Thinking Machines Lab, fondé par Mira Murati, dévoile Inkling, son premier modèle à poids ouverts. Multimodal et personnalisable, il vise notamment le raisonnement, la programmation et l’utilisation d’outils.
Thinking Machines Lab entre sur le marché des grands modèles d’intelligence artificielle avec Inkling, son premier système entraîné de bout en bout et diffusé avec ses poids. La société fondée par Mira Murati a présenté le modèle le 15 juillet, en insistant sur sa personnalisation plutôt que sur une première place absolue dans les classements.
Inkling repose sur une architecture dite mélange d’experts. Il totalise 975 milliards de paramètres, mais en active 41 milliards pour chaque calcul. Cette organisation vise à contenir le coût d’utilisation. Le modèle accepte une fenêtre de contexte allant jusqu’à un million de jetons et a été préentraîné sur 45 000 milliards de jetons mêlant textes, images, sons et vidéos.
Le laboratoire publie aussi un aperçu d’Inkling-Small, une version plus légère qui active 12 milliards de paramètres. Les développeurs peuvent tester Inkling dans un espace dédié et l’adapter à leurs données ou à leurs tâches avec Tinker, la plateforme de personnalisation de Thinking Machines.
Le modèle traite nativement le texte, l’image et l’audio. Il a été conçu pour le raisonnement, la programmation, l’usage d’outils et le suivi de consignes. Thinking Machines reconnaît qu’Inkling n’est pas le modèle le plus performant dans toutes les catégories. Sa proposition repose sur la combinaison de capacités multimodales, d’un effort de raisonnement réglable et de poids disponibles.
Les résultats publiés par l’entreprise doivent être lus comme des mesures déclarées par le concepteur. Inkling obtient notamment 77,6 % sur SWE-bench Verified dans le dispositif de test indiqué par Thinking Machines. Sur Terminal Bench 2.1, l’entreprise affirme qu’il atteint un niveau comparable à Nemotron 3 Ultra en consommant environ trois fois moins de jetons.
TechCrunch relève que cette sortie place la jeune entreprise face aux modèles ouverts de groupes déjà établis. La disponibilité des poids facilite l’audit et l’adaptation, mais elle ne signifie pas que le code, les données d’entraînement ou tous les droits d’utilisation sont ouverts de la même manière. Les conditions de licence, le coût d’hébergement et les évaluations indépendantes pèseront dans l’adoption réelle.
Cet article vous est proposé en collaboration avec Aïobi, la première deeptech d’Afrique de l’Ouest spécialisée dans l’intelligence artificielle d’entreprise. Pour en savoir plus: team@aiobi.world
