Thinking Machines Lab a présenté Inkling, un modèle open source annoncé à 975 milliards de paramètres, entraîné pour comprendre l’audio et la vidéo. L’objectif affiché est de se positionner dans la course aux modèles multimodaux face à OpenAI et Anthropic.
Le lancement intervient dans un marché où la compréhension conjointe du son, de l’image et du texte devient un critère de différenciation pour les laboratoires d’IA et leurs futurs clients.
Inkling vise l’analyse conjointe de l’audio et de la vidéo
Avec Inkling, Thinking Machines Lab met en avant une orientation claire, la compréhension multimodale, c’est-à-dire la capacité d’un modèle à interpréter plusieurs types de signaux en même temps. Dans le cas présent, le laboratoire insiste sur l’entraînement à comprendre la vidéo et l’audio, deux modalités qui posent des défis spécifiques, car elles ajoutent la dimension temporelle. Une scène filmée n’est pas une simple suite d’images, elle implique des actions, des changements de contexte, des relations spatiales, des intentions, et souvent des indices sonores qui modifient le sens.
La promesse d’un tel système est large. Sur des cas d’usage concrets, un modèle multimodal peut résumer une réunion enregistrée, repérer un moment clé dans une captation, identifier des incohérences entre le discours et les visuels, ou encore extraire une chronologie d’événements à partir d’un flux vidéo. La valeur ajoutée vient du croisement, une phrase ironique peut être détectée par l’intonation, une alarme peut être comprise à la fois par le son et par l’image, une instruction peut être reliée à un geste visible dans la vidéo.
Le positionnement open source est également un signal. Dans l’écosystème IA, l’ouverture peut signifier plusieurs choses, accès au code d’inférence, aux poids du modèle, à une licence permissive, ou à des outils permettant l’adaptation. Sans détails exhaustifs dans la source fournie, l’annonce joue sur une attente, permettre à des équipes externes d’évaluer, de déployer et de modifier le modèle sans dépendre exclusivement d’une API propriétaire.
Ce choix intervient dans un contexte de demande croissante pour des solutions auditées en interne. Des entreprises, des médias et des institutions publiques cherchent à limiter l’exposition de données sensibles à des services distants. Un modèle open source orienté audio-vidéo peut répondre à ces contraintes, à condition que le coût de calcul et l’intégration logicielle restent compatibles avec des environnements de production.
975 milliards de paramètres, un ordre de grandeur réservé aux géants
Le chiffre mis en avant, 975 milliards de paramètres, place Inkling dans une catégorie où peu d’acteurs peuvent opérer. Les paramètres représentent les poids internes du modèle, et leur nombre sert souvent d’indicateur de capacité potentielle, même si la performance réelle dépend aussi de la qualité des données, de l’architecture, de l’entraînement et des méthodes d’alignement. À ce niveau, l’entraînement exige une infrastructure lourde, des grappes de GPU ou d’accélérateurs spécialisés, des pipelines de données robustes et des mécanismes de contrôle de qualité.
Dans la pratique, un modèle de cette taille soulève immédiatement des questions de déploiement. Peu d’organisations peuvent exécuter un modèle complet de près d’un trillion de paramètres sans techniques de compression, de quantification, de distillation ou de sharding. Les usages les plus courants passent souvent par des versions optimisées, ou par des stratégies hybrides, un modèle massif pour certaines tâches critiques, des modèles plus légers pour la majorité des requêtes. L’intérêt d’une annonce à ce niveau est aussi marketing, elle signale des moyens et des ambitions comparables à celles des laboratoires dominants.
La dimension multimodale ajoute une couche. Traiter l’audio et la vidéo implique des encodeurs spécialisés, des représentations temporelles et des mécanismes d’attention capables d’absorber des séquences longues. Cela se traduit par une consommation mémoire et un coût de calcul élevés, même avant de considérer la taille totale. Dans les produits, cela peut pousser à limiter la durée des clips analysés, à échantillonner des frames, ou à segmenter le son en fenêtres, au risque de perdre des informations.
Le chiffre de 975 milliards peut aussi être interprété dans une logique de crédibilité vis-à-vis des clients et des investisseurs. Dans un secteur où la compétition se joue sur la qualité des démonstrations et la vitesse d’itération, afficher un modèle massif peut aider à attirer des partenaires, des chercheurs et des projets pilotes. Mais l’adoption dépendra d’éléments plus concrets, stabilité, documentation, facilité de fine-tuning, compatibilité avec les frameworks, et existence de benchmarks publics.
