Kimi K3 bat GPT-5.6 Sol sur l’IA agentique et libère ses poids le 27 juillet

Le modèle qui vient de surpasser le modèle phare d’OpenAI sur le benchmark le plus important pour le codage sur de longs horizons et le travail de connaissance est disponible dès aujourd’hui via API. Il ne vient ni d’OpenAI, ni de Google, ni d’Anthropic. Kimi K3 est la dernière version de Moonshot AI, une startup pékinoise surtout connue pour le chatbot Kimi, et c’est le plus grand modèle de langage à poids ouverts jamais publié : 2,8 billions de paramètres au total dans une architecture sparse qui réduit les coûts en n’activant qu’une fraction d’entre eux par requête.

Sur AA-Briefcase — l’évaluation agentique d’Artificial Analysis conçue pour simuler un travail de connaissance réel plutôt que des problèmes de manuel — Kimi K3 a obtenu 1 527 points, se classant deuxième seulement derrière Claude Fable 5 Max avec 1 587 points et battant GPT-5.6 Sol Max avec 1 495 points. Sur le benchmark plus large GDPval-AA, le modèle se classe troisième avec 1 687 points, derrière Fable 5 Max (1 815) et GPT-5.6 Sol Max (1 747,8). L’écart de performance entre la première et la deuxième place sur le benchmark agentique est plus étroit que l’écart entre la deuxième et la cinquième.

La différence de prix est plus difficile à ignorer que les classements des benchmarks. Kimi K3 facture 3 $ par million de tokens d’entrée non mis en cache et 15 $ par million de tokens de sortie. Claude Opus 4.8 facture 5 $ par million de tokens d’entrée et 25 $ par million de tokens de sortie. Pour les équipes qui exécutent des workflows agentiques à haut volume, Moonshot fait état de taux de cache supérieurs à 90 % sur les charges de travail de codage, ramenant le coût effectif d’entrée à 0,30 $ par million de tokens — un chiffre qui change la donne économique pour le déploiement de l’IA de pointe à grande échelle.

Deux innovations architecturales sous-tendent le modèle. Kimi Delta Attention est un mécanisme d’attention linéaire hybride que l’entreprise dit permettre un décodage 6,3 fois plus rapide dans des contextes d’un million de tokens par rapport à l’attention standard. Attention Residuals est décrit comme un remplacement direct des connexions résiduelles standard qui offre des gains de performance constants à mesure que le modèle s’adapte. La fenêtre de contexte d’un million de tokens — suffisante pour contenir environ dix romans complets à la fois — est opérationnelle et fonctionnelle, et non une spécification théorique.

Il existe une distinction importante entre « disponible dès aujourd’hui » et « open source » qui compte ici. Kimi K3 est accessible dès maintenant via l’API et l’application Kimi, ce qui signifie que les requêtes transitent par les serveurs de Moonshot. Les poids réels du modèle — les paramètres entraînés qui permettraient à quiconque de le déployer sur sa propre infrastructure — ne sont pas encore publics. Moonshot prévoit de les publier le 27 juillet sous une licence MIT modifiée, les mêmes conditions que pour le précédent modèle K2. Pour la plupart des développeurs, l’API répond à leurs besoins ; pour les organisations ayant des exigences de souveraineté des données ou de conformité, la date de publication des poids est la date pertinente.

La prise en charge multimodale native couvre les entrées texte, image et vidéo dans le même appel API. Le nombre total de paramètres de 2,8 billions du modèle fait référence à l’ensemble des paramètres MoE clairsemés ; le nombre de paramètres actifs par passage avant est considérablement inférieur, ce qui permet à Moonshot de maintenir des coûts d’inférence faibles. Exécuter le modèle complet localement nécessiterait un matériel bien au-delà d’une station de travail grand public. Ce que les poids ouverts permettront, c’est un déploiement sur une infrastructure d’entreprise sans acheminer les données via une API détenue par une entreprise chinoise.

La publication des poids le 27 juillet déterminera dans quelle mesure l’avantage sur les benchmarks se maintient en déploiement réel. Lorsque Moonshot a publié K2 avec des conditions ouvertes comparables, l’adoption par les développeurs a été plus rapide que prévu par l’entreprise — en partie parce que la combinaison de performances quasi-frontières et d’une licence de type MIT a supprimé les frictions juridiques pour les équipes qui avaient besoin des deux. K3 est un pari plus important sur la même stratégie.

Étiquettes: GPT-5.6, modèles d'IA, IA locale, IA open-source, Kimi K3, Moonshot AI