Thinking Machines présente Inkling Small avec un compromis en faveur d’un format plus compact

Thinking Machines plaide pour des modèles de raisonnement plus petits

Thinking Machines, le laboratoire d’IA fondé par l’ancienne directrice technique d’OpenAI Mira Murati, a lancé Inkling Small, un modèle de raisonnement à poids ouverts conçu pour rivaliser en capacité tout en utilisant une empreinte active bien plus réduite que le modèle Inkling précédent de l’entreprise. Ce lancement signale un déplacement familier mais de plus en plus important sur le marché de l’IA: l’efficacité devient une caractéristique produit à part entière, et non plus un simple détail technique.

Selon le texte source fourni, Artificial Analysis attribue à Inkling Small un score de 40 sur son Intelligence Index, soit seulement un point de moins que les 41 d’Inkling. Cet écart est suffisamment faible pour rendre le message du titre très clair. Le nouveau modèle est présenté comme un système plus petit qui se rapproche du niveau global du plus grand modèle, tout en le dépassant sur certains benchmarks de codage et de raisonnement.

Le profil de taille du modèle est au cœur de l’argumentaire. Inkling Small est décrit comme ayant 276 milliards de paramètres au total et 12 milliards actifs, ce qui représenterait, selon la source, moins du tiers de la taille de l’Inkling original. Artificial Analysis indique également qu’aucun modèle ouvert de taille égale ou inférieure n’obtient un score plus élevé sur son indice.

Les résultats de benchmark suggèrent des gains ciblés

L’histoire des benchmarks ne se limite pas au fait qu’Inkling Small est presque aussi performant que son prédécesseur dans l’ensemble. Le texte source indique qu’il surpasse le plus grand Inkling sur plusieurs tests de codage et de raisonnement. Deux exemples cités sont Humanity’s Last Exam, où Inkling Small obtient 32% contre 30% pour Inkling, et GPQA Diamond, où il atteint 89% contre 87% pour Inkling.

Ces chiffres comptent parce qu’ils suggèrent que le modèle n’est pas simplement une version compressée qui conserve l’essentiel des capacités. Dans au moins certaines tâches, il semble capable de dépasser le système plus grand. Un tel résultat est notable dans un marché où les modèles plus grands ont souvent été considérés comme la voie par défaut vers de meilleures performances.

En même temps, la source ne présente pas Inkling Small comme une amélioration universelle. Il serait en retrait par rapport à l’Inkling original sur les tâches basées sur des agents et sur les connaissances factuelles. Cette limite est importante car elle replace le lancement dans une logique de compromis plutôt que dans celle du battage médiatique. Les utilisateurs à la recherche d’une exécution autonome des tâches plus solide ou d’une mémoire plus large pourraient encore préférer un modèle plus grand, même si le plus petit est plus attrayant en matière d’efficacité.

L’efficacité est le message concurrentiel le plus profond

Le différenciateur le plus fort pourrait être l’efficacité en tokens. La source indique qu’Inkling Small génère en moyenne 24.000 tokens de sortie par tâche, contre 45.000 pour Deepseek V4 Flash et 78.000 pour GPT-5.4 mini. En apparence, cela suggère un modèle capable d’effectuer un travail de raisonnement conséquent avec moins de sorties générées que certains systèmes concurrents.

Ce type d’efficacité compte autant pour l’économie que pour la conception produit. Une moindre consommation de tokens de sortie peut réduire le coût d’inférence et la latence, et simplifier le déploiement dans des environnements où le débit ou le budget comptent autant que la performance brute sur les benchmarks. Pour les entreprises qui intègrent des fonctions d’IA à leurs produits, un modèle qui fait davantage avec moins de tokens de sortie peut devenir attractif même s’il ne domine pas tous les classements.

Le lancement renvoie donc à une évolution plus large de la manière dont les fournisseurs d’IA présentent le progrès. Au lieu de mettre seulement en avant la performance absolue de pointe, les développeurs se livrent de plus en plus concurrence sur la qualité par token. Inkling Small s’inscrit dans cette tendance en proposant un modèle qui, d’après les chiffres fournis, reste proche de son grand frère sur le plan général tout en améliorant son profil d’efficacité.