Thinking Machines Lab cherche une place face à OpenAI et Anthropic
La source indique explicitement que ce lancement peut aider Thinking Machines Lab à s’établir face à des concurrents comme OpenAI et Anthropic. Le marché est structuré autour de deux modèles économiques, d’un côté des API propriétaires avec des performances élevées et une intégration rapide, de l’autre des modèles ouverts qui séduisent par la maîtrise des coûts à long terme, la souveraineté technique et la possibilité d’audit. En annonçant Inkling comme open source, Thinking Machines Lab choisit un angle différenciant, même si la concurrence sur l’ouverture existe déjà.
Sur le terrain, la bataille se joue aussi sur la multimodalité. Les acteurs dominants ont multiplié les annonces autour de modèles capables d’interpréter images, voix et vidéo, car les usages se déplacent vers des assistants réels, capables de comprendre un environnement, de suivre une conversation, de commenter une scène, ou d’aider à la production de contenus. Un modèle entraîné à comprendre vidéo et audio peut viser des marchés comme la modération, la recherche dans des archives, l’assistance à la création, ou l’analyse d’incidents pour la sécurité.
La stratégie de Thinking Machines Lab dépendra de sa capacité à transformer une annonce en écosystème. Pour rivaliser avec OpenAI et Anthropic, il faut des outils de déploiement, des exemples reproductibles, des métriques, et un support communautaire ou commercial. Dans un modèle ouvert, la communauté peut devenir un accélérateur, mais elle exige une gouvernance claire, une licence compréhensible, des mises à jour régulières et une transparence sur les limites, notamment sur les biais et les risques de mauvaise utilisation.
La question de la confiance est centrale. Les clients qui comparent des solutions ne regardent pas seulement la performance brute, ils évaluent la robustesse face aux attaques, la stabilité des sorties, la gestion des contenus sensibles et la conformité réglementaire. Un modèle multimodal peut générer des erreurs plus coûteuses, car une mauvaise interprétation d’un son ou d’une scène peut conduire à une décision erronée. Le laboratoire devra donc montrer des garde-fous, des procédures d’évaluation et, idéalement, des résultats sur des jeux de tests reconnus.
Open source, quels usages industriels et quelles limites pour un modèle multimodal
L’étiquette open source ouvre la porte à des usages industriels variés. Dans les médias, un modèle audio-vidéo peut indexer des rushes, détecter des thèmes, générer des résumés, ou aider à retrouver une séquence précise dans des heures d’archives. Dans l’entreprise, il peut automatiser des comptes rendus à partir de visioconférences, extraire des décisions, ou identifier des segments où une information critique a été prononcée. Dans l’éducation, il peut produire des transcriptions enrichies et relier un passage sonore à une démonstration visuelle.
Mais le passage au réel se heurte à des limites techniques et juridiques. D’un point de vue technique, la consommation de calcul est un frein, surtout si l’on vise de la vidéo en haute définition ou des flux longs. Les entreprises cherchent souvent des latences faibles et des coûts prévisibles. Elles peuvent préférer des modèles plus petits, spécialisés, ou des approches combinant reconnaissance vocale, vision et modèles de langage séparés. Le choix d’un grand modèle unique peut simplifier l’orchestration, mais il renchérit l’infrastructure.
D’un point de vue réglementaire, l’analyse audio-vidéo touche à des données personnelles, visages, voix, lieux, comportements. Selon les juridictions, la collecte, le stockage et l’entraînement peuvent être encadrés strictement. Un modèle ouvert peut être déployé localement, ce qui réduit certains risques de transfert de données, mais ne supprime pas les obligations de consentement, de minimisation et de sécurité. Les organisations devront aussi vérifier le cadre de licence, notamment les restrictions d’usage commercial ou les clauses liées à la redistribution.
Pour clarifier les arbitrages, les équipes techniques comparent souvent trois voies, API propriétaire, modèle open source de grande taille, ou modèles spécialisés assemblés. Le tableau ci-dessous résume des différences typiques, sans préjuger des performances exactes d’Inkling faute de benchmarks publics détaillés dans la source.
| Option | Coûts | Contrôle des données | Déploiement |
|---|---|---|---|
| API propriétaire | Facturation à l’usage, coûts variables | Dépend du fournisseur et du contrat | Rapide, intégration simple |
| Grand modèle open source | Investissement infra élevé, coûts fixes | Fort contrôle en local | Complexe, exige MLOps |
| Pipeline de modèles spécialisés | Optimisable, parfois moins cher | Contrôle modulable | Orchestration plus lourde |
Dans ce contexte, Inkling peut intéresser des acteurs prêts à investir dans le déploiement pour gagner en autonomie. La dynamique dépendra aussi de la disponibilité d’outils, quantification, versions plus légères, compatibilité matérielle, et documentation pour l’adaptation à des domaines comme la santé, l’industrie ou l’audiovisuel, où les exigences de précision sont élevées.
