Model Releases
Thinking Machines Lab sort Inkling 2 Small, son modèle multimodal MoE de 594B
Le nouveau modèle Inkling 2 Small de Thinking Machines Lab redéfinit les standards de l'open-weight avec une architecture MoE de 594 milliards de paramètres et des performances proches de la frontière.
5 novembre 2026
Model ReleaseInkling 2 Small
Une étape historique pour l'open-source et l'IA agentique
Le 5 novembre 2026 marque un tournant majeur dans l'écosystème de l'intelligence artificielle. Thinking Machines Lab, la startup dirigée par l'ancienne CTO d'OpenAI Mira Murati, vient de dévoiler Inkling 2 Small. Ce n'est pas seulement une mise à jour, c'est la première sortie majeure de la deuxième génération de leur famille de modèles, consolidant la position du laboratoire comme un acteur incontournable de l'IA de pointe.
Alors que le marché est souvent dominé par des modèles propriétaires fermés, l'engagement de Thinking Machines Lab envers l'open-weight est sans précédent. En publiant les poids de ce modèle massif sous licence Apache 2.0, le laboratoire offre aux développeurs et aux entreprises un outil de niveau 'frontier' capable de rivaliser avec les géants du secteur, tout en garantissant une transparence et une personnalisation totales.
- Développeur : Thinking Machines Lab (dirigé par Mira Murati)
- Date de sortie : 5 novembre 2026
- Licence : Apache 2.0 (Open Weights)
- Statut : Modèle de deuxième génération (succède à Inkling-Small de juillet 2026)
Architecture : La puissance du Mixture-of-Experts (MoE)
Inkling 2 Small repose sur une architecture Mixture-of-Experts (MoE) sophistiquée. Avec un total de 594 milliards de paramètres, le modèle est conçu pour l'efficacité opérationnelle. Contrairement aux modèles denses traditionnels, il n'active que 17 milliards de paramètres par jeton, ce qui permet de maintenir une latence acceptable tout en bénéficiant de la connaissance encyclopédique d'un modèle de très grande taille.
Le modèle est nativement multimodal, capable de traiter et de raisonner sur des flux de données variés. Cette capacité est renforcée par un entraînement intensif utilisant 17 millions de rollouts d'agents, une méthode qui permet au modèle non seulement de prédire le prochain jeton, mais de comprendre les séquences d'actions nécessaires pour résoudre des tâches complexes dans des environnements dynamiques.
- Paramètres totaux : 594 milliards
- Paramètres actifs : 17 milliards
- Fenêtre de contexte : 1 million de tokens
- Méthode d'entraînement : 17 millions de rollouts d'agents
- Capacités : Multimodalité native
Performances et Benchmarks : La domination de l'open-weight
Les résultats de performance d'Inkling 2 Small sont impressionnants. Sur l'index Artificial Analysis, le modèle affiche un score de 31, ce qui le place en tête des modèles open-weight occidentaux. Il atteint des performances dites 'near-frontier', ce qui signifie qu'il se situe dans la même zone de compétence que les modèles les plus puissants du monde, mais avec l'avantage de l'accessibilité.