Inkling : 975 milliards de paramètres, 9 mois de développement, et un refus assumé d'être le meilleur modèle IA

9 mois : le temps qu'il a fallu à Thinking Machines pour défier OpenAI et Anthropic

Le chiffre force le respect. Là où OpenAI a mis cinq ans pour atteindre le marché et Anthropic trois ans, Thinking Machines Lab a conçu, entraîné et livré Inkling en neuf mois seulement. Un calendrier qui témoigne d'une exécution agressive de la part de la startup fondée en février 2025 par Mira Murati (ex-CTO d'OpenAI), John Schulman (cofondateur d'OpenAI) et Lilian Weng (ex-VP sécurité d'OpenAI).

Comme le rapporte TechCrunch le 15 juillet 2026, Inkling utilise une architecture Mixture-of-Experts (MoE) : sur ses 975 milliards de paramètres totaux, seuls 41 milliards sont actifs par tâche, ce qui réduit considérablement le coût d'inférence. Le modèle a été entraîné sur 45 trillions de tokens de texte, d'images, d'audio et de vidéo, avec une fenêtre de contexte pouvant atteindre un million de tokens.

« Nous ne sommes pas le modèle le plus fort » : l'aveu qui change tout

Dans une industrie où chaque lancement s'accompagne de benchmarks triomphants, Thinking Machines a choisi une approche radicalement différente. Le laboratoire reconnaît explicitement, comme le souligne The Next Web le 15 juillet 2026, qu'Inkling n'est « pas le modèle le plus fort disponible aujourd'hui, qu'il soit fermé ou ouvert ». Un aveu désarmant d'honnêteté dans un secteur saturé de promesses.

Mais cette humilité apparente cache une stratégie parfaitement calculée. Inkling n'est pas conçu pour être le meilleur modèle universel : il est conçu pour être le point de départ idéal d'une customisation. La plateforme Tinker, développée par Thinking Machines, permet aux entreprises de fine-tuner le modèle sur leurs propres données et de posséder intégralement le modèle résultant.

Comme le note Wired le 15 juillet 2026, cette philosophie est résumée dans le manifeste du laboratoire : « We believe in keeping the weirdness alive » (nous croyons qu'il faut préserver ce qui est étrange). L'objectif affiché est un avenir décentralisé de l'IA, où « la technologie ne devrait pas être contrôlée par quelques entreprises et devrait être décentralisée pour que davantage de personnes puissent construire leurs propres modèles avec leurs propres données ».

Bridgewater : la preuve par l'exemple que la customisation bat les modèles propriétaires

Le cas d'usage le plus frappant vient du hedge fund Bridgewater Associates. Ses chercheurs ont pris un modèle open source existant, l'ont entraîné sur l'expertise financière interne de Bridgewater, et ont obtenu un score de 84,7 % sur les tests de raisonnement financier, surpassant les meilleurs modèles propriétaires, pour un coût quatorze fois inférieur à celui des solutions fermées.

Ce résultat, bien qu'issu d'une évaluation interne et non indépendante, illustre la thèse centrale de Thinking Machines : un modèle spécialisé, nourri aux données d'une organisation spécifique, peut surpasser un modèle généraliste, aussi puissant soit-il, sur son domaine d'expertise. Et ce, pour une fraction du prix.

Clem Delangue, CEO de Hugging Face, prédisait récemment que les modèles frontaliers seraient de plus en plus réservés à l'expérimentation et aux tâches à haute valeur ajoutée, tandis que la majorité de l'IA en production migrerait vers des alternatives privées ou open source. Inkling semble être la réponse directe à cette prédiction.

Un comportement émergent qui intrigue les chercheurs

Un phénomène inattendu est apparu pendant l'entraînement d'Inkling. Comme le rapporte Wired, la chaîne de raisonnement du modèle est devenue plus concise au fil du temps, éliminant les redondances grammaticales tout en restant parfaitement compréhensible, sans que cela n'affecte la qualité de la réponse finale. Un exemple concret d'IA utilisée pour améliorer l'IA : Inkling a été utilisé pour fine-tuner et améliorer... Inkling.

