Les langages de programmation probabiliste (PPL) ont acquis une grande popularité pour la modélisation bayésienne, des cadres bien établis tels que Stan et PyMC devenant des outils standard dans divers domaines. Cependant, alors que les recherches récentes en inférence variationnelle ont produit des méthodes évolutives capables de capturer des postérieurs non gaussiens complexes, notamment les flux de normalisation, ces avancées n'ont pas encore été intégrées aux flux de travail de base des PPL courants. Nous vous présentons Bayinx, un PPL intégré à Python qui exploite JAX pour une modélisation évolutive à la fois sur les processeurs et les processeurs graphiques. Bayinx normalise les flux pour fournir une approximation variationnelle haute fidélité qui constitue une alternative puissant à la méthode de Monte Carlo par chaînes de Markov. De plus, Bayinx permet aux utilisateurs de traiter des objets Python arbitraires comme des paramètres, offrant ainsi une intégration transparente de classes personnalisées utilisant d'autres bibliothèques JAX dans des modèles probabilistes. Nous démontrons ces capacités à travers divers exemples de modélisation.