Analyse d’Inkling Small : 40 contre Inkling 41 à 276B

Le nombre de paramètres était autrefois le miroir de salle de sport préféré de l’industrie de l’IA. Plus c’était gros, mieux c’était, même quand le modèle ne faisait surtout que gonfler les muscles sous l’éclairage d’un entrepôt. Puis Inkling Small de Thinking Machines Lab est arrivé avec 276 Md de paramètres au total, 12 Md actifs en MoE, et un score de 40 à l’Artificial Analysis Intelligence Index, à un point derrière les 41 d’Inkling, alors qu’Inkling pèse 975 Md de paramètres au total et 41 Md actifs. Quelque part, un tableur intitulé avantage concurrentiel transpire discrètement. Version courte : Thinking Machines Lab a publié un modèle de raisonnement à poids ouverts, plus petit, qui se rapproche de manière gênante de son grand frère phare sur un benchmark tiers. Version utile : c’est un rappel de plus que le nombre de paramètres devient un très mauvais indicateur pour savoir si un modèle est déployable, utile, ou s’il mérite que vous nourrissiez votre budget GPU comme un raton laveur très coûteux.

Artificial Analysis dit que plus petit ne voulait pas dire

plus faible Artificial Analysis a rapporté le 30 juillet 2026 qu’Inkling Small obtient 40 à son Intelligence Index, à un point d’Inkling, lancé deux semaines plus tôt avec 41. Le même rapport d’Artificial Analysis indique qu’Inkling Small est un modèle de raisonnement à poids ouverts avec entrée texte, image et parole, ainsi qu’une fenêtre de contexte de 256K tokens. Il donne aussi la comparaison essentielle : Inkling Small possède 276 Md de paramètres au total et 12 Md actifs en MoE, tandis qu’Inkling en possède 975 Md au total et 41 Md actifs. Ce n’est pas une erreur d’arrondi, c’est un régime avec des reçus de benchmark. Artificial Analysis a également indiqué qu’Inkling Small égale ou dépasse Inkling sur plusieurs évaluations de codage et de raisonnement de pointe. Il obtient un meilleur score à Humanity's Last Exam avec 32 % contre 30 %, à GPQA Diamond avec 89 % contre 87 %, à CritPt avec 8 % contre 5 %, et à SciCode avec 49 % contre 46 %. Les benchmarks ne sont pas l’expérience produit, et quiconque vous dit le contraire juge probablement aussi la soupe à sa viscosité. Mais quand le modèle plus petit gagne plusieurs sous-tests, l’histoire cesse d’être mignonne et commence à devenir architecturale.

Thinking Machines rend l’argument du déploiement plus fort

Thinking Machines a annoncé Inkling Small sur son propre site le 30 juillet 2026, en le présentant avec des sections sur le raisonnement et les tâches agentiques, la multimodalité, l’épistémique, la sécurité et le benchmarking. L’entreprise renvoie aussi les lecteurs vers Tinker, une fiche de modèle et Hugging Face depuis la page d’annonce. Ce mode de distribution compte, car les modèles à poids ouverts ne vivent pas seulement grâce aux graphiques de benchmarks : ils réussissent ou échouent aussi selon que les développeurs peuvent vraiment les examiner, les adapter et les exécuter sans envoyer une demande d’achat dans le néant. VentureBeat rapporte qu’Inkling Small est arrivé seulement deux semaines après que Thinking Machines a publié Inkling, son premier modèle de langage IA open source. VentureBeat indique aussi qu’Inkling Small utilise une licence permissive Apache 2.0 et arrive à un seul point du modèle plus grand sur l’Artificial Analysis Intelligence Index. Pour les équipes d’entreprise, ce détail de licence n’est pas décoratif. C’est la différence entre essayer un modèle en labo et voir le service juridique lancer une chaise à travers la feuille de route.

VentureBeat le présente comme un concurrent à poids ouverts

VentureBeat avait auparavant décrit l’Inkling original comme destiné aux entreprises qui déplacent des charges de travail d’IA agentique vers des modèles à poids ouverts qu’elles peuvent personnaliser, contrôler et exécuter sur site ou dans des clouds privés virtuels. Ce contexte rend Inkling Small plus intéressant qu’une simple sortie de modèle frère. Si un modèle plus petit peut se placer près du fleuron dans le classement, la question pratique devient moins jusqu’où pouvons-nous grossir et davantage de combien de modèle avons-nous réellement besoin pour cette charge de travail. C’est là que l’infrastructure IA passe des feux d’artifice à la plomberie, ce qui est moins glamour mais beaucoup plus difficile à simuler. Le mélange d’experts est particulièrement pertinent ici, car le nombre de paramètres actifs est la partie qui travaille pour un token donné. MoE sonne comme un cabinet de conseil qui facture au soupir, mais l’idée est simple : chaque sous-réseau expert n’a pas besoin de se réveiller pour chaque entrée. Artificial Analysis rapporte 12 Md actifs en MoE pour Inkling Small contre 41 Md actifs pour Inkling. Cet écart explique exactement pourquoi les bâtisseurs examineront la latence, la mémoire, le batching et les contraintes d’hébergement avant de scruter le logo.

Artificial Analysis donne aux bâtisseurs les vrais devoirs

Artificial Analysis affirme qu’aucun modèle à poids ouverts de la taille d’Inkling Small ou plus petit n’obtient un score plus élevé à son Intelligence Index. Il note aussi que DeepSeek V4 Flash, avec 284 Md de paramètres au total et 13 Md actifs, obtient 40, que MiniMax-M3 atteint 44 avec 23 Md actifs, et que GLM-5.2 atteint 51 avec 40 Md actifs. Traduction : il reste encore de la marge au-dessus d’Inkling Small, mais la courbe taille-score devient bizarre de manière productive. L’ancien graphique où plus de paramètres égale meilleur modèle ressemble désormais moins à une loi de la nature qu’à un magnet de frigo. Pour les lecteurs qui construisent avec l’IA, la démarche est simple : évaluer les modèles selon leur adéquation à la tâche, la licence, la fenêtre de contexte, la prise en charge des modalités et les contraintes de service, pas seulement selon le nombre total de paramètres. Inkling Small devra encore être testé sur de vraies charges de travail, surtout pour les agents, les flux de codage, les entrées multimodales et la fiabilité sous un trafic d’entreprise ennuyeux, le benchmark le plus rude parce qu’il inclut des réunions. Mais cette sortie donne aux équipes travaillant avec des poids ouverts une raison concrète de revoir leurs hypothèses sur la quantité de modèle dont elles ont besoin. Le tableau des scores reste un tableau des scores, mais le mètre ruban vient d’être rétrogradé en décoration de bureau.