# Inkling 2 Small : le modèle de 594 milliards de paramètres de Thinking Machines, poids ouverts en approche
À retenir
- Thinking Machines Lab a annoncé le 5 novembre 2026 le lancement d'Inkling 2 Small, la deuxième génération de sa famille de modèles Inkling.
- Avec 594 milliards de paramètres au total, dont 17 milliards actifs par token, Inkling 2 Small double presque la taille de son prédécesseur, Inkling Small, lancé en juillet 2026 avec 276 milliards de paramètres au total et 12 milliards actifs par token.
- Autre point important pour les entreprises : les poids du modèle ne sont pas encore publics au lancement.
Thinking Machines Lab a annoncé le 5 novembre 2026 le lancement d'Inkling 2 Small, la deuxième génération de sa famille de modèles Inkling. La startup, fondée par Mira Murati, ancienne directrice technique d'OpenAI, présente un modèle conçu pour le travail autonome de longue durée, capable d'écrire du code, d'utiliser des outils, d'analyser des documents financiers, d'interpréter des images et d'apprendre les processus propres à une entreprise.
Avec 594 milliards de paramètres au total, dont 17 milliards actifs par token, Inkling 2 Small double presque la taille de son prédécesseur, Inkling Small, lancé en juillet 2026 avec 276 milliards de paramètres au total et 12 milliards actifs par token. Cette progression illustre une ambition claire : proposer un modèle puissant, mais pensé pour des usages professionnels concrets, et non seulement pour des démonstrations de laboratoire.
Autre point important pour les entreprises : les poids du modèle ne sont pas encore publics au lancement. Ils sont fermés dans un premier temps, en attente d'évaluations de sécurité externes et de red-teaming, et leur publication complète est promise sous licence Apache 2.0 la semaine suivante, soit la semaine du 10 au 14 novembre, sous condition des résultats de ces tests. Aucune date ferme n'est garantie à ce stade.
Une architecture mixture-of-experts à grande échelle
Inkling 2 Small repose sur une architecture mixture-of-experts, souvent abrégée MoE. Concrètement, le modèle compte 594 milliards de paramètres au total, mais seuls 17 milliards sont activés pour chaque token traité. Cette approche permet de disposer d'une très grande capacité globale tout en limitant le coût de calcul à chaque étape.
Le modèle accepte des entrées en texte et en images, et produit des sorties en texte. Il ne prend pas en charge l'audio. Son effort de raisonnement est ajustable, ce qui permet d'adapter la profondeur de l'analyse à la tâche : une réponse rapide pour une question simple, un raisonnement plus poussé pour un problème complexe.
Le contexte maximal atteint 1 million de tokens selon la spécification du modèle. Sur Tinker, la plateforme du laboratoire, les limites sont toutefois de 64K et de 256K, une distinction à garder en tête pour les longs documents.
Des scores qui placent le modèle en tête des modèles ouverts
Inkling 2 Small obtient un score de 31 sur l'Intelligence Index d'Artificial Analysis, le score le plus élevé enregistré pour le laboratoire. À titre de comparaison, Mistral Large 4, surnommé « Le Chonk », obtient 26 sur le même indice. Le modèle atteint également 71,8 % sur EnterpriseBench-CoreCraft.
Une fois les poids publiés, Inkling 2 Small serait le meilleur modèle ouvert hors de Chine, selon les données disponibles. Cette précision est importante : le classement dépend directement de la publication effective des poids, qui reste conditionnelle aux évaluations de sécurité en cours. Tant que les poids ne sont pas publiés, il s'agit d'une perspective, et non d'un état de fait.
Pour les entreprises, ces scores sont une indication utile, en particulier pour des tâches professionnelles exigeantes, mais chaque organisation devra tester le modèle sur ses propres cas d'usage avant de s'engager.
Le travail autonome de longue durée, au cœur de la promesse
Thinking Machines Lab présente Inkling 2 Small comme un modèle conçu pour le travail autonome de longue durée. Les usages cités par le laboratoire sont précis : écrire du code, utiliser des outils, analyser des documents financiers, interpréter des images et apprendre les processus propres à une entreprise.
Cette orientation répond à une évolution visible dans les entreprises d'Europe, d'Amérique du Nord, d'Asie et d'Afrique : l'intelligence artificielle est de plus en plus utilisée pour des tâches suivies, qui demandent de la constance et la capacité de passer d'un outil à l'autre.
L'exemple de démonstration fourni par le laboratoire illustre cette ambition. En interne, le modèle a réalisé de manière autonome le réglage d'un modèle de prévision de séries temporelles, Qwen3.5-4B, terminé en 4 heures 17 minutes pour un coût de 426 $. Ce cas donne un repère utile pour évaluer ce type d'usage, sans prouver à lui seul une réussite identique sur d'autres tâches.
