Les modèles d’IA américains reflètent ceux de DeepSeek : des performances inférieures, des coûts plus élevés, mais adaptés à la conformité américaine

Le premier projet de Mustafa Suleyman, ancien directeur technologique d'OpenAI, a inversé de manière inattendue la dynamique du développement des grands modèles de langage (LLM) entre la Chine et les États-Unis. Le 15 juillet, il a lancé le Thinking Machines Lab et dévoilé son premier modèle, Inkling. S'appuyant sur une architecture à experts hybrides inspirée de DeepSeek-V3 et utilisant des données synthétiques provenant de modèles ouverts tels que Kimi K2.5 de Moonshot pour l'initialisation post-entraînement, les résultats sont nuancés. Sur plusieurs benchmarks, Inkling est inférieur à Kimi et GLM, avec des tarifs notablement plus élevés. Malgré une levée de fonds de 2 milliards de dollars et une valorisation de 12 milliards de dollars, le lancement a déçu les attentes, bien que Suleyman n'ait peut-être jamais visé le premier rang dès le départ.

En examinant les aspects matériels, Inkling correspond au prestige d'un laboratoire de premier plan. Il utilise une architecture à experts hybrides comptant 975 milliards de paramètres au total, avec 41 milliards activés par jeton. Le pré-entraînement a utilisé 45 billions de jetons sur des textes, images, audio et vidéos, prenant en charge jusqu'à 1 million de jetons de contexte. Le modèle traite le texte, les images et l'audio, produisant du texte tout en permettant une intensité de raisonnement ajustable pour équilibrer performance, vitesse et coût. Avec des poids publiés sous la licence permissive Apache 2.0, les développeurs peuvent les déployer eux-mêmes ou les affiner via la plateforme Tinker de Thinking Machines. La stratégie est claire : plutôt que de cibler directement les consommateurs, Inkling sert de fondation pour les applications d'IA d'entreprise.

Le rapport technique révèle un détail critique de son architecture. Thinking Machines indique explicitement que la conception à experts hybrides d'Inkling suit celle de DeepSeek-V3, comportant de nombreux modules d'experts où chaque jeton n'active qu'un sous-ensemble, ainsi que l'équilibrage de charge sans assistant de DeepSeek-V3. L'influence chinoise s'étend à l'entraînement : le post-entraînement a commencé par un ajustement fin supervisé utilisant des données synthétiques de modèles à poids ouverts, citant spécifiquement Kimi K2.5.

Une feuille de route claire émerge : un laboratoire américain fondé par l'ancien CTO d'OpenAI, dont le premier modèle imite l'architecture de DeepSeek, et dont le post-entraînement s'appuie sur les données de Kimi. Emprunter à des modèles ouverts n'est pas intrinsèquement problématique, car DeepSeek et Kimi partagent publiquement leurs poids et droits d'utilisation, s'appuyant sur des réalisations publiques. Plus frappant encore, malgré l'absorption des technologies de modèles chinois, Inkling ne parvient pas à surpasser ses prédécesseurs. Thinking Machines admet candidement : Inkling n'est pas actuellement le modèle le plus puissant, qu'il soit ouvert ou fermé.

Les chiffres mettent en évidence l'écart. Dans les évaluations de texte pur sur des examens humains finaux, Inkling a obtenu 29,7 %, tandis que Kimi K2.6 et GLM 5.2 ont atteint respectivement 35,9 % et 40,1 %. Avec les outils activés, Inkling est monté à 46 %, restant encore derrière Kimi K2.6 à 54 % et GLM 5.2 à 54,7 %. Dans SWE-Bench Pro, testant les véritables capacités d'ingénierie logicielle, Inkling a obtenu 54,3 %, comparé à 58,6 % pour Kimi K2.6 et 62,1 % pour GLM 5.2. L'écart était le plus prononcé dans Terminal Bench 2.1, où Inkling a obtenu 63,8 %, tandis que Kimi K2.6 et GLM 5.2 ont atteint respectivement 71,3 % et 82,7 %.

