Qu’est-ce que Inkling 2 Mini ?
Inkling 2 Mini est le petit modèle téléchargeable de la deuxième génération Inkling de Thinking Machines Lab, publié le 20 novembre 2026 sous Apache 2.0. C'est un modèle mixture-of-experts de 26,4 milliards de paramètres, dont 3,4 milliards actifs par token, qui envoie chaque token vers 8 experts sur 128. Ses 24 couches sont organisées de sorte que les 12 couches centrales tournent trois fois avec des poids partagés, ce que le laboratoire appelle un transformer en boucle : chaque token traverse 48 couches alors que le checkpoint n'en stocke que 24, soit environ 5,4 milliards de paramètres actifs effectifs. Il lit du texte et des images, écrit du texte et accepte jusqu'à 1 million de tokens de contexte.
Le checkpoint officiel pèse environ 20GB en précision mixte NVFP4 et MXFP8 et vise un DGX Spark, un Mac Apple silicon de 32GB ou plus, ou un GPU d'au moins 32GB de mémoire. ggml-org publie des versions GGUF pour llama.cpp de 52,2GB (BF16), 27,8GB (Q8_0) et 17,6GB (IQ4_NL). Son grand frère, Inkling 2 Small, reste fermé.
Combien coûte Inkling 2 Mini ?
| Offre | Prix | Ce qui est inclus |
|---|---|---|
| Weights | Free | Apache 2.0, auto-hébergé |
| Tinker inference | $0.15 / $0.50 per 1M tokens | Entrée / sortie ; entrée en cache $0,015 |
| Tinker training | $0.75 (64K) or $1.50 (256K) per 1M tokens | Fine-tuning LoRA |
Poids gratuits sous Apache 2.0. Tinker : $0,15 par 1M de tokens en entrée ($0,015 en cache), $0,50 par 1M en sortie ; entraînement à $0,75 par 1M de tokens avec 64K de contexte, $1,50 avec 256K.
Comparer ce prix à celui des autres modèles
Inkling 2 Mini vaut-il le coup ?
Inkling 2 Mini est la meilleure raison à ce jour de faire tourner un modèle de Thinking Machines chez soi, même si chaque score qui l'appuie vient du laboratoire lui-même. Sur sa fiche, il est à égalité avec Qwen3.8-27B sur l'Artificial Analysis Intelligence Index v5.0 avec 20,1, devant Nemotron 3.5 Super VL (13,6), Muse Glimmer (6,3) et Gemma 4 31B (4,4). L'article de lancement de Hugging Face le compte premier sur 32 des 48 benchmarks de ce tableau, et ses équipes le jugent au moins comparable à Qwen3.8-27B dans leurs tests informels.
C'est la boucle qui rend cette taille possible. Faire tourner les 12 couches centrales trois fois donne au modèle 48 couches de calcul à partir de 24 couches de poids : le checkpoint pèse environ 20GB, tandis que chaque token reçoit le travail d'environ 5,4 milliards de paramètres. Le tableau du laboratoire lui attribue 79,2 % sur SWE-bench Verified avec bash seul, contre 77,8 % pour Qwen3.8-27B, 77,9 % sur la partie difficile de SWE-bench Pro v2 contre 73,8 %, et 82,7 % sur MCP Atlas contre 77,3 %. En vision, il atteint 92,8 % sur OmniDocBench v1.6 et 76,5 % sur ScreenSpot Pro, où Qwen obtient 91,5 % et 57,6 %.
Il ne gagne pas partout. Qwen3.8-27B mène sur Terminal Bench v2.1 (73,0 % contre 71,6 %), AutomationBench-AA (48,2 % contre 41,8 %) et MMMU Pro (76,3 % contre 74,9 %), et les deux obtiennent 5,6 % sur Terminal Bench v4.0. Son taux de non-hallucination sur AA-Omniscience est de 63,4 %, sous les 71,4 % de Qwen, et la fiche indique que c'est sur le rappel factuel qu'il accuse le plus de retard sur Inkling 2 Small.
Le hic : la section des limites rédigée par le laboratoire se lit comme une étiquette d'avertissement pour l'usage en agent. Elle indique que le modèle peut tourner en rond dans de longs raisonnements, supprimer ou écraser des fichiers sans confirmation, mal rendre compte de ce qu'il a fait, et qu'il ne cesse pas complètement de raisonner au niveau d'effort minimal. Le laboratoire recommande de plafonner les tokens de sortie et les tours d'agent et d'exécuter les outils dans un sandbox. La prise en charge des modèles en boucle par les runtimes locaux est récente, donc la vitesse dépend du moteur utilisé, et les trois passes coûtent plus de calcul par token que ne le suggèrent les 3,4 milliards de paramètres actifs.
Notre avis : pour une équipe qui choisit un seul modèle ouvert pour un Mac de 32GB ou un GPU de station de travail, celui-ci et Qwen3.8-27B forment désormais la paire à comparer ; Inkling 2 Mini prend un léger avantage sur les agents de code, les documents et la lecture d'écran, Qwen sur le rappel factuel, et seul Inkling vient d'un laboratoire dont le plus grand modèle n'est pas téléchargeable.
Là où il fait la différence
Un développeur indépendant équipé d'un MacBook Apple silicon de 32GB ou plus
Faire tourner un agent de code en local sans envoyer le code à une API
`ollama run inkling-2-mini` récupère la version de 20GB, qu'Ollama propose pour Claude Code, OpenCode et Hermes Agent. Plafonnez les tours d'agent et gardez la copie de travail sous contrôle de version, comme le conseille le laboratoire.
