« Kimi K3 2.8T-A50B : le plus grand modèle ouvert jamais publié, niveau Opus 4.8 au prix de Sonnet 5 »

Moonshot AI a officiellement lancé Kimi K3, un modèle open-weights qu'elle présente comme une "intelligence frontière ouverte" de 2,8 billions de paramètres au total, avec une fenêtre de contexte d'un million de tokens, une entrée multimodale native et deux innovations techniques maison : Kimi Delta Attention (KDA), qui promet un décodage jusqu'à 6,3 fois plus rapide sur des contextes très longs, et Attention Residuals (AttnRes), censé apporter environ 25% d'efficacité d'entraînement supplémentaire pour moins de 2% de coût additionnel. Le modèle est déjà disponible sur Kimi.com, Kimi Work, Kimi Code et via API, et Moonshot promet la publication des poids ouverts pour le 27 juillet 2026, ce qui en ferait le plus grand modèle open-weight jamais diffusé. Sur l'Arena Frontend Code, Kimi K3 s'est hissé à la première place avec 1679 points, dépassant Claude Fable 5, et bondissant de la 18e place (occupée par la version précédente K2.6) au sommet du classement, avec un taux de victoire en duel de 76% contre 63% pour Fable 5 et 58% pour GPT-5.6 Sol. Dans l'Arena Text, il se classe 9e avec 1486 points, contre 38e auparavant. Artificial Analysis, de son côté, lui attribue un score de 57 sur son Intelligence Index, le plaçant au niveau d'Opus 4.8 et de GPT-5.5, avec un coût par tâche de 0,94 dollar et environ 21% de tokens de sortie en moins que K2.6.

Cette montée en puissance a des conséquences directes pour l'écosystème de l'IA générative. En proposant des performances comparables aux meilleurs modèles fermés à un tarif proche de celui de Sonnet 5, Kimi K3 renforce la pression concurrentielle sur les laboratoires occidentaux et confirme la capacité des acteurs chinois à rivaliser au plus haut niveau, après les précédents marquants de DeepSeek. Pour les développeurs et les entreprises, cela signifie un accès à un modèle taillé pour le codage agentique de long terme, les flux de travail auto-évolutifs et les usages "vision in the loop", où le modèle itère entre code et captures d'écran pour affiner ses productions, le tout à un coût potentiellement bien inférieur aux offres propriétaires équivalentes une fois les poids publiés.

Le contexte de cette annonce s'inscrit dans une compétition de plus en plus tendue entre modèles ouverts et fermés, où chaque nouvelle génération cherche à combler l'écart avec les ténors du secteur, ici explicitement Claude Fable 5 et GPT-5.6 Sol, contre lesquels Moonshot reconnaît elle-même un "écart perceptible" en matière d'expérience utilisateur malgré des scores bruts compétitifs. L'architecture repose notamment sur une variante appelée LatentMoE, avec 16 experts activés sur 896 disponibles, un choix qui vise à maximiser la capacité du modèle tout en maîtrisant les coûts de calcul. La publication effective des poids fin juillet sera scrutée de près, tant elle pourrait rebattre les cartes de l'écosystème open-source face aux offres commerciales fermées.