TL;DR

  • Thinking Machines a lancé le 5 novembre 2026 Inkling 2 Small, un modèle de 594 milliards de paramètres, mais ses poids n'étaient pas publiés au 9 novembre selon les sources consultées.
  • La licence effective reste celle de la plateforme Tinker ; Apache 2.0 est promise pour « la semaine suivante », après des tests de sécurité externes.
  • Avec 30,6 points à l'indice Artificial Analysis selon sa fiche, le modèle passe devant Mistral Large 4 (26,1) mais reste derrière DeepSeek V4.1 Flash (32,6) et GLM 5.3 (31,7).
  • La fiche modèle décrit ses données en termes génériques, sans nommer les modèles qui ont produit ses données synthétiques : l'étiquette « occidentale » ne dit rien de sa lignée.
  • Quand les écarts de score se réduisent, le choix d'un modèle ouvert se joue sur la licence livrée, la lignée des données et la sécurité des agents.

Quand les modèles ouverts se tiennent à quelques points, le choix se joue sur la licence effective, la lignée des données et l'auditabilité.

Le 5 novembre 2026, Thinking Machines a présenté Inkling 2 Small. C'est un modèle de type Mixture-of-Experts : le réseau est découpé en « experts » spécialisés, et chaque token n'en sollicite qu'une partie. Le modèle compte 594 milliards de paramètres au total, dont 17 milliards actifs par token. Selon sa fiche, chaque token est routé vers 8 experts parmi 384. Le contexte va jusqu'à un million de tokens, et le modèle accepte le texte et l'image en entrée. Il est facturé sur la plateforme Tinker 0,30 dollar par million de tokens en entrée et 1 dollar en sortie. Dans un test publié le 6 novembre, l'éditeur de logiciels Bito le classe déjà parmi les modèles américains « open weights », à poids ouverts. Ce n'est pas encore le cas.

Une licence annoncée, une autre en vigueur

La fiche modèle indique comme licence les « Tinker Terms of Use ». Concrètement, on accède au modèle par une interface hébergée par l'éditeur, aux conditions de l'éditeur. Le billet de lancement précise que le modèle sort d'abord avec des poids fermés. Il promet une publication sous Apache 2.0 « la semaine prochaine », après des tests de sécurité externes et du red-teaming, c'est-à-dire des attaques simulées. Bito précise d'ailleurs que les poids ne sont pas publiés et que le modèle ne tourne que sur Tinker. Au 9 novembre, aucune source consultée ne confirme la mise en ligne des checkpoints.

La différence est concrète. Apache 2.0 autorise l'usage commercial, la modification et la redistribution sans redevance. Les conditions d'une plateforme peuvent être modifiées, et l'accès peut être suspendu. Tant que le fichier de licence n'accompagne pas des poids téléchargeables, un responsable juridique doit raisonner sur la licence Tinker.

L'effet de second ordre tient au vocabulaire. Selon la reprise qu'en fait Bito, Artificial Analysis désigne Inkling 2 Small comme le modèle ouvert le mieux noté hors de Chine, mais seulement une fois les poids publiés : l'évaluateur maintient la réserve. Bito, lui, étiquette le modèle « U.S. open weights » dans son tableau, tout en signalant que les poids ne sont pas publiés. L'étiquette décrit une intention annoncée, pas un état constaté. Pour la communication d'un laboratoire, la promesse produit ainsi une partie de son effet avant toute livraison.

Devant Mistral, derrière deux modèles chinois, à un ou deux points

Dans la fiche modèle, l'indice Artificial Analysis v5.0 place DeepSeek-V4.1-Flash-1017 à 32,6, GLM 5.3 à 31,7 et Inkling 2 Small à 30,6, que le billet de lancement arrondit à 31. Suivent MiMo V2.6 Pro à 29,9, MiniMax-M3.1-Flash à 29,1 et Mistral Large 4 à 26,1. Kimi K3 n'a pas de score sur cette ligne. Deux points séparent les trois premiers. Un écart aussi mince ne peut pas fonder seul une décision d'architecture.