Une équipe des opérations chez un assureur qui traite des déclarations de sinistre numérisées
Extraire des champs de PDF et de captures d'écran sur du matériel interne
Ses 92,8 % sur OmniDocBench v1.6 sont en tête du tableau du laboratoire. Servi avec vLLM ou SGLang sur un GPU de 32GB, les documents ne quittent pas les locaux et il n'y a aucun coût par page.
Une équipe ML dans une éditrice de logiciels de taille moyenne
Affiner un petit modèle de vision sur des tickets internes et garder les poids
Entraînez des adaptateurs LoRA sur Tinker à $0,75 par million de tokens avec 64K de contexte, ou avec Unsloth, Miles ou SkyRL sur vos propres GPU, puis servez le résultat en local sous Apache 2.0.
Avant de vous engager
- Mise en route
- Téléchargez-le depuis Hugging Face ou lancez `ollama run inkling-2-mini` ; avec llama.cpp, servez le GGUF de ggml-org via `llama serve -hf ggml-org/Inkling-2-Mini-GGUF:IQ4_NL`. Des recettes existent pour vLLM, SGLang, TokenSpeed, MLX et Transformers.
- Intégrations
- Transformers, vLLM, SGLang, TokenSpeed, NVIDIA Dynamo, llama.cpp et Llama App, Ollama, Exo, Unsloth ; post-entraînement avec Miles et SkyRL ; API Tinker pour le fine-tuning et l'échantillonnage hébergés.
- Données et confidentialité
- Les poids Apache 2.0 tournent entièrement sur votre matériel, donc rien n'en sort tant que vous n'utilisez pas Tinker. Les données d'entraînement comprennent du contenu web public, des données de tiers et des données synthétiques ; date de coupure non publiée.
- Coût à grande échelle
- En auto-hébergement, le coût est un GPU de 32GB, un DGX Spark ou un Mac par instance. Sur Tinker, 1 milliard de tokens en entrée et 100 millions en sortie par mois coûtent environ $200 au prix catalogue.
- Limites
- Contexte de 1M de tokens ; images idéalement de 40 à 4 096 pixels de côté ; sortie texte uniquement. Le GGUF IQ4_NL garde le même token le plus probable que BF16 dans 95,5 % des cas, Q8_0 dans 97,6 %. La qualité baisse hors de l'anglais.
Les points forts
- Apache 2.0, avec un checkpoint officiel de 20GB et des versions GGUF dès 17,6GB
- À égalité avec Qwen3.8-27B à 20,1 sur l'AA Index v5.0 selon le tableau du laboratoire
- 79,2 % sur SWE-bench Verified et 82,7 % sur MCP Atlas, selon la fiche
- Entrée texte et image avec jusqu'à 1M de tokens de contexte
- Pris en charge dès le premier jour par llama.cpp, Ollama, vLLM, SGLang, MLX et Transformers
Les points faibles
- Tous les scores de benchmark viennent de Thinking Machines
- Le laboratoire met en garde contre les boucles de raisonnement et les actions destructrices non confirmées en usage agent
- Taux de non-hallucination de 63,4 %, sous les 71,4 % de Qwen3.8-27B
- Les trois passes par token le rendent plus lourd à faire tourner que ne le suggèrent 3,4B actifs
Idéal pour
Développeurs et petites équipes qui veulent un modèle sous licence permissive pour le code, les documents et la lecture d'écran, capable de tourner sur un Mac ou un GPU de station de travail.
Alternatives à Inkling 2 Mini
Inkling 2 Mini : questions fréquentes
- Inkling 2 Mini vaut-il le coup ?
- Inkling 2 Mini est le modèle ouvert que Thinking Machines devait après avoir gardé Inkling 2 Small fermé : un téléchargement de 20GB qui tourne sur un portable et tient le rythme de Qwen3.8-27B. Nous lui donnons 4.3 sur 5.
- Combien coûte Inkling 2 Mini ?
- Poids gratuits sous Apache 2.0. Tinker : $0,15 par 1M de tokens en entrée ($0,015 en cache), $0,50 par 1M en sortie ; entraînement à $0,75 par 1M de tokens avec 64K de contexte, $1,50 avec 256K.
- Quels sont les inconvénients de Inkling 2 Mini ?
- Tous les scores de benchmark viennent de Thinking Machines; le laboratoire met en garde contre les boucles de raisonnement et les actions destructrices non confirmées en usage agent; taux de non-hallucination de 63,4 %, sous les 71,4 % de Qwen3.8-27B; les trois passes par token le rendent plus lourd à faire tourner que ne le suggèrent 3,4B actifs.
- À qui s’adresse Inkling 2 Mini ?
- Développeurs et petites équipes qui veulent un modèle sous licence permissive pour le code, les documents et la lecture d'écran, capable de tourner sur un Mac ou un GPU de station de travail.
- Combien coûte Inkling 2 Mini pour une équipe ou en production ?
- En auto-hébergement, le coût est un GPU de 32GB, un DGX Spark ou un Mac par instance. Sur Tinker, 1 milliard de tokens en entrée et 100 millions en sortie par mois coûtent environ $200 au prix catalogue.
- Inkling 2 Mini est-il sûr pour les données de l’entreprise ?
- Les poids Apache 2.0 tournent entièrement sur votre matériel, donc rien n'en sort tant que vous n'utilisez pas Tinker. Les données d'entraînement comprennent du contenu web public, des données de tiers et des données synthétiques ; date de coupure non publiée.
- Quelles sont les meilleures alternatives à Inkling 2 Mini ?
- Les alternatives les plus proches que nous avons testées sont Qwen3.8-27B, Gemma 4, Inkling 2 Small, Inkling et Nemotron 3.5 Super VL.
Réponses vérifiées le 21 nov. 2026.