Thinking Machines Lab, l’entreprise fondée par Mira Murati après son départ d’OpenAI, vient de lancer Inkling, son premier modèle open-weights. C’est une Mixture-of-Experts avec 975 milliards de paramètres totaux et 41 milliards actifs, entraîné sur 45 trilliions de tokens (texte, images, audio, vidéo). Licence Apache-2.0, disponible sur Hugging Face et via l’API de Tinker, la plateforme de training de l’entreprise.

Ce n’est pas un modèle frontier : Thinking Machines le déclare ouvertement. C’est un base model robuste, conçu pour le fine-tuning sur Tinker. Ses dimensions le mettent en concurrence avec les modèles ouverts chinois (GLM 5.2) et avec les open-weights américains comme NVIDIA Nemotron et Gemma 4. Le contexte natif est de 1 million de tokens, extensible à 64K/256K sur Tinker.

Pourquoi cela vous concerne. Un modèle de ces dimensions avec une licence permissive est une option concrète pour qui souhaite du self-hosting ou du fine-tuning sans dépendre des géants. L’arrivée d’un nouvel acteur avec des références solides (Murati était CTO d’OpenAI) et un focus déclaré sur l’Asie-Pacifique change l’équilibre des forces. La model card et la documentation sur les données d’entraînement restent cependant très sommaires : deux paragraphes génériques, aucun détail sur les sources.

Si vous voulez l’essayer. Inkling est disponible via l’API sur Tinker (clé nécessaire) ou téléchargeable sur Hugging Face pour du self-hosting. L’entreprise promet aussi Inkling-Small (276B totaux, 12B actifs), mais les poids ne seront publiés qu’après les tests complets.

En détail

Le contexte.

Mira Murati a quitté OpenAI en 2024, après avoir été CTO pendant la période cruciale entre GPT-4 et GPT-5. Thinking Machines Lab est sa nouvelle entreprise, fondée avec un focus déclaré sur les modèles ouverts et la région Asie-Pacifique. Inkling est le premier lancement : un signal de positionnement sur le marché open-weights, où les modèles chinois (GLM, Qwen, DeepSeek) ont dominé la scène ces derniers mois.

Ce que dit réellement la documentation.

La model card est brève : architecture MoE, 975B paramètres totaux, 41B actifs à chaque inférence, 45 trilliions de tokens d’entraînement (mix de texte, images, audio, vidéo). Licence Apache-2.0, donc utilisable commercialement sans restrictions. Contexte de 1M tokens natifs, extensible à 64K ou 256K sur Tinker.

La Training Data Documentation est encore plus sommaire : deux paragraphes affirmant que les données proviennent d’internet public, de repositories accessibles et de tiers. Aucune liste de datasets, aucun pourcentage par modalité, aucun détail sur les filtres ou la curation. Pour un modèle se positionnant comme base pour le fine-tuning enterprise, c’est une documentation sous les standards des labs américains (OpenAI, Anthropic, Google documentent bien davantage).

Les chiffres qui manquent.

Il n’y a pas de benchmarks publics dans le communiqué. Thinking Machines affirme qu’Inkling « n’est pas le modèle le plus fort en absolu », mais ne fournit pas de comparaisons quantitatives avec Nemotron, Gemma 4 ou GLM 5.2. Les premiers tests indépendants de la génération de SVG et de la vision multimodale montrent les limites : le SVG du pélican en bicyclette est reconnaissable mais imprécis, et le modèle a décrit le pélican comme « une cigogne ou une mouette ». Des exemples intéressants, mais anecdotiques.

Ce que cela signifie pour les développeurs.

Un modèle de 975B paramètres avec licence permissive est une nouveauté dans le paysage américain : Nemotron Ultra (3.1T) a une licence plus restrictive, Gemma 4 atteint 27B. Inkling se positionne comme alternative self-hostable aux modèles propriétaires, avec des coûts d’inférence gérables grâce à l’architecture MoE (seulement 41B actifs). Pour qui souhaite du fine-tuning sur Tinker, le modèle est conçu pour cela : entraînement efficace, contexte long, multimodal.

Le focus Asie-Pacifique est explicite : Thinking Machines dispose de serveurs dans cette région et cible un marché où les modèles chinois ont déjà une forte présence. La concurrence est directe.

Les limites déclarées et les limites implicites.

Thinking Machines déclare qu’Inkling n’est pas frontier, et qu’il sert de base pour la customisation. Les limites techniques ne sont pas documentées : aucune information sur les failure modes, les biais connus, ou les tâches où le modèle performerait mal. La documentation sur les données est tellement générique qu’elle ne permet pas de vérifications indépendantes.

Inkling-Small (276B/12B) est promis mais pas encore lancé : « les poids seront publiés une fois les tests terminés ». Il n’y a pas de calendrier.

Où se dirige Thinking Machines.

Le lancement d’Inkling signale une stratégie claire : modèles ouverts, plateforme de training propriétaire (Tinker), focus sur le fine-tuning enterprise. C’est le modèle économique opposé à celui d’OpenAI (API fermée, pas de poids) et similaire à celui de Hugging Face ou Replicate. La crédibilité de l’équipe (Murati, plus d’autres anciens d’OpenAI non encore annoncés) attire l’attention, mais le modèle doit être jugé sur les chiffres, pas sur le pedigree.

Pour l’instant, Inkling est un concurrent intéressant dans le segment open-weights, mais avec une documentation sous les standards et une absence de benchmarks. Quiconque l’évalue devra le tester sur ses propres cas d’usage, plutôt que de se fier aux références de l’équipe.