Autre particularité technique : sur un benchmark de code, Inkling a égalé les performances du Nvidia Nemotron 3 Ultra tout en consommant trois fois moins de tokens. Cette efficacité se traduit directement en économies pour les utilisateurs finaux. Les utilisateurs peuvent également ajuster le « thinking effort » du modèle, un curseur qui permet de privilégier la vitesse ou la précision selon le cas d'usage.

Nvidia mise gros sur Thinking Machines

Derrière cette réussite technique se cache un partenariat stratégique majeur. En mars 2026, Thinking Machines et Nvidia ont conclu un accord portant sur un gigawatt de capacité de calcul Vera Rubin. Inkling a été intégralement entraîné sur des systèmes Nvidia GB300 NVL72, et Nvidia a réalisé un « investissement significatif » dans la startup.

Côté financement, Thinking Machines a levé 2 milliards de dollars pour une valorisation de 12 milliards lors de ce qui reste le plus gros tour de seed de l'histoire. Une levée supplémentaire de 50 milliards évoquée en novembre 2025 semble cependant en suspens. L'entreprise compte aujourd'hui environ 200 employés, après le départ de deux cofondateurs plus tôt cette année.

Le modèle économique est clair : Inkling est gratuit (les poids sont publics, n'importe quelle entreprise peut le télécharger et l'exécuter sans payer Thinking Machines). Les revenus proviendront de la plateforme Tinker, qui facture les outils de customisation, d'évaluation et de déploiement.

Analyse : le contre-pied stratégique de Mira Murati

Le lancement d'Inkling intervient dans un contexte de concentration intense du marché de l'IA. Anthropic, l'autre grand laboratoire fondé par des ex-OpenAI, a récemment déposé une demande d'IPO qui pourrait valoriser l'entreprise à plus de 1 000 milliards de dollars. OpenAI, malgré une marge opérationnelle de -122 % au premier trimestre 2026, prépare également son entrée en Bourse.

Face à ces titans, Thinking Machines ne joue pas la même partition. Sa stratégie repose sur trois paris : d'abord, que la spécialisation l'emportera sur la généralité pour les usages professionnels. Ensuite, que les entreprises préféreront posséder leur modèle plutôt que de dépendre d'une API tierce. Enfin, que l'open source créera un écosystème de contributions et d'audits de sécurité qu'aucun laboratoire fermé ne peut égaler.

La rapidité d'exécution est également un signal fort. Neuf mois pour passer de la création du laboratoire à un modèle de 975 milliards de paramètres, c'est un rythme qui force le respect, même dans une industrie habituée aux accélérations. Et le laboratoire annonce déjà que son prochain modèle sera entraîné entièrement from scratch, sans distillation depuis d'autres modèles open source comme Kimi K2.5 de Moonshot AI, utilisé pour les premières phases de post-entraînement d'Inkling.

À retenir

• Inkling, 975 milliards de paramètres : Thinking Machines Lab (Mira Murati) lance un modèle MoE open source avec 41 milliards de paramètres actifs par tâche et un contexte d'un million de tokens.
• 9 mois pour défier OpenAI : là où OpenAI a mis 5 ans et Anthropic 3 ans, Thinking Machines a développé Inkling en 9 mois, avec une levée record de 2 milliards de dollars.
• Pas le plus fort, volontairement : le laboratoire assume qu'Inkling n'est pas le meilleur modèle, pariant sur la customisation via Tinker plutôt que sur la performance brute.
• Bridgewater, la preuve : un modèle open source customisé a atteint 84,7 % en raisonnement financier pour 1/14ᵉ du coût des modèles propriétaires.
• Nvidia, partenaire stratégique : 1 GW de calcul Vera Rubin réservé, entraînement sur GB300 NVL72, et un investissement significatif du géant des puces.

Sources

• TechCrunch · Thinking Machines amps up its bet against one-size-fits-all AI with its first open model, Inkling, 15 juillet 2026
• Wired · Thinking Machines Lab Drops Its First Model, 15 juillet 2026
• The Next Web · Thinking Machines debuts Inkling, a giant open model it admits is not the best, 15 juillet 2026