L'IA à poids ouverts vient de franchir un seuil. Le 16 juillet 2026, Moonshot AI, basée à Pékin, a publié Kimi K3, un modèle mixture-of-experts de 2,8 billions de paramètres avec vision native, entrée vidéo et fenêtre de contexte d'un million de tokens — le plus grand modèle à poids ouverts jamais annoncé, et le premier à s'approcher réellement de Claude Fable 5 et GPT-5.6 Sol sur les benchmarks de tâches réelles.
Pour les développeurs, K3 est bien plus qu'un titre d'actualité. Il arrive avec une API compatible OpenAI SDK, une tarification agressive centrée sur le cache, et la promesse de poids librement téléchargeables d'ici le 27 juillet. Ce guide couvre ce qu'est réellement K3, comment l'appeler dès aujourd'hui, ce qu'il coûte en pratique, et quand il a du sens face aux alternatives propriétaires.
Qu'est-ce que Kimi K3 ?
Kimi K3 est un modèle de raisonnement à mixture-of-experts (MoE) creuse qui active 16 experts sur 896 par token. Moonshot le présente comme « le premier modèle ouvert de classe 3T au monde » — environ 75 % plus grand que DeepSeek V4 Pro, l'ancien détenteur du record en poids ouverts.
Les spécifications clés :
- 2,8 billions de paramètres au total dans une architecture MoE creuse
- Fenêtre de contexte d'un million de tokens — un bond de 4x par rapport aux 256K de K2.6
- Multimodalité native — compréhension d'images et de vidéo intégrée dès la conception
- Raisonnement permanent — un « mode réflexion » pensé pour les workflows agentiques de longue haleine
- Deux variantes — K3 Max pour le chat et les tâches d'agents, K3 Swarm Max pour le traitement parallèle à grande échelle
Le modèle est disponible sur Kimi.com, l'application de bureau Kimi Work, l'outil terminal Kimi Code et la plateforme Kimi API, ainsi que sur OpenRouter.
L'architecture : pourquoi K3 passe à l'échelle différemment
K3 s'appuie sur deux contributions de recherche publiées par Moonshot cette année, toutes deux importantes pour les charges de travail réelles.
Kimi Delta Attention (KDA) est un mécanisme d'attention linéaire hybride qui, selon Moonshot, offre un décodage jusqu'à 6,3 fois plus rapide dans les contextes d'un million de tokens. L'attention quadratique complète devient hors de prix à cette échelle ; KDA est la raison pour laquelle une fenêtre de cette taille est utilisable en pratique et pas seulement en théorie.
Attention Residuals (AttnRes) récupère les représentations à travers la profondeur du modèle, ajoutant environ 25 % d'efficacité d'entraînement pour un surcoût inférieur à 2 %. Combinées à une série de techniques de sparsité — Stable LatentMoE, Quantile Balancing et Per-Head Muon notamment — Moonshot revendique une amélioration d'environ 2,5x de l'efficacité de mise à l'échelle par rapport à la génération K2.
La conséquence pratique : K3 gère les grands dépôts de code, les longs journaux et les boucles d'outils multi-étapes sans les astuces de compression de contexte dont dépendent la plupart des agents. Sur BrowseComp, il établit un record de 91,2 en fonctionnant comme agent unique sans aucune compression de contexte — signe que la fenêtre d'un million de tokens joue un rôle réel.
Benchmarks : troisième au général, premier parmi les modèles ouverts
Sur GDPval-AA v2 — un benchmark mesurant la performance sur des tâches réelles couvrant 44 métiers et 9 industries — K3 a obtenu 1 687 points. Cela le place troisième au général, derrière Claude Fable 5 Max (1 815) et GPT-5.6 Sol Max (1 747,8), mais devant Claude Opus 4.8 (1 600).
Avec l'effort de raisonnement maximal, K3 affiche également :
- 93,5 sur GPQA-Diamond (raisonnement scientifique de niveau doctoral)
- 91,2 sur BrowseComp (recherche web agentique, agent unique)
- 42,0 sur SWE Marathon (ingénierie logicielle de longue haleine)
- 1 527 sur AA-Briefcase — deuxième au général, devant GPT-5.6 Sol Max
Moonshot elle-même est restée mesurée dans son annonce, notant que K3 « reste derrière les modèles propriétaires les plus puissants, Claude Fable 5 et GPT 5.6 Sol ». Cette honnêteté est justifiée — mais l'écart entre poids ouverts et frontière s'est réduit d'un an à quelques mois.
Démarrer : l'API est compatible OpenAI
Si vous développez déjà avec les SDK OpenAI ou Anthropic, l'intégration est minimale. Pointez le client OpenAI vers l'URL de base de Moonshot :
from openai import OpenAI
client = OpenAI(
api_key="YOUR_MOONSHOT_API_KEY",
base_url="https://api.moonshot.ai/v1",
)
response = client.chat.completions.create(
model="kimi-k3",
messages=[
{"role": "system", "content": "Tu es un relecteur de code senior."},
{"role": "user", "content": "Analyse ce diff pour détecter les bugs de concurrence :\n" + diff_text},
],
temperature=0.3,
)
print(response.choices[0].message.content)Le même schéma fonctionne en TypeScript :
import OpenAI from "openai";
const client = new OpenAI({
apiKey: process.env.MOONSHOT_API_KEY,
baseURL: "https://api.moonshot.ai/v1",
});
const response = await client.chat.completions.create({
model: "kimi-k3",
messages: [{ role: "user", content: "Résume cet appel d'offres de 400 pages..." }],
});Une limitation actuelle à connaître : sur OpenRouter, K3 n'expose pour l'instant que le niveau d'effort de raisonnement max, des paliers plus légers étant promis. Prévoyez la latence en conséquence — les premiers testeurs rapportent des tâches de codage agentique complexes dépassant les 30 minutes. K3 est un modèle de profondeur, pas de vitesse.
