Inkling 2 Small de Thinking Machines : Un nouveau concurrent pour l'automatisation de l'IA à poids ouvert

Un nouveau modèle d'IA, Inkling 2 Small, de Thinking Machines, une startup cofondée par l'ancienne CTO d'OpenAI Mira Murati, fait des vagues. L'entreprise affirme qu'il s'agit du modèle occidental à poids ouvert le plus puissant, avec 17 milliards de paramètres actifs et des améliorations significatives dans les tâches agentiques, ce qui en fait un sérieux concurrent pour les applications d'IA spécialisées.

Ce qui s'est passé

Thinking Machines a récemment dévoilé Inkling 2 Small, la deuxième génération de ses modèles Inkling, conçus spécifiquement comme modèles de base pour le réglage fin. Selon The Decoder, ce modèle à mélange d'experts contient un impressionnant total de 594 milliards de paramètres, dont 17 milliards sont actifs à tout moment. Il gère à la fois le texte et les images en entrée et offre une « profondeur de réflexion » réglable, permettant aux utilisateurs de privilégier la vitesse ou l'exhaustivité.

The Decoder rapporte qu'Inkling 2 Small a obtenu un score de 31 sur l'Artificial Analysis Intelligence Index, un bond substantiel par rapport aux 13 de son prédécesseur, et le place à peu près au même niveau que Gemini 3.8 Flash de Google. Les plus grandes avancées concernent les tâches agentiques, où le modèle exécute indépendamment des flux de travail en plusieurs étapes. Sur AutomationBench-AA, son score est passé de 5 % à 46 %, et sur FrontierCode 2.0, il est passé de 5 % à 25 %. Pour le travail de connaissance, le benchmark AA-Briefcase a vu Inkling 2 Small atteindre 1 527 Elo, une augmentation de 615 points par rapport au modèle précédent. Le taux d'hallucination est tombé de 61 % à 27 %, bien que The Decoder note que cela est en partie dû au fait que le modèle répond à moins de questions, son taux de réponse étant passé de 77 % à 53 %.

Ces résultats améliorés s'accompagnent d'un compromis : une utilisation plus élevée des jetons. Inkling 2 Small utilise environ quatre fois plus de jetons de sortie par tâche que son prédécesseur, avec une moyenne de 150 000. Cela porte le coût à 1,18 $ par tâche, soit près de six fois plus, selon Artificial Analysis. Cependant, The Decoder souligne que cela reste nettement moins cher que Gemini 3.8 Flash (7,77 $) ou Claude Sonnet 5.5 (10,02 $), le plaçant plus près de la fourchette de prix de certains modèles chinois à faible coût.

Thinking Machines a entraîné le modèle en utilisant l'apprentissage par renforcement sur des centaines de milliers de tâches de codage à long terme. The Decoder ajoute que le modèle excelle dans la reconnaissance de texte, l'interprétation d'infographies et le raisonnement visuel, obtenant un score de 25,2 % sur le benchmark de documents GDP.pdf et de 81,6 % sur MMMU Pro pour la compréhension académique multimodale. Il est également en tête sur PerceptionBench avec 64,7 % et a obtenu le score le plus élevé parmi les modèles à poids ouvert sur DesignArena Website pour la création visuelle. Lors d'une démonstration plutôt inhabituelle, le modèle a correctement identifié trois vins à partir d'une photo lors de 19 tentatives de dégustation à l'aveugle sur 20.

Malgré ses forces, le modèle présente quelques particularités. Thinking Machines admet qu'il peut communiquer de manière inefficace, ne choisit pas toujours les meilleurs outils pour les grandes bases de code, manque de support audio et n'est pas optimisé pour le chat. Il peut également surréagir aux sujets liés à la santé et produire des résultats désordonnés. Actuellement, Inkling 2 Small est disponible via la plateforme Tinker de Thinking Machines, avec des plans pour publier les poids sous une licence Apache 2.0 après des tests de sécurité externes, offrant une option open-source plus permissive que certains rivaux.

Pourquoi c'est important pour les petites entreprises

Très bien, propriétaires de petites entreprises, celui-ci est vraiment intéressant. Un modèle à poids ouvert conçu pour le réglage fin qui possède également de sérieuses capacités agentiques ? Ce n'est pas seulement un titre ; c'est un potentiel d'automatisation réelle et pratique. Pour les petites équipes, la perspective d'un modèle capable de gérer indépendamment des flux de travail en plusieurs étapes – comme le traitement de documents complexes, l'interprétation d'infographies ou même la génération de conceptions de sites web – est énorme. Vous n'obtenez pas seulement un chatbot ; vous obtenez un assistant numérique capable de faire des choses. Le fait qu'il devienne finalement Apache 2.0 signifie plus de contrôle et de flexibilité pour ceux qui sont assez courageux pour l'auto-héberger ou l'intégrer profondément, évitant ainsi le verrouillage propriétaire habituel. Et à 1,18 $ par tâche, c'est une fraction du coût des grands acteurs propriétaires, rendant l'IA avancée plus accessible sans se ruiner. Bien sûr, il a ses défauts – une communication inefficace et des résultats désordonnés ressemblent aux maux de tête classiques des débuts de l'IA – mais l'utilité fondamentale pour les tâches spécialisées et l'automatisation est difficile à ignorer.

Ce qu'il faut faire cette semaine

1. Jetez un œil à la plateforme Tinker de Thinking Machines pour voir si les capacités actuelles d'Inkling 2 Small, en particulier ses fonctionnalités multimodales et agentiques, correspondent à des tâches internes spécifiques et répétitives que vous effectuez actuellement manuellement.
2. Identifiez un ou deux flux de travail en plusieurs étapes dans votre entreprise qui impliquent à la fois du texte et des images (par exemple, le traitement de formulaires de commentaires clients avec des diagrammes intégrés, l'analyse de photos de produits avec des descriptions) qui pourraient bénéficier d'une IA agentique.
3. Gardez un œil sur la publication prévue de la licence Apache 2.0 ; cela pourrait ouvrir des options de déploiement plus rentables et personnalisables pour votre équipe, surtout si vous avez des données sensibles ou des besoins d'application de niche.

Sources

• Thinking Machines' Inkling 2 Small claims top spot among western open-weight models — The Decoder