Thinking Machines libère les poids d'Inkling 2 Small, un modèle de 594 milliards de paramètres

Avec un petit modèle d'IA et un objectif, Inkling 2 Small a écrit son propre test, essayé plusieurs recettes d'entraînement, réparé ce qui cassait et, quatre heures et demie et 426 dollars plus tard, avait plus que doublé le score de prévision du petit modèle. Le 12 novembre, Thinking Machines Lab, l'entreprise fondée par Mira Murati, ancienne directrice technique d'OpenAI, a publié sur Hugging Face les poids complets de ce modèle sous licence Apache 2.0. N'importe quelle entreprise ou chercheur peut désormais le télécharger, le modifier et bâtir des produits dessus, sans rien demander à personne.

De l'aperçu fermé au téléchargement gratuit en sept jours

Thinking Machines a annoncé Inkling 2 Small le 5 novembre comme premier modèle de sa deuxième génération, en gardant d'abord les poids fermés. Le laboratoire a suivi ce qu'il appelle « une voie sûre vers les poids ouverts » : le modèle ne tournait que sur Tinker, son service d'entraînement et d'inférence, pendant que des testeurs externes cherchaient des problèmes de sécurité et tentaient de le pousser à mal se comporter. Une fois ce red-teaming terminé, les poids ont été rendus publics une semaine plus tard, comme promis.

Le modèle est gros mais agile. Il compte 594 milliards de paramètres au total, mais seuls 17 milliards travaillent sur chaque mot. Cette architecture, dite mélange d'experts, fonctionne comme un hôpital doté de centaines de spécialistes où chaque patient ne voit que les quelques-uns dont il a besoin, ce qui maintient le coût d'exécution bien en dessous de ce que suggère sa taille. Il lit les images en plus du texte et laisse choisir l'effort qu'il consacre à réfléchir.

La sortie est arrivée prête à l'emploi. Dès le premier jour, le modèle fonctionnait avec des logiciels de service populaires comme vLLM, SGLang et Unsloth, pouvait être post-entraîné avec des outils comme SkyRL et Snowflake Cortex Training, et était disponible par API chez NVIDIA, Fireworks, Together, Baseten, Nebius, Modal et Cloudflare. Dès le lendemain, des développeurs indépendants avaient déjà publié sur Hugging Face des versions compressées pour MLX d'Apple et d'autres formats.

Ce qui rend cette sortie intéressante, c'est moins la taille que ce que le modèle a appris à faire seul.

L'IA qui a entraîné une autre IA pour 426 dollars

Thinking Machines a entraîné Inkling 2 Small par apprentissage par renforcement sur des centaines de milliers de longues tâches de programmation. Au lieu de vérifier seulement si le code passait ses tests, de nombreuses tâches utilisaient un évaluateur qui jugeait la manière dont le modèle abordait le problème. Les premières versions ont été testées discrètement dans l'outil de programmation open source OpenCode, sous le nom de Fledge-Alpha.

La démonstration phare du laboratoire est un travail de recherche mené de bout en bout. Sur une tâche conçue par la société Proximal, le modèle devait entraîner Qwen3.5-4B, un petit modèle ouvert, à prédire des séries temporelles comme la météo ou les consultations de pages Wikipédia. Il a analysé la tâche, écrit son propre évaluateur, expérimenté avec des jeux de données et deux méthodes d'entraînement différentes, et débogué le processus au fil de l'eau.

Les démonstrations de la page du laboratoire montrent la même persévérance sous d'autres formes : un simulateur de ville construit en Three.js sans ressources préfabriquées, où chaque bâtiment, texture et voiture est généré par du code, et un émulateur de PC écrit en Python qui démarre un vrai noyau Linux dans le navigateur. C'est sur les tâches longues que le modèle brille, ce qui pose la question de sa place face à ses pairs.

Là où il mène, et ce qu'il reste à polir

À l'Artificial Analysis Intelligence Index, il obtient 30,6, proche des meilleurs modèles ouverts de sa catégorie dans la comparaison du laboratoire : DeepSeek-V4.1-Flash atteint 32,6 et GLM-5.3-Flash 27,8. Inkling 2 Small mène ce tableau sur BrowseComp, un test de recherche web difficile, avec 90,2 %, et sur Sudo, un ensemble de tâches ardues d'administration système, avec 14,1 %.

Le laboratoire est franc sur ses aspérités. Il reconnaît que le modèle « n'est pas le communicant le plus concis », qu'il ne choisit pas toujours le meilleur outil dans les bases de code riches en skills, qu'il ne traite pas l'audio et qu'il est moins abouti comme assistant de conversation, avec une mise en forme désordonnée et une réaction excessive à certaines questions liées à la sécurité. Ce sont précisément les problèmes qu'un réentraînement corrige bien, et la licence Apache 2.0 permet à chacun de s'y atteler.

“Nous espérons qu'il nourrira vos ambitions, et nous avons hâte de voir ce que vous construirez avec.”— Thinking Machines Lab

Un laboratoire universitaire, un hôpital qui doit garder ses données en interne ou une start-up qui ne peut pas s'offrir les tarifs des modèles de pointe peuvent désormais prendre un modèle capable de travailler des heures sans supervision et se l'approprier. Les poids sont sur Hugging Face, et la prochaine version utile d'Inkling 2 Small pourrait venir de quelqu'un d'extérieur au laboratoire.