Inkling 2 Small : le modèle open-weight vise les agents IA
Inkling 2 Small arrive sur Tinker avec 594 milliards de paramètres, une fenêtre d’1 million de tokens et des poids Apache 2.0 annoncés.
Thinking Machines Lab a annoncé Inkling 2 Small le 5 novembre 2026. Ce modèle Mixture-of-Experts vise les usages exigeants, notamment le codage agentique, la vision, le travail de connaissance et le raisonnement.
Le point important pour les équipes IA : il se présente comme un modèle open-weight, mais ses poids ne sont pas encore publiés au lancement. Ils sont annoncés sous licence Apache 2.0 après la fin des tests de sécurité externes et du red-teaming.
Ce qui change concrètement
Inkling 2 Small est un modèle MoE de 594 milliards de paramètres au total, dont 17 milliards actifs à chaque token. Sa fiche modèle précise qu’il accepte du texte et des images en entrée, puis génère du texte. Le contexte maximal annoncé atteint 1 million de tokens.
Sur le plan technique, Thinking Machines décrit une architecture transformer decoder-only à 48 couches. Le backbone MoE repose sur des couches feed-forward sparse : chaque token est routé vers 8 experts parmi 384. Pour une entreprise, l’intérêt est clair : chercher un niveau de capacité élevé sans activer tout le modèle à chaque étape.
Côté performance, Thinking Machines annonce un score de 31 sur l’Artificial Analysis Intelligence Index. L’entreprise associe ce score à des progrès en agentic coding, vision, knowledge work et reasoning. Selon The Decoder, Thinking Machines présente Inkling 2 Small comme le plus fort modèle open-weight occidental, avec un score nettement supérieur à son prédécesseur.
Les gains les plus utiles pour un usage professionnel concernent les tâches agentiques. The Decoder rapporte des hausses importantes sur des benchmarks de workflows multi-étapes, dont AutomationBench-AA et FrontierCode 2.0. Le modèle semble donc positionné pour exécuter des chaînes d’actions longues, pas seulement répondre à une question isolée.
Il faut aussi regarder le coût en tokens. D’après The Decoder, Inkling 2 Small produit en moyenne environ 150 000 tokens de sortie par tâche, soit environ quatre fois plus que son prédécesseur. Le coût moyen par tâche rapporté est aussi plus élevé. Pour une équipe qui automatise du code, de la revue documentaire ou des analyses longues, la facture dépendra donc autant du prix unitaire que du volume de sortie généré.
Comment l'essayer
Au lancement, Inkling 2 Small est disponible via Tinker avec des poids fermés. La documentation Tinker indique que le nom de modèle à utiliser est thinkingmachines/Inkling-2-Small. Les développeurs peuvent y accéder pour l’inférence et le fine-tuning via API.
Thinking Machines indique que les poids complets seront publiés sous licence Apache 2.0 la semaine suivant l’annonce, après finalisation des tests de sécurité externes et du red-teaming. Les checkpoints pourront alors être téléchargés. Tant que cette publication n’a pas eu lieu, l’usage open-weight reste donc une promesse datée, pas une disponibilité effective.
La page Tinker Pricing liste Inkling-Small, pour un contexte 64K, à 0,58 dollar par million de tokens en prefill, 0,116 dollar en cached prefill, 1,44 dollar en sample et 1,73 dollar en train. La documentation précise que les prix sont exprimés en dollars américains par million de tokens. Le stockage des checkpoints est facturé 0,10 dollar par GB et par mois.
Pour l’accès, Thinking Machines indique que Tinker a supprimé sa liste d’attente et que tout le monde peut désormais l’utiliser. Aucune disponibilité spécifique à la France n’est annoncée. Les conditions d’utilisation prévoient un droit d’accès mondial, sous réserve des lois applicables et des restrictions de sanctions ou d’export control. Elles indiquent aussi que certains services peuvent être modifiés ou limités selon la localisation. La politique de confidentialité précise que les données utilisées hors des États-Unis peuvent être transférées, stockées et traitées aux États-Unis ou dans d’autres pays.
Pour qui, et pour quoi faire
Inkling 2 Small intéressera surtout les équipes qui construisent des agents IA spécialisés. Exemple concret : un service informatique peut l’utiliser comme base pour un agent de maintenance logicielle. L’agent lit une issue, explore un dépôt, propose une correction, lance des tests, corrige les erreurs et rédige une synthèse pour la pull request.
Le long contexte aide dans ce scénario, car l’agent peut garder davantage d’informations sur le code, les tickets, la documentation et les logs. La capacité multimodale peut aussi servir dans des workflows avec captures d’écran, schémas ou documents visuels. Pour structurer ce type de projet, un guide comme faire travailler un agent IA dans son entreprise peut aider à cadrer les rôles, les outils et les garde-fous.
Le modèle peut également convenir aux équipes qui veulent fine-tuner une base ouverte sur des tâches internes. C’est cohérent avec le positionnement des modèles Inkling comme bases personnalisables. L’intérêt augmente si les poids Apache 2.0 sont bien publiés, car cela ouvre davantage de scénarios d’hébergement, d’audit et d’adaptation.
Limites et points de vigilance
Le premier point de vigilance concerne le statut open-weight. Au lancement, Inkling 2 Small passe par Tinker avec des poids fermés. Les poids Apache 2.0 sont annoncés, mais leur publication dépend de la fin des contrôles de sécurité.
Deuxième point : le coût réel d’un agent ne se limite pas au prix par million de tokens. Si le modèle génère beaucoup de sortie pour résoudre une tâche, le coût total peut monter vite. Il faut donc mesurer les tokens d’entrée, les tokens de sortie, les relances d’outils, les erreurs et les retries.
Thinking Machines signale aussi plusieurs limites. Le modèle peut communiquer de façon inefficace, ne pas toujours choisir les meilleurs outils pour de grands codebases, ne pas prendre en charge l’audio, et être moins optimisé pour le chat. The Decoder rapporte également qu’il peut produire des sorties encombrées et réagir fortement à certains sujets de santé.
Enfin, les sujets de données doivent être traités avant tout déploiement professionnel. Si tu utilises Tinker depuis la France ou l’Union européenne, il faut examiner les transferts de données, les clauses contractuelles, la confidentialité des prompts et la conservation des checkpoints.
L'avis NXUS
Inkling 2 Small est surtout intéressant comme base d’agents spécialisés, pas comme simple chatbot généraliste. Son long contexte, son entrée image et son orientation fine-tuning en font un candidat sérieux pour le codage, l’analyse documentaire et les workflows outillés.
Le bon réflexe est de le tester sur un cas réel avec une mesure stricte : réussite de la tâche, tokens consommés, temps, erreurs, qualité des sorties. Ne compare pas seulement le prix au million de tokens.
Si les poids Apache 2.0 sont publiés comme annoncé, l’intérêt augmentera pour les organisations qui veulent auditer, adapter ou héberger leurs modèles. En attendant, Tinker permet déjà d’évaluer le modèle, avec les précautions habituelles sur les données et la localisation du service.
Sources
Source : thinkingmachines.ai
Rudy Molinillo
