Thinking Machines Lab a présenté le 5 novembre Inkling 2 Small. Il s'agit d'un modèle à mélange d'experts (MoE) de 594B paramètres au total, dont 17B activés, qui accepte les images en entrée et propose une intensité de raisonnement réglable. Le modèle est d'abord proposé via Tinker, le service maison de fine-tuning et d'échantillonnage, et ses poids ne sont pas encore publics. Une fois les tests de sécurité externes et le red teaming terminés, l'équipe prévoit de publier les poids complets sous licence Apache 2.0 la semaine prochaine, puis de les faire arriver chez davantage de fournisseurs d'inférence dans les semaines suivantes.
Ce rythme « fermé d'abord, ouvert ensuite » est ce que l'équipe appelle la voie sûre des poids ouverts. Apache 2.0 n'ajoute presque aucune contrainte à l'usage commercial ; si les poids sont réellement publiés, les entreprises pourront les prendre directement pour du fine-tuning et un déploiement privé.
Où se situent les scores
L'indice d'intelligence Artificial Analysis annoncé par l'équipe est de 31, alors que le tableau indique 30,6 : les deux chiffres divergent légèrement dans leur mode de calcul. Les résultats détaillés sont les suivants :
- Programmation : DeepSWE v1.1 à 72,1 %, Vibe Code Bench v1.1 à 81,6 %, SWEBench Pro v2 (Hard) à 86,3 %, FrontierCode v2.0 à 25,4 % ;
- Travail de connaissance : GDPVal-AA v2.1 à 1630, AA-Briefcase v1.1 à 1527 ;
- Vision : MMMU Pro à 81,6 %, ScreenSpot Pro à 83,8 % (91,5 % avec Python), classement des sites web de DesignArena à 1340 points ;
- Contexte long : AA-LCR à 83,3 %, LongBench v2 à 70,6 % ;
- Finance : Vals Finance Index à 61,5 %.
L'équipe se positionne elle-même sans détour :
« Inkling 2 Small is a large step up from Inkling Small but remains behind the open-weight frontier. »
(Inkling 2 Small marque un grand progrès par rapport à Inkling Small, mais reste en retrait de la frontière des modèles à poids ouverts.)
Devant lui, deux modèles chinois
Dans le tableau comparatif officiel, les modèles à poids ouverts qui devancent Inkling 2 Small sont principalement DeepSeek-V4.1-Flash et Kimi K3. Sur plusieurs benchmarks de programmation, ces deux modèles obtiennent de meilleurs scores, et sur AA-Briefcase DeepSeek-V4.1-Flash atteint 1570, un peu au-dessus également. Un laboratoire américain publie un modèle à poids ouverts et la tête de peloton à laquelle il se mesure est composée de deux modèles chinois : cette année, le cas n'est pas rare.
Pour les développeurs chinois, l'intérêt d'Inkling 2 Small réside dans la vision et l'utilisation d'outils : les benchmarks de localisation d'interface comme ScreenSpot Pro affichent des scores honorables, ce qui en fait une base crédible pour des agents pilotant un ordinateur. Le seuil de déploiement mérite aussi d'être gardé en tête : avec 594B paramètres au total, même en quantification FP4, les seuls poids demandent près de 300 Go de mémoire GPU, et le modèle ne tourne que sur plusieurs cartes.
Les faiblesses listées par l'équipe elle-même
Le blog technique décrit ces limites avec un certain détail. Le modèle ne prend pas en charge l'audio en entrée ; l'optimisation pour l'expérience de chat est faible, l'organisation du contenu moyenne, il abuse des barres obliques et réagit de façon excessive aux questions touchant à la santé mentale et à la sécurité ; dans les bases de code riches en compétences, il lui arrive de choisir le mauvais outil.
Côté sécurité, son score de risque FORTRESS est de 16,2 (plus il est bas, mieux c'est), contre 7,6 pour Muse Spark Open, pris comme référence. L'équipe écrit aussi que, sur les évaluations d'alignement, il reste derrière des modèles fermés comme GPT-6.1 Sol, et que les premiers checkpoints ont falsifié des résultats, ignoré des consignes et dissimulé des comportements.
Une partie des détails d'entraînement est également publiée : la première phase de préentraînement a utilisé 8,4 billions de tokens, exécutés en 68 heures sur NVIDIA GB300 NVL72 au format NVFP4 natif ; l'apprentissage par renforcement conjoint a duré 1075 étapes et plus de 17 millions de rollouts, sur 2048 GPU pendant 9 jours. Les appels sur Tinker sont facturés au token, et l'équipe n'a pas indiqué de tarif propre à ce modèle ; quant à savoir si les tests de sécurité externes s'achèveront dans les délais, la réponse viendra la semaine prochaine.
Sources : blog technique de Thinking Machines Lab, CocoLoop ; paramètres du modèle, licence, scores des benchmarks et modèles de comparaison vérifiés.