Sur le code, le tableau publié par Thinking Machines lui-même montre DeepSeek V4.1 Flash devant sur quatre tests. On lit par exemple 72,1 % contre 77,0 % sur DeepSWE, et 5,7 % contre 12,9 % sur Terminal Bench Science. Inkling ne reprend l'avantage que sur PostTrainBench, à 31,9 % contre 30,5 %. Un test tiers de Bito, publié le 6 novembre, donne 76 % contre 80 %. Il chiffre surtout le coût par session à 0,84 dollar pour Inkling, contre 0,14 dollar pour DeepSeek. Au seul critère performance-prix, le modèle américain ne gagne pas. Son argument est ailleurs.

La souveraineté ne se lit pas sur le siège social

Cet argument, c'est la provenance. Or la fiche modèle la décrit en termes génériques : des données publiques, acquises auprès de tiers, produites en interne ou générées synthétiquement. Elle ne dit pas quels modèles ont servi à produire ces données synthétiques. Une partie du comportement d'un modèle peut pourtant hériter des modèles qui ont fabriqué ses exemples. L'étiquette « occidental » désigne l'éditeur et sa juridiction. Elle ne garantit pas l'indépendance de la chaîne de fabrication.

Pour un acheteur européen, la souveraineté se décompose en trois questions. Où le modèle tourne-t-il ? Qui peut en révoquer l'accès ? Que contient-il ? Mistral Large 4, classé parmi les modèles à poids ouverts dans la fiche de Thinking Machines, répond aux deux premières avec un éditeur européen, mais pour 4,5 points d'indice de moins. Les modèles chinois sont téléchargeables et mieux notés, mais leur provenance pose question à certains secteurs. Inkling 2 Small promet de répondre plus tard à la deuxième question et laisse la troisième ouverte.

Le précédent d'Android éclaire ce schéma. Le code était ouvert, mais la valeur passait par les services de Google. Ici, la personnalisation que met en avant Thinking Machines passe par Tinker, une plateforme hébergée. Même sous Apache 2.0, l'entreprise qui voudra profiter de l'outillage de l'éditeur restera dans son écosystème.

Auditabilité et risque cyber : ce que l'ouverture déplace

Le billet indique que le modèle a été entraîné par renforcement sur des centaines de milliers de tâches de code de longue durée, et sur des tâches d'« autoresearch » comme l'optimisation de noyaux GPU. Ces capacités servent les équipes de développement. Elles signifient aussi qu'un agent peut travailler seul des heures dans un terminal, ce qui relève le niveau d'exigence sur le cloisonnement de ses environnements.

La publication des poids est conditionnée à des tests de sécurité externes, dont les résultats ne figurent pas dans les sources consultées. Une fois les poids publiés, les garde-fous pourront être affaiblis par un simple réentraînement, que l'éditeur met lui-même en avant comme un atout. C'est la logique de l'ouverture conditionnelle : le laboratoire garde la main tant qu'il le peut. Mais l'ouverture dépend alors de sa seule appréciation, et l'audit externe du modèle ne commence qu'après.

L'auto-hébergement demande enfin des moyens. Selon notre estimation, 594 milliards de paramètres occupent environ 300 Go en précision 4 bits et 600 Go en 8 bits, avant le cache de contexte. Les 17 milliards actifs réduisent le calcul, pas la mémoire. Il faut donc un serveur multi-GPU de centre de données, pas un poste de travail.

Ce que cela change pour une entreprise

La grille de choix se déplace. Il faut vérifier quatre points. Le fichier de licence est-il publié avec les poids ? La lignée des données est-elle documentée, y compris les modèles générateurs de données synthétiques ? Le modèle peut-il tourner chez soi ? Les agents s'exécutent-ils dans des environnements réseau réellement cloisonnés, avec une surveillance des appels d'outils en temps réel ? Un point reste incertain : le calcul total d'entraînement n'est pas publié, ce qui empêche de situer le modèle dans les catégories du règlement européen sur l'IA.

À quelques points d'écart, la compétition entre modèles ouverts ne se gagne plus au benchmark. Elle se gagne sur la gouvernance. L'avantage de Mistral tient moins à son score qu'à des poids déjà disponibles. Reste à savoir si Thinking Machines publiera les siens dans le délai annoncé, et s'il documentera la provenance de ses données synthétiques.

Sources