L'ex-directrice technique d'OpenAI lance un modèle d'IA ouvert à 975 milliards de paramètres

Deux milliards de dollars levés, un modèle géant construit en neuf mois, puis la partie la plus précieuse offerte gratuitement à quiconque veut la télécharger. C'est le geste que Sam Altman refuse de faire avec ses meilleurs modèles.

Le 15 juillet 2026, Thinking Machines Lab (la jeune pousse fondée début 2025 par Mira Murati, l'ancienne directrice technique d'OpenAI) a publié son tout premier modèle d'IA, baptisé Inkling. Sa particularité tient en un mot : il est ouvert.

Précisons tout de suite le périmètre. On parle ici d'un modèle dit « à poids ouverts » (open-weight), c'est-à-dire dont les paramètres internes sont librement téléchargeables et modifiables. Ce n'est pas le cas des modèles vedettes d'OpenAI, d'Anthropic ou de Google, verrouillés derrière un abonnement. Inkling, lui, se télécharge.

Dans cet article :

• Un mastodonte de 975 milliards de paramètres, offert à tous
• Pourquoi Altman ne fera jamais ça avec son meilleur modèle
• Le vrai adversaire d'Inkling n'est pas OpenAI, c'est la Chine
• Le détail gênant : une architecture qui doit beaucoup à Pékin
• La stratégie Posthumain

Un mastodonte de 975 milliards de paramètres, offert à tous

Commençons par la taille, parce qu'elle est vertigineuse. Inkling embarque 975 milliards de paramètres (les réglages internes qui encodent ce que le modèle « sait »), ce qui en fait le plus grand modèle ouvert jamais publié par un laboratoire américain [1].

Mais il ne mobilise pas tout cela d'un coup. Inkling utilise une architecture dite « mélange d'experts » (Mixture-of-Experts, une méthode qui n'active qu'une petite partie du modèle selon la tâche) : sur les 975 milliards, seuls 41 milliards travaillent à chaque réponse [4]. Résultat, il reste rapide et moins coûteux à faire tourner qu'un modèle classique de cette taille.

Le modèle a été entraîné sur environ 45 000 milliards de fragments de texte, d'images, de sons et de vidéos, et il accepte une « fenêtre de contexte » d'un million de tokens, soit l'équivalent de plusieurs livres avalés d'un seul tenant. Il comprend le texte, l'image et l'audio, même s'il ne répond pour l'instant qu'en texte [4].

Surtout, tout cela est publié sous licence Apache 2.0, l'une des plus permissives qui soit : on peut télécharger le modèle, le modifier, le déployer et même le vendre, sans payer de droits [2]. C'est la définition la plus généreuse du mot « ouvert » dans ce secteur.

Pourquoi Altman ne fera jamais ça avec son meilleur modèle

Voilà où le contraste devient politique. Les modèles les plus puissants d'OpenAI et d'Anthropic se louent à l'usage : on paie chaque requête, mais on ne voit jamais l'intérieur de la machine. Le geste de Murati prend l'exact contre-pied de ce modèle fermé [6].

L'argument n'est pas que moral, il est aussi économique. Dans un billet de blog publié quelques jours avant, le patron de Microsoft Satya Nadella avertissait que les entreprises qui s'appuient sur des modèles propriétaires paient deux fois : en abonnement, puis en cédant le savoir-faire glissé dans leurs requêtes, absorbé dans les futures versions du modèle [3].

La question évidente : comment gagner de l'argent en donnant son produit ? La réponse tient dans un autre outil maison. Thinking Machines ne vend pas le modèle, mais Tinker, sa plateforme payante pour l'entraîner et l'adapter à ses propres données. Le modèle est l'appât ; l'atelier de personnalisation est la caisse [3].

C'est un pari assumé. Une fois les poids publics, plus rien n'oblige celui qui les télécharge à payer Thinking Machines pour les faire tourner. L'entreprise mise donc sur les revenus de l'adaptation plutôt que sur la vente d'accès, un modèle radicalement différent de celui qui fait vivre OpenAI. Reste à savoir si cela suffira à justifier une valorisation de plusieurs milliards de dollars.

Et il faut le dire clairement : Thinking Machines ne prétend pas battre les meilleurs. Le laboratoire écrit noir sur blanc qu'Inkling n'est pas le modèle le plus performant disponible aujourd'hui, ouvert ou fermé [4]. Cet aveu, loin d'être une faiblesse, fait partie du positionnement.

Sur l'indice d'intelligence d'Artificial Analysis, une agence indépendante qui note les modèles, Inkling débute tout de même à 41 points, devant le Nemotron 3 Ultra de Nvidia (38) et loin devant le petit gpt-oss-120b d'OpenAI (24) [1]. En clair : le meilleur modèle ouvert américain porte désormais la signature d'une ancienne d'OpenAI, pas celle de son ancien employeur.

Le vrai adversaire d'Inkling n'est pas OpenAI, c'est la Chine

Pour comprendre pourquoi ce modèle sort maintenant, il faut regarder un chiffre qui affole la Silicon Valley. Sur OpenRouter, la place de marché qui aiguille des milliards de requêtes vers les différents modèles, la part des modèles américains dans le volume traité est tombée d'environ 70 % à 30 % en un an [7].