Disponibilité et tarifs sur Tinker
Inkling 2 Small est disponible via Tinker, la plateforme du laboratoire, qui regroupe l'inférence, le fine-tuning et un Playground. Les tarifs annoncés sont de 0,30 $ par million de tokens en entrée, de 1,00 $ par million de tokens en sortie, et de 0,03 $ par million de tokens pour l'entrée en cache.
Ces tarifs permettent aux entreprises de calculer le coût d'un usage réel, en fonction du volume de texte traité et de la part des entrées mises en cache. Pour un usage régulier, la différence entre le tarif d'entrée standard et le tarif d'entrée en cache peut représenter une économie significative, en particulier pour des tâches répétitives.
La disponibilité sur Tinker ouvre aussi la voie au fine-tuning, c'est-à-dire à l'adaptation du modèle aux données et aux processus d'une organisation, là où se joue souvent la valeur d'un modèle de cette taille.
Des poids ouverts en approche, sous condition
La question la plus attendue reste celle des poids ouverts. Au lancement, les poids sont fermés. Thinking Machines Lab attend les résultats d'évaluations de sécurité externes et de red-teaming avant de les publier. La publication complète est promise sous licence Apache 2.0 la semaine suivante, soit la semaine du 10 au 14 novembre, sous condition des tests.
Cette prudence est compréhensible pour un modèle de cette taille, destiné à des usages autonomes. Elle impose toutefois aux entreprises de ne pas planifier un déploiement en auto-hébergement avant la publication effective. Tant que les poids ne sont pas disponibles, l'accès passe par Tinker, avec ses tarifs et ses limites de contexte propres.
Pour les équipes qui envisagent un usage à plus long terme, la licence annoncée, Apache 2.0, est un élément favorable : il s'agit d'une licence permissive, largement utilisée dans le monde du logiciel. Mais là encore, il faut attendre la publication réelle pour confirmer les conditions exactes et le contenu livré.
### Conseils concrets pour les entreprises
Avant d'adopter Inkling 2 Small, commencez par définir un cas d'usage précis et mesurable. Le modèle est présenté pour le travail autonome de longue durée, mais un test réussi suppose un objectif clair : par exemple, analyser un type de document financier récurrent, assister une équipe de développement sur une tâche de code bien délimitée, ou traiter des images dans un flux existant.
Testez ensuite le modèle sur vos propres données, via Tinker, en comparant le temps passé, le coût par tâche et la qualité du résultat avec votre méthode actuelle. Les scores publics, comme le 31 sur l'Intelligence Index d'Artificial Analysis ou le 71,8 % sur EnterpriseBench-CoreCraft, sont des repères, pas des garanties. Seul un test sur vos documents et vos processus donnera une réponse fiable.
Surveillez le coût réel, en tenant compte des trois tarifs annoncés : entrée, sortie et entrée en cache. Pour une tâche de 4 heures 17 minutes et 426 $, comme dans la démonstration interne du laboratoire, le coût peut sembler maîtrisé, mais il variera fortement selon le volume de tokens et la complexité de vos propres tâches. Mettez en place un suivi simple, tâche par tâche, dès les premiers tests.
Préparez enfin une décision en deux temps. Dans un premier temps, utilisez l'accès via Tinker pour valider l'intérêt du modèle. Dans un second temps seulement, lorsque les poids seront publiés sous licence Apache 2.0, évaluez l'intérêt d'un déploiement en auto-hébergement ou d'un fine-tuning plus poussé. Ne planifiez pas de migration d'infrastructure sur la seule base d'une date annoncée sous condition.
E.C.O. Tech accompagne les entreprises et les professionnels dans l'intégration du numérique et de l'IA, de l'identification d'un cas d'usage pertinent à la mise en place d'un premier test mesurable, puis à l'intégration progressive de l'outil dans les processus existants, avec une attention particulière aux coûts, à la sécurité et à la formation des équipes.
*Sources : annonce de Thinking Machines Lab du 5 novembre 2026 ; Artificial Analysis, Intelligence Index ; EnterpriseBench-CoreCraft ; tarifs et informations de disponibilité communiqués pour Tinker.*
Diagnostic gratuit
Vous voulez appliquer cette idée dans votre structure ?
E.C.O.Tech peut analyser votre cas, identifier l’offre la plus adaptée et proposer une feuille de route simple : visibilité, CRM, automatisation, gestion métier ou cybersécurité.
Votre avis compte
Cet article vous a été utile ? Partagez votre expérience sur notre fiche Google officielle.