Les poids ouverts et l’entrée multimodale élargissent l’attrait

Thinking Machines cherche aussi à élargir la portée pratique du modèle. Le texte source indique qu’Inkling Small prend en charge les entrées texte, image et voix, et qu’il dispose d’une fenêtre de contexte de 256.000 tokens. Il est publié sous licence Apache 2.0, avec des poids hébergés sur Hugging Face.

Ces détails comptent parce qu’ils déterminent qui peut utiliser le modèle et à quelle vitesse il peut être adapté. Une publication sous Apache 2.0 réduit les frictions pour l’expérimentation et l’usage commercial. La prise en charge d’entrées multimodales rend le système pertinent pour un plus large éventail d’applications que le raisonnement textuel seul. Et une longue fenêtre de contexte accroît son attrait pour les tâches qui exigent de traiter de gros documents, de longues conversations ou une mémoire de travail étendue.

La source indique aussi que les utilisateurs peuvent affiner le modèle dans le navigateur via Tinker Playground. Cette fonctionnalité s’inscrit dans le positionnement de Thinking Machines, qui présente ses modèles comme une base de personnalisation à partir des propres données des utilisateurs. En d’autres termes, l’entreprise ne vend pas seulement un modèle de base, mais aussi un flux de travail dans lequel les utilisateurs adaptent ce modèle de base à des objectifs plus ciblés.

Pourquoi cette sortie compte sur le marché actuel des modèles

Inkling Small arrive à un moment où les développeurs d’IA sont sommés de démontrer une valeur pratique, et pas seulement de l’échelle. L’entraînement de modèles toujours plus grands reste coûteux, et les équipes produit qui les déploient doivent arbitrer entre coût, vitesse, flexibilité et licence en plus des capacités. Cela ouvre un espace pour des modèles qui ne sont peut-être ni les plus grands ni les plus puissants sur tous les plans, mais qui sont suffisamment bons sur les tâches clés et plus efficaces à exploiter.

La source présente Inkling Small comme exactement ce type d’offre: un modèle de raisonnement à poids ouverts plus petit, qui affiche des performances inhabituellement bonnes pour sa taille. Si ce positionnement se confirme à l’usage, il pourrait renforcer l’idée que le développement des modèles entre dans une phase plus disciplinée, où l’optimisation et la valeur de déploiement comptent autant que l’expansion brute.

Il maintient aussi l’attention sur un segment en croissance du marché: les modèles ouverts qui peuvent être affinés et intégrés dans des flux de travail personnalisés. Les systèmes propriétaires de pointe dominent encore nombre de comparaisons qui font les gros titres, mais les publications à poids ouverts restent stratégiquement importantes, car elles donnent aux organisations un contrôle plus direct sur la manière dont un modèle est adapté, hébergé et gouverné.

Une avancée mesurée plutôt que maximaliste

La chose la plus intéressante à propos d’Inkling Small est peut-être ce qu’il ne prétend pas être. D’après le texte fourni, Thinking Machines ne le présente pas comme le meilleur modèle dans toutes les catégories. Au contraire, le lancement défend une proposition plus étroite et plus pragmatique: des performances proches du haut du panier pour sa taille, des victoires sur certains benchmarks face à son grand frère, une capacité multimodale, un long contexte et un profil de consommation de tokens nettement plus sobre.

Cela fait de ce lancement moins un spectacle qu’une affaire de priorités d’ingénierie. Les petits modèles à faible nombre de paramètres actifs, capables de bien raisonner, de rester ouverts et de réduire la dépense en tokens, devraient continuer à être attractifs à mesure que le déploiement de l’IA mûrit. Inkling Small semble être un pari direct sur cet avenir.

Qu’il devienne ou non un modèle de fondation largement adopté dépendra des tests en conditions réelles au-delà des chiffres résumés ici. Mais à partir des informations disponibles, le message stratégique est déjà clair. Thinking Machines veut prouver qu’en IA, l’efficacité n’est plus une catégorie de compromis. Elle devient une véritable voie concurrentielle à part entière.

Cet article s’appuie sur un reportage de The Decoder. Lire l’article original.