Le grand gagnant, ce sont les modèles ouverts chinois : DeepSeek, Kimi, Qwen, GLM. Ils sont bon marché, publiés en accès libre et ils avalent le gros du travail à faible enjeu. Face à eux, l'écosystème ouvert occidental s'est dégarni, surtout depuis que Meta a mis en retrait sa série Llama après un lancement décevant [5].

Inkling est la réponse à ce vide. Selon Reuters, cité par plusieurs médias, le modèle est pensé comme une alternative occidentale aux modèles ouverts chinois devenus le choix par défaut de nombreuses entreprises [5]. La logique rejoint celle décrite dans notre analyse sur la riposte asiatique face aux blocages américains.

Le point fort d'Inkling, ce sont les tâches dites « agentiques » (où le modèle planifie et enchaîne plusieurs actions pour accomplir un objectif). Sur ce terrain, il devance des modèles chinois comme Kimi K2.6 et DeepSeek V4 Flash sur certains tests, tout en restant derrière les meilleurs modèles fermés [1].

Un cas concret donne le ton. Avec le fonds Bridgewater, des chercheurs ont utilisé Tinker pour spécialiser un modèle ouvert sur des données financières. Le résultat : un modèle léger qui a décroché 84,7 % sur des tests de raisonnement financier, battant les meilleures alternatives propriétaires pour moins de 10 % du coût [8].

Le détail gênant : une architecture qui doit beaucoup à Pékin

Il y a pourtant une ironie que peu d'articles osent nommer. Pour bâtir son alternative occidentale, Murati s'est largement inspirée du savoir-faire… chinois. L'architecture d'Inkling suit de près celle de DeepSeek-V3, un modèle chinois, un choix visible dans les documents techniques publiés [6].

Plus délicat encore : de l'aveu même de Thinking Machines, une partie de l'entraînement d'Inkling s'est appuyée sur des données générées par Kimi K2.5, un modèle du laboratoire chinois Moonshot AI, avant que l'apprentissage par renforcement ne prenne le relais [4].

C'est piquant, quand on se souvient du procès en sorcellerie fait à DeepSeek. Début 2025, Washington accusait le laboratoire chinois d'avoir « volé » la technologie américaine par distillation (le fait d'entraîner un modèle sur les réponses d'un modèle plus fort). Voir un laboratoire américain reprendre les recettes chinoises souligne un deux poids, deux mesures gênant [6].

Thinking Machines assure que son prochain modèle se passera entièrement de ce genre de béquille. En attendant, Inkling raconte surtout où se situe réellement la frontière de la recherche ouverte : de plus en plus, elle passe par Pékin, y compris pour ceux qui veulent s'en émanciper.

La stratégie Posthumain

Passé l'effet d'annonce, la vraie question est : qu'est-ce que ça change pour vous, selon que vous soyez simple curieux, dirigeant ou développeur ? Car « ouvert » ne veut pas dire « gratuit et facile ». Décortiquons :

Pour l'observateur : lisez le signal, pas le classement

Le plus important n'est pas de savoir si Inkling bat GPT ou Claude sur tel test. Ce qui compte, c'est le déplacement du centre de gravité. La valeur ne se joue plus seulement sur « qui possède le modèle le plus puissant », mais sur qui maîtrise la couche d'adaptation, celle qui transforme un modèle générique en outil sur mesure.

Le marché des modèles se scinde en deux voies : une voie « premium » où Anthropic et OpenAI gardent le haut du pavé pour les tâches critiques, et une voie « commodité » où des modèles ouverts, bon marché et « suffisamment bons » raflent le volume [9]. Inkling parie sur la seconde. Ce clivage éclaire aussi les tensions décrites dans notre article sur le retard imposé à la sortie de GPT-5.6.

Pour le dirigeant : un levier de négociation, pas une baguette magique

Voici le bénéfice le plus concret et le plus sous-estimé. Même sans jamais installer Inkling sur vos serveurs, son existence vous donne un pouvoir de négociation nouveau face aux fournisseurs fermés.

Un grand modèle ouvert « assez bon » change la table des négociations avec OpenAI, Anthropic ou Google [5]. Si votre entreprise peut, en théorie, héberger et adapter un modèle en interne, elle cesse d'être prisonnière des tarifs et des conditions d'un seul fournisseur. L'arme n'est pas le modèle en lui-même, c'est l'alternative crédible qu'il incarne.

Pour une équipe technique : ne branchez rien avant d'avoir testé

C'est ici que tout se joue et c'est ici que la plupart des équipes vont se tromper. Car « open-weight » sonne comme une promesse d'autonomie totale, alors que la réalité matérielle est brutale : faire tourner Inkling en pleine précision réclame plus de deux téraoctets de mémoire GPU, soit environ huit accélérateurs Nvidia B300 ou seize H200 [2].

Même la version compressée exige des centaines de gigaoctets. Personne ne lance ça sur un ordinateur portable. Alors, avant de bouger, la vraie question n'est pas « faut-il adopter Inkling ? » mais « comment le tester sans se ruiner ni se piéger ? ».

Et la réponse tient dans un protocole précis, à suivre dans l'ordre, que presque aucune équipe ne respecte avant de basculer une charge en production.