Thinking Machines lance Inkling, un modèle d’IA ouvert conçu pour être personnalisé

Thinking Machines Lab, la jeune entreprise fondée par l’ancienne directrice technique d’OpenAI Mira Murati, lance Inkling, son premier modèle d’intelligence artificielle généraliste. Contrairement aux modèles fermés proposés par OpenAI, Anthropic ou Google, Inkling est distribué avec ses paramètres complets, ce qui permet aux entreprises et aux développeurs de le télécharger, de l’exécuter et de le modifier selon leurs besoins. Le modèle est notamment offert sur la plateforme Tinker et auprès de plusieurs fournisseurs spécialisés.

Inkling repose sur une architecture dite de mélange d’experts. Le système compte 975 milliards de paramètres au total, mais n’en active qu’environ 41 milliards pour chaque tâche. Cette approche vise à réduire les coûts et le temps de traitement. Le modèle a été préentraîné sur 45 000 milliards de jetons provenant de textes, d’images, de fichiers audio et de vidéos. Il peut aussi traiter jusqu’à un million de jetons de contexte, selon les informations techniques publiées par Thinking Machines.

L’entreprise ne prétend pas qu’Inkling est le modèle le plus performant du marché. Elle le présente plutôt comme un système polyvalent pouvant servir de point de départ à des modèles spécialisés. Inkling peut analyser du texte, des images et du contenu sonore, utiliser des outils, produire du code et adapter la quantité de calcul consacrée à une réponse. Les utilisateurs peuvent ainsi privilégier la rapidité ou augmenter l’effort de raisonnement lorsque la tâche est plus complexe.

Thinking Machines affirme qu’Inkling peut atteindre, dans certains tests de programmation, une performance comparable à celle de Nemotron 3 Ultra de Nvidia en générant environ trois fois moins de jetons. Ces résultats proviennent toutefois des propres évaluations de l’entreprise et n’ont pas encore été validés de manière indépendante. Les comparaisons publiées montrent également que les modèles fermés d’OpenAI, d’Anthropic et de Google conservent généralement une avance dans plusieurs catégories.

Le lancement illustre la stratégie commerciale de Thinking Machines. Plutôt que de miser principalement sur un robot conversationnel universel, l’entreprise souhaite fournir aux organisations une base qu’elles pourront adapter à leurs données, leurs méthodes de travail et leur expertise. Inkling peut être personnalisé à l’aide de Tinker, la plateforme d’entraînement et de réglage fin lancée précédemment par la société.

Cette approche répond à une préoccupation grandissante dans les entreprises. Satya Nadella, le PDG de Microsoft, a récemment averti que les organisations utilisant des modèles propriétaires risquent de payer deux fois, une première fois pour accéder au service et une seconde fois en transmettant une partie de leur savoir-faire par leurs requêtes, leurs corrections et leurs processus internes. Il encourage les entreprises à conserver davantage de contrôle sur leurs données et leurs mécanismes d’apprentissage.

Inkling n’a toutefois pas été développé entièrement sans l’aide d’autres modèles. Thinking Machines indique avoir entraîné le modèle de base à partir de zéro, mais reconnaît avoir utilisé des données synthétiques générées par des modèles ouverts, notamment Kimi K2.5, pendant les premières étapes du post-entraînement. La majorité du travail subséquent aurait été réalisée à l’aide d’apprentissage par renforcement à grande échelle.

Les paramètres complets d’Inkling sont accessibles sur Hugging Face. Le modèle est également proposé par l’intermédiaire de services comme Together, Fireworks, Modal, Databricks et Baseten. Une version plus légère, Inkling-Small, utilise 12 milliards de paramètres actifs, mais ses paramètres complets ne seront publiés qu’après la fin des tests.

Avec Inkling, Thinking Machines tente donc de se distinguer dans un marché dominé par des services centralisés et payants. Son pari repose sur l’idée qu’un modèle moins puissant en apparence peut devenir plus utile lorsqu’une organisation peut l’adapter précisément à ses connaissances, à ses données et à ses contraintes.

Source : Thinking Machines

+++++++