Inkling excelle dans la conception d'applications web, la compréhension audio et l'évaluation de la sécurité, dépassant même Kimi et DeepSeek dans certaines tâches mathématiques. Cependant, il n'a pas encore atteint le premier rang pour le raisonnement global, la programmation et les capacités d'agent. Les tarifs n'offrent aucun soulagement : sur la plateforme Tinker, la version 64K facture 1,87 $ par million de jetons Prefill et 4,68 $ par million de jetons Sample, déjà réduits de cinq jours. La version 256K coûte respectivement 3,74 $ et 9,36 $. Comparé aux tarifs API de Kimi K2.6 de 0,95 $ pour l'entrée et 4 $ pour la sortie, et de GLM 5.2 de 1,4 $ et 4,4 $, le prix de préremplissage d'Inkling est presque le double de celui de Kimi K2.6, avec des coûts de génération plus élevés et aucun avantage de prix évident. La situation est délicate : l'architecture fait référence à DeepSeek, le post-entraînement s'appuie sur Kimi, les performances sont inférieures aux principaux modèles ouverts chinois, et les tarifs sont plus élevés.

L'intrigue réside dans l'arrière-plan unique de Thinking Machines. L'entreprise ressemble à un réseau d'anciens d'OpenAI — présentée en février 2025, l'équipe d'environ 30 personnes comprenait les deux tiers provenant d'OpenAI, les autres venant de Meta et Mistral. Les membres fondateurs incluaient John Schulman, Barret Zoph, Lilian Weng, Andrew Tulloch et Luke Metz, Reuters rapportant que Suleyman a recruté au moins 20 chercheurs de son ancien employeur.

Suleyman a rejoint OpenAI en 2018, contribuant à DALL-E, Codex, ChatGPT et Sora, devenant CTO en 2022, et servant brièvement de PDG par intérim après le renvoi d'Altman en novembre 2023. Ce groupe, familiers avec le développement et la commercialisation d'OpenAI, est parti pour construire un nouveau système technique, conduisant les observateurs externes à s'attendre à une voie inspirée d'OpenAI. Au lieu de cela, la source technique principale pointe vers des modèles chinois, signalant un changement dramatique : ceux qui connaissaient le mieux OpenAI ont finalement adopté le plan technique des modèles chinois.

Cette conclusion nécessite une analyse minutieuse. Les modèles de pointe récents d'OpenAI sont fermés, empêchant l'accès externe aux poids, à l'architecture ou aux plans d'entraînement. Même si Suleyman connaissait les technologies internes, il ne pouvait pas transférer les secrets commerciaux d'OpenAI à la nouvelle entreprise. En revanche, DeepSeek et Kimi ont publié publiquement leurs poids et rapports techniques, permettant à leurs architectures, méthodes d'entraînement et chaînes d'outils d'être légalement étudiés et réutilisés.

Inkling est un modèle à poids ouverts, et pour les entreprises construisant un écosystème ouvert, adopter des solutions matures de modèles ouverts comme DeepSeek et Kimi est un choix d'ingénierie logique. Développer un modèle ouvert tout en ignorant les réalisations chinoises publiquement disponibles entraînerait des coûts d'essai-erreur plus élevés. Ainsi, s'inspirer de modèles chinois ne prouve pas que Suleyman pense que DeepSeek surpasse OpenAI. Les différences en matière d'ouverture et de conditions de référence sont distinctes, mais le signal est clair : les modèles chinois sont devenus une référence clé pour les équipes d'IA américaines dans l'espace des poids ouverts.

La véritable question est de savoir pourquoi Thinking Machines, disposant d'architectures et d'expériences d'entraînement existantes, a produit un Inkling aux performances plus faibles et aux tarifs plus élevés. Suleyman dispose d'une équipe de premier plan, de fonds abondants et des derniers systèmes d'entraînement NVIDIA. Il n'y a aucune raison de négliger ces écarts, suggérant que l'alternative à haut coût pourrait être une décision calculée.

