USA's NEW #1 OPEN SOURCE Local AI - Better than Qwen? | Inkling-Small

USA's NEW #1 OPEN SOURCE Local AI - Better than Qwen? | Inkling-Small

LA NOUVELLE IA open source n°1 aux USA - Meilleure que Qwen ? | Inkling-Small

par xCreate · Voir la chaîne sur PSI

Sciences appliquées & ingénierie IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQLLangage naturel et traduction automatique
🎙 xCreate 👥 26K 📅 5 août 2026 ⏱ 15 min 👁 5K 📄 revue d'actualité 🧭 2026-09-16
Disponible en : Français (actuel) English

Mots-clés

Inkling-Smallopen sourcemodèle multimodalbenchmarkquantification

Résumé

Cette vidéo présente le modèle Inkling-Small de Thinking Machines, un modèle open weight multimodal. Le créateur teste ses capacités en audio, vision, génération de code et jeux, comparant avec d’autres modèles. Il montre des performances correctes mais avec des défauts. Il souligne l’absence d’erreurs runtime et la vitesse d’inférence. Il note que les benchmarks annoncés placent ce modèle en tête, mais que ses propres tests montrent des résultats variables. Il conclut que c’est un modèle prometteur pour un usage local. La vidéo inclut des tests audio (reconnaissance de voix, sons d’animaux), des tests vision (génération d’images 3D, visages photoréalistes), des tests de code (simulateur de vol, jeux), et des tests logiques et mathématiques. Le créateur mentionne les vitesses d’inférence et l’utilisation de la quantification 9-bit. Il compare avec des modèles comme Qwen 3.5, Nemotron 3 Ultra et GLM 5.2. Enfin, il souligne les points forts (vitesse, absence d’erreurs) et les points faibles (quelques échecs logiques).

155 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La vidéo apporte une évaluation concrète avec de nombreux exemples d’exécution. L’argumentation repose sur des démonstrations visuelles et des mesures de vitesse. Toutefois, elle manque de rigueur expérimentale : les prompts ne sont pas contrôlés, les comparaisons ne sont pas systématiques, et les benchmarks cités ne sont pas vérifiés. Néanmoins, la diversité des tests (audio, vision, code, jeux) donne une idée de la polyvalence du modèle. Les exemples montrent des réussites et des échecs, ce qui renforce l’honnêteté du testeur, mais la subjectivité reste élevée.

Rigueur scientifique, qualité des sources, adéquation du titre

Les sources sont principalement les liens de la description vers Hugging Face et l’application Inferencer, ainsi que des vidéos comparatives. La rigueur scientifique est limitée : les résultats sont subjectifs et les benchmarks ne sont pas indépendants. Le titre est accrocheur et correspond au contenu, mais il exagère la supériorité du modèle. Le créateur note lui-même quelques échecs, ce qui nuance son évaluation. La description contient des liens affiliés mais aussi des ressources utiles comme les modèles quantifiés et les vidéos comparatives.

182 mots

Adéquation titre / contenu

Le titre est légèrement trompeur car il affirme une supériorité sans comparaison exhaustive, mais la vidéo teste effectivement le modèle et montre ses performances.

Qualité & fiabilité

7/10

Le test pratique et l'affichage de résultats réels sont appréciables, mais la méthodologie est informelle et les benchmarks ne sont pas sourcés de manière indépendante.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Sources citées

Références externes

Apport & nouveautés

Cette vidéo fournit une démonstration pratique du modèle Inkling-Small, mettant en avant ses capacités multimodales et sa vitesse d’inférence localisée. Elle montre des résultats concrets sur divers prompts, ce qui permet d’évaluer les forces et faiblesses au-delà des benchmarks officiels. L’apport est principalement de l’ordre de la revue pratique, offrant un retour d’expérience utile pour ceux qui envisagent de l’utiliser localement.

Pour aller plus loin :

  • Mixture of experts — Architecture probablement utilisée par Inkling-Small, expliquant sa gestion de la taille.
  • Large language model — Contexte général sur les modèles de langage de grande taille.
  • Multimodal learning — Notion de multimodalité appliquée aux IA comme Inkling-Small.

106 mots

Profil radar

Le profil radar montre une bonne quantité d'informations et une qualité appréciable, mais une fiabilité globale moyenne due à l'absence de protocole scientifique strict. Le niveau technique est suffisant pour une vulgarisation, mais pas pour une analyse experte.

Fiabilité 6/10