Thinking Machines: Inkling Small
Thinking Machines: Inkling Small est un LLM multimodal à poids ouverts, lancé le 30 juillet 2026. Sa fenêtre de contexte de 524 288 tokens et son positionnement très économique le destinent au traitement de volumes importants de texte, d’images et d’audio.
Thinking Machines: Inkling Small est un LLM multimodal à poids ouverts, lancé le 30 juillet 2026. Sa fenêtre de contexte de 524 288 tokens et son positionnement très économique le destinent au traitement de volumes importants de texte, d’images et d’audio.
Son transformeur autorégressif à décodeur seul compte 42 couches. Son réseau Mixture-of-Experts dirige chaque token vers 6 experts parmi 256, avec 2 experts partagés. Les différentes modalités sont projetées dans un espace commun, puis le modèle génère du texte en UTF-8. Il cible principalement l’anglais, avec des capacités multilingues générales et la prise en charge de plusieurs langages de programmation.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Thinking Machines |
| Poids | 🟢 Poids ouverts |
| Date de sortie | 30 juillet 2026 |
| Multimodal | oui |
| Fenêtre de contexte | 524 288 tokens |
| Modalités (entrée → sortie) | text,image,audio → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : General Knowledge (Baseline) | 100,0 % | 1ᵉ / 252 | benchable | ✅ Mesuré |
| Benchable : Ethics (Baseline) | 100,0 % | 1ᵉ / 251 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 98,0 % | 26ᵉ / 246 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 97,0 % | 168ᵉ / 259 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 96,0 % | 106ᵉ / 233 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 95,0 % | 30ᵉ / 226 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 94,0 % | 51ᵉ / 253 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 71,0 % | 94ᵉ / 256 | benchable | ✅ Mesuré |
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles sur chaque dimension évaluée, et à ses voisins de classement.
Benchable : General Knowledge (Baseline)
Benchable : Ethics (Baseline)
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| DeepInfra | 0,45 $ | 1,2 $ | 0,1 $ |
Prix en dollars US par million de tokens.
Sa tarification se situe 78 % en dessous de la moyenne des LLM similaires, et 12,2 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.6 Sol, Gemini 3.5 Flash).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0,09 $ |
| Latence moyenne par benchmark — Benchable | 6 min 06 s |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Notre analyse
Forces. Inkling Small obtient ses meilleurs placements relatifs en General Knowledge et Ethics, où il partage la première place avec respectivement 74 et 118 autres modèles. Il se situe aussi dans le haut du classement en Reasoning et Mathematics. Son architecture multimodale couvre les assistants de codage, les chatbots, la génération augmentée par récupération, les systèmes agentiques et l’utilisation d’outils. Son principal avantage reste économique : sa tarification est inférieure de 78% à la moyenne des LLM similaires et environ 12,2 fois moins élevée que celle des modèles frontière.
Limites et points d’attention. Les benchmarks Benchable sont plafonnés et leurs scores élevés départagent mal les modèles. Email Classification place Inkling Small en retrait du classement, malgré un score brut élevé. Hallucinations le situe autour du milieu de tableau, ce qui invite à contrôler les réponses factuelles dans les usages sensibles. Le modèle reçoit du texte, des images et de l’audio, mais sa sortie reste textuelle. Il est d’abord destiné à l’anglais, ses aptitudes dans les autres langues étant générales. Inkling Small convient surtout aux usages multimodaux, au code et aux systèmes agentiques qui privilégient une grande fenêtre de contexte et un coût réduit.
Sources des données : OpenRouter (openrouter.ai) · Benchable.ai (benchable.ai).