Inkling de Murati : un modèle ambitieux face à la Chine

Inkling de Murati : un modèle ambitieux face à la Chine

Thinking Machines Lab, la startup fondée par l'ancienne CTO d'OpenAI, Mira Murati, a lancé Inkling, un modèle multimodal à poids ouverts comportant 975 milliards de paramètres qui traite nativement le texte, les images et l'audio.

Selon la plateforme d'analyse Artificial Analysis, Inkling est actuellement le modèle à poids ouverts le plus puissant des États-Unis, surpassant des concurrents comme Kimi K2.6 et DeepSeek v4 Flash max sur des tâches agentiques tout en affichant une efficacité élevée en termes de tokens.

Malgré ses performances solides sur les benchmarks, le modèle présente des faiblesses notables en matière de précision factuelle, avec un taux d'hallucination de 63 %, et son coût est plus élevé que celui des modèles chinois comparables.

Thinking Machines Lab a expédié son premier modèle de langage prêt pour la production. Inkling est un Mixture-of-Experts Transformer avec un total de 975 milliards de paramètres, dont 41 milliards sont actifs à tout moment. C'est le premier modèle de la startup fondée par Mira Murati, qui a joué un rôle clé dans le développement de ChatGPT.

Affinage en tant que modèle commercial

Contrairement à de nombreux autres modèles d'IA open-source, Inkling gère nativement le texte, les images et l'audio et prend en charge une fenêtre contextuelle allant jusqu'à un million de tokens. Les poids sont disponibles gratuitement sur Hugging Face. Thinking Machines propose également un accès via Tinker, sa plateforme d'adaptation des modèles d'IA à des tâches spécifiques.

L'entreprise positionne Inkling comme un modèle de base flexible pour la personnalisation. "Inkling n'est pas le modèle le plus puissant disponible aujourd'hui", indique l'annonce. Thinking Machines s'attend à ce que la combinaison de la prise en charge multimodale, du traitement efficace et des options d'affinage distingue le modèle.

Thinking Machines affirme avoir pré-entraîné Inkling sur 45 trillions de tokens de texte, d'images, d'enregistrements audio et de vidéos, qu'ils soient publics ou synthétiques. L'ensemble de données d'entraînement comprend également des données publiques qui "peuvent être soumises à une protection de la propriété intellectuelle". L'entreprise a utilisé le modèle d'IA chinois Kimi K2.5, entre autres méthodes, pour générer des données synthétiques. Kimi K2.5 a également servi de base pour le modèle de codage de Cursor. Plus de détails techniques sont disponibles dans la fiche du modèle.

Inkling en tête des modèles ouverts américains mais à la traîne par rapport aux meilleurs chinois

Selon la plateforme de benchmarking Artificial Analysis, Inkling fait ses débuts avec un score de 41 sur l'Artificial Analysis Intelligence Index. Cela en fait le modèle à poids ouverts le plus performant d'un laboratoire américain. Il se classe trois points au-dessus du précédent leader, Nemotron 3 Ultra à 38, et bien devant Gemma 4 31B à 29 et gpt-oss-120b à 24.

Inkling obtient un score de 41 sur l'Artificial Analysis Intelligence Index, ce qui en fait le modèle à poids ouverts américain le plus performant.

Sur GDPval-AA v2, un benchmark basé sur des agents qui simule des tâches de travail cognitif, Inkling atteint un classement Elo de 1 238. Il devance Kimi K2.6 à 1 190 et DeepSeek v4 Flash max à 1 189. Inkling obtient également 24 % sur le benchmark bancaire Tau-3, devant Kimi K2.6 à 21 % et DeepSeek v4 Flash max à 23 %.

Inkling surpasse Kimi K2.6 et DeepSeek v4 Flash max sur des tâches de travail cognitif basées sur des agents.

Inkling affiche des performances plutôt médiocres en matière de précision factuelle. Artificial Analysis attribue au modèle un score de seulement +2 sur son benchmark AA Omniscience. Cela le place en dessous des modèles à poids ouverts les plus performants, bien qu'il reste au-dessus d'autres modèles américains tels que Nemotron 3 Ultra à -1. L'exactitude d'Inkling est de 40 %, tandis que son taux d'hallucination est de 63 %. Ces résultats risquent de limiter son utilisation dans des applications nécessitant des informations très précises.

Inkling obtient un score de +2 sur AA Omniscience, avec une précision de 40 % et un taux d'hallucination de 63 %.

Avec une fenêtre contextuelle de 64K, Inkling coûte 1,87 $ par million de tokens d'entrée et 4,68 $ par million de tokens de sortie. C'est légèrement plus que les modèles chinois open-source tels que GLM-5.2 et DeepSeek v4, qui offrent des performances similaires ou meilleures sur les tâches de texte et de code. Pour des fenêtres contextuelles allant jusqu'à 256 000 tokens, les prix augmentent à 3,74 $ pour l'entrée, 0,748 $ pour l'entrée mise en cache, et 9,36 $ pour la sortie.

Cependant, Inkling utilise moins de tokens de sortie que les modèles à poids ouverts comparables. Selon Artificial Analysis, il utilise en moyenne 25 000 tokens de sortie par tâche de l'Intelligence Index. GLM-5.2 max utilise 43 000, Kimi K2.6 utilise environ 38 000, et DeepSeek v4 Pro max utilise environ 37 000 tokens sur les mêmes tâches.

Thinking Machines affirme qu'Inkling offre un "effort de réflexion" continuellement ajustable. Les utilisateurs peuvent choisir leur équilibre préféré entre coût et performance, réduisant l'utilisation de tokens tout en maintenant la même qualité de résultat.

Inkling-Small surpasse le modèle plus grand sur certains benchmarks

Thinking Machines présente également Inkling-Small, un modèle plus compact avec 276 milliards de paramètres au total et 12 milliards de paramètres actifs. Le modèle plus petit offre des résultats similaires ou meilleurs qu'Inkling sur plusieurs benchmarks.

Inkling-Small obtient 88,3 % sur GPQA Diamond, contre 87,2 % pour Inkling. Sur le benchmark HLE avec outils, il obtient 46,6 %, légèrement devant Inkling à 46,0 %. Thinking Machines attribue ces résultats à des changements dans les données de pré-entraînement et le processus d'entraînement. L'entreprise prévoit de publier les poids complets une fois les tests terminés.