Considérant le traitement accordé à Thinking Machines, Inkling devrait être plus qu'un modèle correct. En juillet 2025, l'entreprise a complété une levée de fonds de 2 milliards de dollars avant de lancer tout produit, l'évaluant à 12 milliards de dollars, avec des investisseurs incluant a16z, NVIDIA, AMD et Sequoia. Quatre mois plus tard, les négociations visaient une valorisation allant jusqu'à 500 milliards de dollars, positionnant l'entreprise comme un concurrent potentiel d'OpenAI et Anthropic. Lancer un produit sous-performant par rapport aux modèles chinois et coûtant plus cher ne répond pas aux attentes. Pourtant, d'un point de vue commercial, Suleyman n'a peut-être jamais eu l'intention de gagner les benchmarks.

L'entreprise met l'accent sur les poids ouverts, le multimodal et la personnalisation, encourageant les entreprises à utiliser Tinker pour affiner Inkling en modèles spécialisés pour le service client, la programmation et les agents sectoriels. Suleyman parie sur un marché qui ne priorise pas les classements de benchmarks. Les entreprises accordent plus d'importance au déploiement privé, au contrôle des données et à l'entraînement continu selon leurs besoins commerciaux. Une grande partie de cette demande est satisfaite par les modèles chinois ouverts : OpenAI et Anthimer restent fermés, et après la sous-performance de Llama4 de Meta, celui-ci a réduit ses efforts open source. Parallèlement, DeepSeek, Kimi, Qwen et GLM publient continuellement des poids, avec des performances se rapprochant des modèles fermés américains à des prix bien inférieurs.

Les entreprises américaines ont rapidement répondu — selon les données d'OpenRouter fournies à CNBC, depuis février 2026, la part hebdomadaire des modèles chinois en jetons appelés par les entreprises américaines via la plateforme a dépassé 30 %, atteignant 46 %, comparé à une moyenne de 4,5 % au premier semestre 2025. Cursor a testé plusieurs modèles de base pour Composer2, choisissant finalement Kimi K2.5 pour sa forte évaluation. Bridgewater Fund a affiné Qwen d'Alibaba via Tinker, obtenant de meilleurs résultats que certains modèles fermés de premier plan. Les modèles chinois ouverts sont devenus un raccourci économique pour les entreprises américaines, mais ce chemin est désormais sous pression.

Simultanément, l'atmosphère réglementaire américaine envers les modèles chinois d'IA se durcit. Les départements compétents ont émis des avertissements concernant la sécurité des données, les sources des modèles et les risques de chaîne d'approvisionnement, certaines entreprises utilisant des modèles chinois faisant face à des enquêtes. Même sans restrictions unifiées, l'incertitude politique affecte les choix des entreprises, en particulier celles traitant des affaires gouvernementales et des données sensibles.

Cela crée un espace de marché pour Inkling : un modèle à poids ouverts d'une entreprise américaine, utilisant la licence Apache 2.0, prenant en charge le déploiement privé et la personnalisation. Les entreprises américaines le choisissent sans craindre les controverses politiques liées à l'utilisation de modèles chinois, facilitant le passage des examens de conformité des clients gouvernementaux et des grandes entreprises. La véritable valeur d'Inkling réside dans cette certitude de conformité — Suleyman a transformé les réalisations publiques de DeepSeek et Kimi en un modèle fourni par une entreprise américaine. Il n'a pas besoin de vaincre les modèles chinois dans les benchmarks, seulement d'être un choix acceptable pour les entreprises américaines hésitant à continuer à utiliser des modèles chinois. Cela explique ses tarifs plus élevés : la politique a réduit l'étendue de la concurrence, rendant les écarts de performance et de prix moins critiques. Pour certaines entreprises américaines, un modèle légèrement plus faible et plus cher est suffisant.