Thinking Machines: Inkling
Thinking Machines: Inkling est un LLM multimodal sorti le 17 juillet 2026. Ce transformeur autorégressif à décodeur seul compte 66 couches, un backbone feed-forward sparse Mixture-of-Experts et une attention alternant couches locales et globales. Il traite le texte, les images, l’audio…
Thinking Machines: Inkling est un LLM multimodal sorti le 17 juillet 2026. Ce transformeur autorégressif à décodeur seul compte 66 couches, un backbone feed-forward sparse Mixture-of-Experts et une attention alternant couches locales et globales. Il traite le texte, les images, l’audio et encode la vidéo dans un espace caché partagé, avec une sortie textuelle.
Sa fenêtre de contexte atteint 1 048 576 tokens. Ses poids ouverts et sa compatibilité avec plusieurs bibliothèques facilitent le déploiement local. Son tarif, 52 % sous la moyenne des LLM similaires et environ 5,5 fois inférieur à celui des modèles frontière, le place dans la catégorie très économique.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Thinking Machines |
| Poids | 🟢 Poids ouverts |
| Date de sortie | 17 juillet 2026 |
| Multimodal | oui |
| Fenêtre de contexte | 1 048 576 tokens (≈ 1,0 M) |
| Modalités (entrée → sortie) | text,image,audio → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : General Knowledge (Baseline) | 100,0 % | 1ᵉ / 161 | benchable | ✅ Mesuré |
| Benchable : Ethics (Baseline) | 100,0 % | 1ᵉ / 159 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 99,0 % | 52ᵉ / 163 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 97,9 % | 31ᵉ / 155 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 95,8 % | 77ᵉ / 146 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 95,8 % | 18ᵉ / 140 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 92,2 % | 55ᵉ / 162 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 75,0 % | 42ᵉ / 163 | 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 |
|---|---|---|---|
| Together | 1 $ | 4,05 $ | 0,17 $ |
Prix en dollars US par million de tokens.
Sa tarification se situe 52 % en dessous de la moyenne des LLM similaires, et 5,5 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 | 0,19 $ |
| Latence moyenne par benchmark — Benchable | 18 min 56 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 occupe la première place des évaluations Benchable en General Knowledge et en Ethics, deux domaines dans lesquels il obtient un résultat maximal. Il se situe également dans le haut du classement en Mathematics. Ses résultats en Reasoning restent solides, tandis que sa fenêtre d’environ un million de tokens convient au traitement de longs contextes. Son architecture multimodale réunit texte, image, audio et vidéo dans un même espace de représentation. Les poids ouverts, le déploiement local et le faible coût renforcent son intérêt pour les systèmes agentiques, les assistants de codage, les chatbots et la génération augmentée par récupération.
Limites et points d'attention. Le classement en Hallucinations reste en milieu de tableau malgré un score absolu élevé, ce qui relativise sa fiabilité face aux modèles les mieux placés sur cette évaluation. Email Classification se situe également en retrait du groupe de tête, et Reasoning n’atteint pas le niveau de ses résultats en connaissances générales, en éthique ou en mathématiques. La multimodalité concerne l’entrée et l’encodage, mais la production reste limitée au texte. Inkling s’adresse surtout aux déploiements locaux, aux applications multimodales à sortie textuelle et aux projets sensibles au coût.
Sources des données : OpenRouter (openrouter.ai) · Benchable.ai (benchable.ai) · LLM-Stats (llm-stats.com).