Mira Murati a quitté OpenAI en septembre 2024 pour créer sa propre entreprise. Près de deux ans plus tard, cette exploration a abouti. Thinking Machines Lab, la société qu'elle a fondée, a lancé Inkling — un modèle d'IA multimodal entièrement entraîné à partir de zéro, avec tous les poids disponibles en téléchargement gratuit.
Lorsque le conseil d'administration d'OpenAI a limogé Sam Altman en novembre 2023, Murati — alors CTO — a été nommée PDG par intérim. Altman a été réintégré cinq jours plus tard, Murati est redevenue CTO, puis est partie définitivement environ 10 mois après cela. Elle a fondé Thinking Machines Lab en février 2025.
La société est ensuite restée discrète — et est devenue riche. Elle a levé 2 milliards de dollars pour une valorisation de 12 milliards de dollars en juillet 2025, menée par Andreessen Horowitz avec Nvidia, Accel, ServiceNow, Cisco, AMD et Jane Street, ce qui en faisait l'une des plus grandes levées de fonds d'amorçage de l'histoire de la Silicon Valley à l'époque.
Des rapports en novembre 2025 indiquaient que la société cherchait une nouvelle levée de fonds à une valorisation de 50 milliards de dollars. Ces discussions ont échoué en janvier 2026.
Qu'est-ce qu'Inkling
Inkling est un modèle de mélange d'experts — une architecture où seule une partie du réseau s'active pour chaque entrée donnée, ce qui permet une inférence rapide sans sacrifier la profondeur. C'est un très grand modèle : Il compte 975 milliards de paramètres au total (les réglages internes qui définissent la manière dont le modèle traite l'information), avec 41 milliards actifs par tâche, alors oubliez de l'exécuter sur votre machine locale.
Étant multimodal, ce modèle accepte le texte, les images et l'audio, et prend en charge une fenêtre contextuelle — la quantité de texte sur laquelle le modèle peut raisonner en une seule fois — de 1 million de tokens, soit environ 750 000 mots. Il a été pré-entraîné sur 45 billions de tokens englobant du texte, des images, de l'audio et de la vidéo.
"Notre premier modèle, Inkling. Entraîné à partir de zéro, les poids sont ouverts, affinables sur Tinker dès aujourd'hui," a écrit Murati sur X. Le fait qu'il soit entraîné à partir de zéro signifie beaucoup, surtout dans la communauté open-source, car il pourrait apporter une bouffée d'air frais aux développeurs occidentaux qui se méfient de la Chine mais doivent utiliser des modèles asiatiques pour leurs développements, car les principales entreprises d'IA du monde occidental se concentrent principalement sur la commercialisation de modèles propriétaires.
Le fine-tuning est le processus de réentraînement d'un modèle existant sur un ensemble de données spécialisé pour améliorer ses performances sur une tâche spécifique. Tinker est la plateforme cloud de Thinking Machines construite autour de ce cas d'utilisation. Les poids complets sont également disponibles sur Hugging Face sous une licence Apache 2.0, sans restrictions.
Les victoires les plus nettes d'Inkling se situent dans les tâches agentiques. Sur MCP Atlas — qui mesure la fiabilité avec laquelle un agent IA accomplit des tâches du monde réel à l'aide du Model Context Protocol, la norme ouverte pour connecter les assistants IA à des outils et services externes, noté en pourcentage de tâches accomplies — Inkling affiche 74,1 %. C'est près de 30 points de plus que Nemotron 3 Ultra de Nvidia, le principal rival open-weights occidental dans la comparaison.
Sur SWE-Bench Verified — un test mesurant si un agent IA peut corriger de manière autonome de vrais bugs logiciels GitHub, noté en pourcentage de problèmes résolus — Inkling obtient 77,6 %, également au-dessus des 70,7 % de Nemotron.
Globalement, Thinking Machines commercialise ce modèle comme étant "polyvalent" et généraliste. Cela signifie qu'il ne compromet pas la qualité dans un ensemble de tâches spécifique parce que ses capacités se concentrent sur autre chose (comme les modèles qui sont excellents en codage mais médiocres en écriture créative, par exemple).
Les modèles chinois conservent l'avantage sur plusieurs fronts. GLM 5.2 de Z.ai obtient un score de 82,7 % sur Terminal Bench 2.1 — un benchmark mesurant les agents de codage IA autonomes dans un environnement de terminal réel, noté en pourcentage de tâches accomplies — contre 63,8 % pour Inkling. Kimi K2.6 est en tête sur Humanity's Last Exam, un test de raisonnement scientifique de niveau doctorat.
Thinking Machines en est consciente. Inkling n'est pas le modèle le plus puissant disponible aujourd'hui, qu'il soit ouvert ou fermé.
Ce qu'il est, c'est le modèle open-weights le plus capable construit par un laboratoire occidental. Les développeurs qui — pour des raisons légales, de sécurité ou de conformité — ne veulent pas acheminer leurs charges de travail via des modèles construits à Pékin ont désormais une réelle alternative à l'auto-hébergement de modèles chinois.
Désormais, ces développeurs disposent d'un modèle qui (même s'il est moins performant que les meilleurs modèles chinois dans presque tous les domaines) s'aligne mieux sur leurs idéaux, leurs attentes et leurs valeurs. Des fine-tunings ultérieurs pourront permettre à ce modèle d'exceller dans des tâches spécifiques, rendant ces fine-tunings compétitifs face aux modèles asiatiques dans les benchmarks.
Sur FORTRESS Adversarial — qui teste la cohérence avec laquelle un modèle refuse des invites véritablement nuisibles sans bloquer excessivement les invites légitimes, noté en pourcentage de réponses correctement gérées — Inkling obtient 78,0 %, la meilleure note parmi tous les modèles open-weights de la comparaison.
Parallèlement à Inkling, Thinking Machines a présenté Inkling-Small : 276 milliards de paramètres au total, 12 milliards actifs, égalant déjà le modèle plus grand sur la plupart des benchmarks de raisonnement. Ses poids seront disponibles une fois les tests terminés, sans calendrier précisé.
