Mira Murati, l’ancienne directrice technique d’OpenAI, dévoile Inkling, le premier modèle grand public de sa start-up Thinking Machines Lab. Son approche est à contre-courant des géants américains de l’intelligence artificielle (IA), sera-t-elle payante ?
Fondée en février 2025 par Mira Murati dans la foulée de son départ d’OpenAI, Thinking Machines est devenue un poids lourd dès son lancement grâce à une levée de fonds record, dans laquelle ont notamment participé NVIDIA et AMD. Car l’ingénieure est réputée dans l’écosystème, puisqu’elle a supervisé le développement de ChatGPT, DALL-E et GPT-4, les outils qui ont propulsé l’IA générative sur le devant de la scène.
Elle a même assuré l’intérim à la direction générale lors de la brève éviction de Sam Altman en novembre 2023. Sa nouvelle mission : construire une « intelligence générale collaborative », c’est-à-dire des systèmes d’IA capables d’interagir plus naturellement avec les humains.
Une architecture qui s’inspire des modèles chinois
Jusqu’ici, la start-up ne proposait que Tinker, un outil destiné aux entreprises pour affiner des modèles existants. Cette fois, elle livre son propre modèle, pensé pour traiter différents types de requêtes tout en maîtrisant ses coûts.
Et sa particularité tient en un mot : « open-weight ». Contrairement à ChatGPT ou Claude, verrouillés derrière des abonnements, Inkling peut être téléchargé, hébergé sur ses propres serveurs et personnalisé à volonté. Une philosophie défendue par Thinking Machines depuis ses débuts, car elle entend donner aux utilisateurs les moyens de « se l'approprier ».
Fait marquant, l’architecture d’Inkling s’inspire de DeepSeek-V3, tandis que son affinage post-entraînement s’appuie sur des données générées par Kimi K2.5, le modèle du laboratoire chinois Moonshot AI. De quoi illustrer un rapport de force qui s’inverse, alors que les modèles chinois ont dépassé leurs rivaux américains en usage global cette année.
Une autre philosophie que la Silicon Valley
Thinking Machines ne cache pas les limites de son modèle. Sur les benchmarks qu’elle a elle-même publiés, Inkling se classe derrière les meilleurs modèles d’Anthropic et d’OpenAI, mais aussi derrière plusieurs modèles chinois. Un aveu aux antipodes des annonces triomphalistes habituelles du secteur.
Car contrairement à ses concurrentes, l’entreprise de Mira Murati n’a pas l’intention de monétiser Inkling, puisque son modèle économique repose sur Tinker. Ce choix est stratégique : les États-Unis sont à la traîne face à la Chine sur le terrain de l’IA ouverte et gratuite. Meta, longtemps pionnier de l’open source, se recentre désormais sur des modèles propriétaires et payants.
OpenAI, de son côté, a bien publié des modèles ouverts l’an dernier, mais son activité reste dominée par ses offres sur abonnement. Inkling vient donc combler un vide, à un moment où entreprises et particuliers, de plus en plus attentifs à leurs dépenses en IA, se tournent vers des alternatives chinoises gratuites.
À plus long terme, Mira Murati vise encore plus loin avec ses « modèles d'interaction » dont l’objectif sera de rendre la collaboration entre l’humain et l’IA plus naturelle. Ils seront ainsi capables de capter des signaux comme un silence, une hésitation ou une interruption. Mais la start-up connaît aussi des turbulences en interne, plusieurs de ses cadres ayant récemment quitté le navire pour Meta ou OpenAI. La guerre des talents se poursuit.
Un modèle « open-weight » publie ses poids (les paramètres appris) afin qu’il puisse être téléchargé et exécuté ailleurs que chez l’éditeur, par exemple sur ses propres serveurs. Cela permet d’adapter le modèle (fine-tuning), de contrôler l’endroit où les données transitent, et d’éviter une dépendance totale à une API payante. En revanche, « open-weight » ne veut pas forcément dire « open source » : le code d’entraînement, les jeux de données, les recettes d’alignement ou certains composants peuvent rester fermés. Les conditions de licence comptent aussi : selon les cas, l’usage commercial, la redistribution ou certains domaines d’application peuvent être limités.
Les benchmarks sont des batteries de tests standardisés qui mesurent des capacités (raisonnement, code, compréhension, maths, etc.) via des scores comparables entre modèles. Ils aident à situer un modèle, mais ne reflètent pas toujours l’usage réel : un score peut être bon sur un test et mauvais en conversation, en fiabilité factuelle ou en suivi d’instructions. Les comparaisons sont aussi sensibles aux réglages (prompts, température), aux versions, et aux jeux de tests parfois « surappris » par l’écosystème. Enfin, quand l’éditeur publie ses propres résultats, il faut vérifier la méthodologie et si des évaluations indépendantes confirment les performances.
Le pré-entraînement apprend au modèle des régularités générales à partir de très grands corpus, ce qui donne les compétences de base (langage, code, connaissances générales). L’affinage post-entraînement (post-training) intervient ensuite pour rendre le modèle plus utile en pratique : meilleure obéissance aux consignes, style conversationnel, réduction de certains comportements indésirables. Il peut inclure du fine-tuning supervisé et des méthodes d’alignement basées sur des préférences (famille RLHF/RLAIF), parfois à partir de données synthétiques générées par d’autres modèles. Cette étape influence fortement la « personnalité » du modèle, sa sécurité, et sa qualité perçue, sans forcément changer sa taille ni son architecture.
