materiel. Si vous preferez ne pas l'heberger, l'entreprise propose aussi un acces API heberge via sa plateforme Tinker, ou la fenetre de contexte est annoncee a 256 000 jetons contre le million de jetons disponible avec les poids ouverts.
Comment Inkling se situe t il sur les benchmarks ?
Les tests independants placent Inkling en tete du champ des poids ouverts. Sur l'Artificial Analysis Intelligence Index il debute autour de la position 41, devant Nemotron 3 Ultra, ce qui en fait la meilleure sortie a poids ouverts d'un laboratoire americain a ce jour. En code agentique il affiche 77,6 pour cent sur SWE-bench Verified et 63,8 pour cent sur Terminal Bench 2.1, et en raisonnement il atteint 97,1 pour cent sur AIME 2026 et 87,2 pour cent sur GPQA Diamond. Traitez ces chiffres comme un signal parmi d'autres, pas comme un verdict.
Qu'est ce qu'Inkling-Small ?
Inkling-Small est une version allegee en apercu, avec 276 milliards de parametres au total et environ 12 milliards actifs. Thinking Machines indique qu'elle egale ou depasse le modele complet sur plusieurs benchmarks, dont 83,4 pour cent contre 79,8 pour cent sur IFBench, un test de suivi d'instructions. Pour beaucoup d'equipes, le petit modele est le point de depart le plus pratique, car il coute bien moins cher a servir tout en restant proche de son grand frere sur le travail reel.
Puis je faire tourner Inkling sur mon propre materiel ?
Le modele complet de 975 milliards de parametres est un travail de serveur, pas de portable. Meme avec seulement 41 milliards de parametres actifs par jeton, les poids complets doivent tenir en memoire, donc prevoyez un serveur multi accelerateurs ou un cluster loue. Inkling-Small a 276 milliards de parametres est la cible plus accessible si vous avez du materiel serieux mais pas a l'echelle d'un cluster, et il s'integre aux piles de service habituelles comme vLLM.