Ce que montrent les chiffres
Inkling 2 Small est un modèle Mixture-of-Experts (MoE) avec 594 milliards de paramètres au total et 17 milliards d'actifs par inférence — une conception qui permet de gérer les coûts de calcul malgré la taille du modèle. Il prend en charge les entrées d'images et l'effort variable, permettant aux utilisateurs d'échanger la profondeur de réponse contre la vitesse en fonction de la tâche.
L'affirmation principale provient de l'Artificial Analysis Intelligence Index, où la société affirme que l'Inkling 2 Small a obtenu un score de 31, qu'elle décrit comme dépassant de loin les scores de ses modèles précédents. Thinking Machines attribue ce gain à des améliorations « à chaque étape » de la formation, notamment une pré-formation plus efficace et un apprentissage par renforcement unifié et à grande échelle.
Sur les tests de codage publiés dans l'annonce, Inkling 2 Small a affiché des résultats solides mais pas uniformément en tête par rapport à un domaine qui comprend GLM-5.3-Flash, DeepSeek-V4.1-Flash-1017, Muse Spark et Kimi K3. Il a obtenu 86,3 % sur SWEBench Pro v2 (Hard) — le deuxième plus haut score de la comparaison, derrière les 88,2 % de Kimi K3 — et 72,1 % sur DeepSWE v1.1, où Muse Spark était en tête avec 77,0 %. Sur FrontierCode v2.0, il a atteint 25,4 %, juste derrière les 28,5 % de Muse Spark, et il a affiché 81,6 % sur Vibe Code Bench v1.1.
Formé pour le travail d'agent à long horizon
La société affirme que les capacités agentiques du modèle proviennent de l'apprentissage par renforcement sur des centaines de milliers de tâches de codage à long terme, exécutées sur plusieurs harnais d'agents et stratégies de compactage du contexte. Notamment, Thinking Machines est allé au-delà des simples récompenses de tests unitaires : de nombreuses tâches de formation comprenaient un agentic RL grader qui évaluait comment le modèle abordait un problème, et pas seulement si le code final était réussi.
L'équipe a également testé les premiers points de contrôle dans la nature, en les exécutant sur OpenCode sous le nom de code "Fledge-Alpha" pour mesurer les performances du monde réel. Selon l'annonce, le résultat est un modèle qui suit mieux les instructions que son prédécesseur, examine attentivement les modifications et vérifie son propre travail sans qu'on le lui demande.
Vision, utilisation de l'ordinateur et démos interactives
Inkling 2 Small étend la famille au-delà du texte. La société met en avant des démos dans lesquelles le modèle a utilisé Three.js pour construire un simulateur de ville complet à partir de zéro (générant chaque bâtiment, texture et voiture de manière procédurale sans ressources prédéfinies) et a écrit un émulateur PC fonctionnel en Python qui démarre un véritable noyau Linux, visible dans le navigateur. Une autre démo montre le modèle générant et révisant des scènes dans Blender, y compris une vallée dessinée à la main avec des grues en origami animées.
Ces démos soulignent le pitch de la version : un modèle qui peut intégrer un retour visuel et affiner de manière itérative ce qu'il construit (sites Web, jeux, conceptions 3D) plutôt que de produire une sortie unique.
Le chemin des poids ouverts
La version par étapes suit l'approche de Thinking Machines présentée dans son précédent essai « Un chemin sûr vers des poids ouverts ». Inkling 2 Small est disponible aujourd'hui via Tinker, où les utilisateurs peuvent l'essayer dans l'aire de jeux et l'utiliser pour le réglage fin et l'échantillonnage. Les points de contrôle seront téléchargeables lorsque les poids seront publiés sous Apache 2.0, prévu pour la semaine prochaine après la conclusion des tests de sécurité externes et de l'équipe rouge.
La stratégie fait écho à la première génération de l'entreprise : le produit phare Inkling original et le plus petit Inkling-Small, un modèle ouvert de 276 milliards de paramètres lancé plus tôt cette année qui a attiré une attention particulière pour ses performances équivalentes à une fraction de sa taille. Avec Inkling 2 Small, le laboratoire redouble d’efforts sur la même thèse axée sur l’efficacité : une plus grande capacité totale, une empreinte active réduite.
Pourquoi c'est important
Les laboratoires américains ont toujours été à la traîne de leurs concurrents chinois en matière d'expédition de poids ouverts compatibles avec les frontières, un écart qui s'est réduit à mesure que les versions de Z.ai, DeepSeek, Tencent et Moonshot arrivaient semaine après semaine. Thinking Machines est désormais le concurrent américain le plus important, et une version de deuxième génération si peu de temps après la première suggère que le laboratoire itère plus rapidement que prévu.
Les mises en garde sont les comparaisons de référence elles-mêmes. Thinking Machines a choisi les comparaisons et a étiqueté les scores « les plus élevés » dans chaque ligne – et dans plusieurs de ces lignes, Inkling 2 Small est arrivé deuxième, pas premier. La sortie d'Apache 2.0 la semaine prochaine sera le véritable test : une fois que les développeurs pourront télécharger et tester les poids de manière indépendante, le marketing cède la place à la mesure. Pour l’instant, l’annonce positionne Inkling 2 Small comme la preuve que le volant d’inertie du produit modèle de la startup tourne – et que la frontière des poids ouverts a désormais un véritable concours transpacifique.
Gardez une longueur d'avance sur l'IA
De nouveaux modèles à poids ouvert débarquent chaque semaine en provenance de laboratoires sur trois continents. Tenez-vous au courant de chaque version grâce à notre couverture de l'industrie de l'IA.
Lire plus d'actualités sur l'IA →