Tarification : tout se joue sur le cache
Le tarif affiché de K3 est de 3 dollars par million de tokens d'entrée et 15 dollars par million de tokens de sortie — du milieu de gamme. La vraie histoire se trouve dans le palier de cache :
- Entrée en cache : 0,30 dollar par million de tokens — une remise de 90 %
- Entrée hors cache : 3,00 dollars par million de tokens
- Sortie : 15,00 dollars par million de tokens
Moonshot rapporte des taux de hit de cache supérieurs à 90 % sur les charges de codage, où les agents renvoient sans cesse le même contexte de dépôt. En pratique, une session de codage agentique peut ainsi coûter 60 à 80 % de moins que le tarif affiché. À titre de comparaison, Claude Opus 4.8 coûte environ 1,7 fois plus en entrée et près du double en sortie.
Pour en profiter, structurez vos prompts comme pour le prompt caching d'Anthropic : le contenu stable d'abord (prompt système, carte du dépôt, documentation), le contenu volatil en dernier (la tâche courante, les derniers résultats d'outils). Chaque token maintenu identique octet par octet d'un appel à l'autre est facturé à dix centimes sur le dollar.
Codage agentique : le terrain naturel de K3
Moonshot vise directement le marché du codage agentique. Le modèle est décrit comme excellant dans la navigation de grands dépôts, l'usage d'outils, le débogage et l'itération à partir d'images, de journaux, de tests et de retours d'exécution — et la gamme de produits le reflète : Kimi Code est un agent de codage en terminal dans la lignée de Claude Code, tandis que K3 Swarm Max cible le traitement multi-agents parallèle, prolongeant la direction « essaim » entamée avec Kimi K2.6.
Le contexte d'un million de tokens change les décisions d'architecture d'agents. Les patterns qui existent surtout pour contourner les petits contextes — résumés agressifs, fenêtres glissantes, découpage en sous-agents pour soulager le contexte — deviennent optionnels. Un seul agent K3 peut contenir simultanément une base de code de taille moyenne entière, la sortie de ses tests et un long historique d'utilisation d'outils.
Auto-hébergement : réaliste, mais pas pour tout le monde
Les poids complets sortent d'ici le 27 juillet en distribution ouverte et gratuite, en quantification MXFP4 avec activations MXFP8. Moonshot recommande un supernœud de 64 accélérateurs ou plus pour un déploiement complet.
Cela place l'auto-hébergement de K3 hors de portée des amateurs et de la plupart des startups — mais à la portée des fournisseurs cloud régionaux, des institutions de recherche et des programmes d'IA souveraine. Pour la Tunisie et la région MENA, c'est là l'enjeu stratégique : une capacité de classe frontière sans dépendance aux fournisseurs d'API américains, sur une infrastructure que l'on contrôle. Attendez-vous à ce que des fournisseurs d'inférence tiers hébergent K3 dès la sortie des poids, ce qui fait historiquement chuter les prix bien en dessous des tarifs du fournisseur d'origine — la dynamique décrite dans notre guide de l'auto-hébergement de LLM.
Quand choisir K3 plutôt que Claude ou GPT
Choisissez K3 quand :
- Le coût domine et votre charge est favorable au cache (codage agentique, pipelines documentaires)
- Vous avez besoin d'un vrai contexte d'un million de tokens sur un modèle ouvert
- Les poids ouverts comptent — conformité, souveraineté des données ou auto-hébergement futur
- Vous ciblez des marchés où la dépendance aux API américaines est un risque commercial
Restez sur Claude Fable 5 ou GPT-5.6 quand :
- Vous avez besoin de la capacité maximale — les deux surpassent encore K3 sur les tâches réelles
- La latence compte ; le raisonnement à effort maximal de K3 est lent sur les tâches difficiles
- Vous dépendez de l'outillage mature d'un fournisseur donné
- Le risque de poids non encore publiés est inacceptable — jusqu'au 27 juillet, les benchmarks restent invérifiés par des chercheurs indépendants
La voie médiane pragmatique est le routage multi-modèles : envoyez les charges volumineuses et riches en cache vers K3 et escaladez les raisonnements les plus durs vers un modèle frontière — l'architecture décrite dans notre guide des passerelles LLM.
Conclusion
Kimi K3 est la publication à poids ouverts la plus forte à ce jour, et la première qui impose une vraie discussion build-versus-buy au niveau frontière. L'architecture est crédible, l'API s'intègre en quelques lignes, et la tarification du cache est disruptive. Les réserves sont réelles aussi : le modèle est lent à effort maximal, les poids n'arrivent que le 27 juillet, et le sommet du classement appartient toujours aux modèles propriétaires.
Pour les développeurs, le pari de la semaine ne coûte presque rien : pointez un client OpenAI vers l'API Kimi, exécutez votre jeu d'évaluation et mesurez l'économie du cache sur votre propre charge de travail. Si les chiffres tiennent, l'ère des modèles ouverts vient de devenir beaucoup plus difficile à ignorer.
Pour les détails du lancement, lisez notre couverture de la sortie de K3.