Les entreprises personnalisent de plus en plus les modèles à poids ouverts avec leurs propres données et leur propre contexte afin de maîtriser pleinement leur comportement et leurs résultats.
Nous sommes ravis d’annoncer que Inkling 2 Small, le dernier modèle à poids ouverts de l’atelier Thinking Machines Lab, est désormais disponible dans Snowflake Cortex Training pour l’entraînement (en public preview). Dès aujourd’hui, les équipes peuvent comparer, post-entraîner, évaluer et mettre à disposition Inkling 2 Small sur leurs propres workloads d’entreprise, directement là où résident leurs données et avec les mêmes contrôles de gouvernance qu’elles utilisent déjà.

Qu’est-ce qu’Inkling 2 Small ?
Inkling 2 Small est la deuxième génération de modèles de l’atelier Thinking Machines Lab. Ce modèle de mélange d’experts (MoE) compte 594 milliards de paramètres au total, dont 17 milliards de paramètres actifs. Il prend en charge les images en entrée et permet d’ajuster l’effort de raisonnement.
Inkling 2 Small est conçu pour les tâches agentiques de longue durée. L’atelier Thinking Machines Lab l’a entraîné par apprentissage par renforcement (RL) sur des centaines de milliers de tâches de programmation de longue durée, dans plusieurs environnements d’orchestration d’agents. Selon l’entreprise, le modèle suit plus fidèlement les instructions, analyse soigneusement les modifications et vérifie spontanément son propre travail. Il s’intègre ainsi plus facilement dans de véritables boucles agentiques, comme le confirment ses résultats en programmation, notamment 86,3 % sur SWE-Bench Pro v2 (Hard) et 72,1 % sur DeepSWE v1.1.
Le modèle est également multimodal. Les images en entrée lui permettent d’intégrer des retours visuels, par exemple pour créer et affiner de manière itérative des interfaces et des conceptions. Comme seuls 17 milliards de ses paramètres sont actifs par token, l’architecture MoE offre un haut niveau de performances à un coût d’inférence inférieur à celui d’un modèle dense de taille comparable. Grâce à la publication de ses poids sous licence Apache 2.0, les entreprises conservent aujourd’hui la pleine propriété des modèles qu’elles personnalisent.
Que pouvez-vous faire avec Inkling 2 Small sur Snowflake ?
Cortex Training, l’offre serverless d’entraînement de Snowflake pour personnaliser et déployer des grands modèles de langage (LLM) à poids ouverts, simplifie cette personnalisation tout en offrant flexibilité et maîtrise des coûts. Nous sommes ravis d’accueillir la famille de modèles Inkling dans le vaste catalogue d’entraînement de Cortex Training, qui réunit déjà des familles de modèles à poids ouverts telles que Qwen, GLM, Nemotron, Gemma et DeepSeek. Inkling 2 Small est désormais disponible pour le post-entraînement et l’inférence.

Figure 1 : Cortex Training prend en charge un large éventail de modèles et de méthodes d’entraînement, notamment le fine-tuning supervisé, l’apprentissage par renforcement, l’optimisation directe des préférences et la distillation. La solution s’intègre également aux principaux frameworks de post-entraînement et permet de créer des fonctions de perte et des architectures personnalisées.
Premiers pas
Alors que les modèles à poids ouverts rivalisent de plus en plus avec les modèles de pointe, les entreprises peuvent personnaliser l’intelligence artificielle (IA) pour gagner en précision tout en réduisant leurs coûts. Avec Cortex Training, les entreprises peuvent post-entraîner et déployer avec souplesse et à moindre coût des modèles à poids ouverts sur leurs données d’entreprise gouvernées et dans leur propre contexte. Pour découvrir les dernières innovations de Cortex Training en matière d’entraînement, consultez le blog de lancement, le dépôt GitHub et la page web.




