Thinking Machines Lab Livre Inkling, un MoE de 975B en Poids Ouverts
- Ce qui s’est passé
- Thinking Machines Lab released Inkling, an open-weights 975B MoE model with Apache 2.0 license, native multimodality, and controllable thinking.
- Pourquoi c’est important
- Inkling is a customization platform masquerading as a model launch — fine-tuning-ready, broad rather than SOTA, with a self-improvement demo that closed the loop in 27 minutes.
- Que faire
- If you need a customizable base model for specialized workflows, evaluate Inkling on your own data via Tinker. If you need frontier performance out of the box, stick with GPT-5.6 or Fable 5.
Thinking Machines Lab a publié Inkling le 15 juillet 2026 — et il ne cherche pas à battre GPT-5.6 (Thinking Machines Lab, 2026(s’ouvre dans un nouvel onglet)). Le Thinking Machines Lab de Mira Murati a livré un modèle MoE de 975 milliards de paramètres (41B actifs) sous licence Apache 2.0 avec les poids complets sur Hugging Face (Hugging Face, 2026(s’ouvre dans un nouvel onglet)). Le véritable produit n'est pas le modèle lui-même — c'est la molette de réflexion contrôlable et la plateforme de fine-tuning Tinker qui l'accompagnent.
Ce qui s'est passé — Inkling débarque
Inkling est un modèle généraliste MoE (Mixture-of-Experts) avec une multimodalité native : texte, images et audio en entrée, texte en sortie. Il est compétitif en codage agentique, en raisonnement et en tâches multimodales, mais explicitement pas SOTA sur un benchmark unique.
L'innovation phare est une molette d'effort de réflexion contrôlable. Les développeurs peuvent arbitrer entre performance et efficacité en tokens sur le même modèle — à effort de réflexion maximal, Inkling égale Nemotron 3 Ultra sur Terminal Bench 2.1 avec environ un tiers des tokens.
Les poids sont sur Hugging Face aux formats original et NVFP4 pour les systèmes NVIDIA Blackwell. Les points d'inférence sont disponibles via TogetherAI, Fireworks, Modal, Databricks et Baseten. Thinking Machines a également présenté Inkling-Small — 276B au total, 12B actifs — avec des performances de raisonnement et agentiques similaires à moindre coût. Les poids complets seront publiés une fois les tests terminés.
Côté sécurité, le score FORTRESS adversarial d'Inkling de 78,0 % est le plus élevé parmi les modèles à poids ouverts testés. Sur le classement Agentic Web Dev de Design Arena, il a obtenu 1 257 — à égalité avec Claude Opus 4.6 et devant Gemini 3.5 Flash (1 254) (Thinking Machines Lab, 2026(s’ouvre dans un nouvel onglet)).
Pourquoi Inkling est important
Inkling n'est pas un challenger de la frontière. Il a obtenu 29,7 % sur HLE (contre 53,3 % pour Fable 5) et 77,6 % sur SWE-Bench Verified (contre 95,0 % pour Fable 5) (Thinking Machines Lab, 2026(s’ouvre dans un nouvel onglet)). Ces écarts sont réels et délibérés — Thinking Machines parie que la personnalisation, et non la performance brute, est l'avantage décisif.
La démo de lancement rend la thèse concrète. Inkling a écrit son propre job de fine-tuning, l'a exécuté sur Tinker, et s'est transformé en un modèle lipogramme qui n'utilise jamais la lettre « e » — bouclant la boucle d'auto-amélioration en environ 27 minutes (Thinking Machines Lab, 2026(s’ouvre dans un nouvel onglet)). Voilà le pari : un modèle de base capable de se spécialiser dans votre workflow sans pipeline d'entraînement externe.
« Nous voulons rendre la personnalisation accessible à davantage de cas d'usage », a écrit l'entreprise dans son billet de lancement. « Choisir le bon modèle de base à fine-tuner est un jugement qualitatif qui combine des benchmarks mesurables avec la sensation unique d'un modèle. »
La plateforme Tinker est le canal de distribution. Inkling y est disponible avec une tarification de lancement à -50 % (Thinking Machines Lab, 2026(s’ouvre dans un nouvel onglet)), et la démo d'auto-amélioration montre que la plateforme peut gérer de vraies charges de fine-tuning en moins d'une demi-heure.
Ce qui change pour vous
Si vous avez besoin d'un modèle de base personnalisable pour des workflows agentiques ou de raisonnement spécialisés, évaluez Inkling sur vos propres données. La plateforme Tinker est conçue pour rendre cette évaluation rapide — importez vos données, lancez un job de fine-tuning et testez le résultat.
Si vous avez besoin de performances de pointe immédiates, Inkling n'est pas votre modèle. Restez sur GPT-5.6 Sol ou Fable 5 pour les charges de production où chaque point de benchmark compte.
Inkling porte notre verdict Conditionnel : une base convaincante pour les organisations qui ont besoin de posséder et de fine-tuner un modèle multimodal, pas pour les équipes qui veulent la performance maximale clé en main.
| Benchmark | Inkling | Fable 5 |
|---|---|---|
| HLE | 29,7 % | 53,3 % |
| SWE-Bench Verified | 77,6 % | 95,0 % |
| FORTRESS (sécurité) | 78,0 % | — |
| Design Arena (Web Agentique) | 1 257 | — |
FAQ
Inkling est-il gratuit ?
Oui — les poids complets sont sur Hugging Face sous licence Apache 2.0. L'inférence hébergée est disponible via Tinker (tarification de lancement à -50 %), TogetherAI, Fireworks et d'autres.
Comment Inkling se compare-t-il à GPT-5.6 ou Fable 5 ?
Il ne se compare pas — et c'est le but. Inkling accuse un retard de plus de 20 points sur HLE et SWE-Bench face aux modèles fermés de pointe, mais sa licence en poids ouverts et sa plateforme de fine-tuning Tinker en font une base de personnalisation, pas un modèle SOTA clé en main.
Outils et modèles concernés
Ne ratez plus jamais une mise à jour
Le récap hebdomadaire — uniquement les changements de verdict et les actions urgentes. Sans remplissage.