Le modèle ouvert K3 de Kimi se rapproche de GPT-5.6 Sol et Fable 5, marquant la fin de l'IA chinoise à bas coût

Le modèle open source Kimi K2.7 Code est jusqu'à 12 fois moins cher par token que GPT-5.5 et Claude

Moonshot AI, la startup chinoise spécialisée en intelligence artificielle, a lancé Kimi K2.7 Code, un modèle open-weights d'un trillion de paramètres entièrement orienté vers la programmation. Disponible en accès public, ce modèle se distingue avant tout par son positionnement tarifaire agressif : son coût par token est jusqu'à douze fois inférieur à celui de GPT-5.5 d'OpenAI et de Claude Opus 4.8 d'Anthropic, les deux références actuelles du marché sur les tâches de code. Sur les benchmarks de programmation, Kimi K2.7 Code reste en retrait par rapport à GPT-5.5 et Claude Opus 4.8, sans atteindre leurs niveaux de précision. Mais la vraie question n'est pas celle de la performance brute : à budget équivalent, un développeur ou une entreprise peut effectuer douze fois plus d'appels avec Kimi K2.7 Code qu'avec ses concurrents propriétaires. Pour des cas d'usage à fort volume, comme l'autocomplétion en continu, la revue de code automatisée ou les agents de développement, ce différentiel de coût peut largement compenser l'écart de qualité. Ce lancement s'inscrit dans une tendance de fond où les modèles open-weights chinois rivalisent de plus en plus frontalement avec les grands modèles propriétaires américains sur le rapport qualité-prix. Moonshot AI suit une trajectoire similaire à celle de DeepSeek, qui avait bouleversé le secteur début 2025 avec des modèles très compétitifs à faible coût. La montée en puissance de ces alternatives accessibles force OpenAI et Anthropic à justifier leurs prix premium, et accélère la démocratisation des outils d'IA pour les équipes techniques aux ressources limitées.

💬 12x moins cher, c'est pas un détail de tarification, c'est un changement d'échelle pour ce qu'on peut se permettre de faire tourner. Bon, les benchmarks le placent derrière GPT-5.5 et Opus 4.8, mais pour de l'autocomplétion ou de la revue de code en volume, la question elle se pose pas vraiment. C'est la trajectoire DeepSeek qui continue, et ça oblige OpenAI et Anthropic à expliquer pourquoi leurs prix premium valent encore le coup.

« 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.

IA : Avec un modèle moins coûteux et « résistant à la censure », Mira Murati rivalise avec les modèles chinois

Il ne s'agit ni de rattraper OpenAI ni de dépasser les modèles chinois sur la performance brute : Thinking Machines Lab, la start-up cofondée par Mira Murati, ancienne directrice technique d'OpenAI, a présenté Inkling, un modèle qu'elle reconnaît elle-même ne pas être le plus performant du marché. Sa promesse repose ailleurs, sur trois atouts assumés : un coût d'exploitation nettement mieux maîtrisé que ceux d'OpenAI ou d'Anthropic, une capacité de personnalisation poussée pour les entreprises clientes, et une résistance revendiquée à la censure. Cette approche tranche avec la stratégie de la plupart des laboratoires occidentaux, qui misent sur des modèles toujours plus puissants et plus chers à faire tourner. Ce positionnement vise directement le terrain où les modèles chinois, à l'image de DeepSeek ou Qwen, ont gagné du terrain ces derniers mois : celui des entreprises qui cherchent des solutions d'IA générative à prix contenu, sans exiger la performance de pointe. En proposant une alternative occidentale sur ce même segment économique, Thinking Machines Lab espère capter une clientèle professionnelle sensible aux coûts de licence et d'inférence, tout en offrant des garanties de personnalisation et de transparence que les modèles chinois n'apportent pas toujours, notamment sur les questions de modération des contenus. Cette stratégie s'inscrit dans un marché de l'IA générative de plus en plus segmenté, où la course au modèle le plus puissant coexiste désormais avec une bataille sur les prix et l'adaptabilité. Fondée par Mira Murati après son départ d'OpenAI, Thinking Machines Lab cherche à se différencier de ses anciens employeurs en misant sur un modèle économique distinct plutôt que sur une surenchère technologique. Reste à voir si Inkling parviendra à convaincre les entreprises face à la concurrence, à la fois occidentale et chinoise, sur un marché où les positionnements se multiplient rapidement.

💬 Bon, Inkling n'est pas le modèle le plus puissant, et Mira Murati l'assume complètement. C'est peut-être ça le vrai signal : la course à la perf brute n'est plus le seul jeu en ville, et un acteur occidental qui accepte de perdre ce match pour gagner celui du prix, ça change la donne face à DeepSeek et Qwen. Reste à voir si les entreprises suivent, parce que sur le papier c'est malin, mais le marché du "moins cher et personnalisable" est déjà en train de se remplir vite.

Le nouveau modèle affiné Fin Apex 1.0 d'Intercom surpasse GPT-5.4 et Claude Sonnet 4.6 en support client

Intercom, la plateforme de service client fondée il y a quinze ans, a annoncé jeudi le lancement de Fin Apex 1.0, un modèle d'intelligence artificielle développé en interne et spécifiquement conçu pour la résolution de demandes clients. Selon les benchmarks partagés avec VentureBeat, ce modèle atteint un taux de résolution de 73,1 % — la proportion de problèmes résolus sans intervention humaine — contre 71,1 % pour GPT-5.4 et Claude Opus 4.5, et 69,6 % pour Claude Sonnet 4.6. Fin Apex répond en 3,7 secondes, soit 0,6 seconde plus vite que ses concurrents directs, affiche une réduction de 65 % des hallucinations par rapport à Claude Sonnet 4.6, et coûte environ cinq fois moins cher que les grands modèles frontières utilisés directement. Il est inclus dans les plans tarifaires existants d'Intercom, basés sur un modèle « par résolution ». Le modèle alimente déjà Fin, l'agent IA d'Intercom qui traite plus de deux millions de conversations clients par semaine. Un écart de 2 points de pourcentage peut sembler anecdotique, mais pour les entreprises gérant des millions d'interactions, l'impact financier est considérable. « Si vous gérez de grandes opérations de service à l'échelle, avec 10 millions de clients ou un milliard de dollars de chiffre d'affaires, un delta de 2 ou 3 % représente une quantité énorme de clients, d'interactions et de revenus », a déclaré le PDG Eoghan McCabe. Au-delà des chiffres, Fin Apex illustre une stratégie de plus en plus viable pour les éditeurs de logiciels verticaux : plutôt que de se reposer sur des API génériques de OpenAI ou Anthropic, ils peuvent construire des modèles spécialisés plus rapides, moins coûteux et plus précis dans leur domaine — en capitalisant sur leurs données propriétaires accumulées au fil des années. Ce lancement s'inscrit dans une tendance de fond : le post-entraînement devient le véritable champ de bataille de l'IA, la pré-formation des grands modèles étant désormais considérée comme une commodité. Intercom a affiné son modèle de base — un modèle open-weights dont la société refuse de révéler l'identité « pour des raisons concurrentielles » — avec des années de données de service client issues de Fin, en intégrant des systèmes d'apprentissage par renforcement ancrés sur des résolutions réelles. Cette opacité partielle rappelle la controverse qu'a connue Cursor, accusé d'avoir dissimulé que son modèle Composer 2 était basé sur un modèle open source affiné. Intercom reconnaît utiliser une base open-weights, mais refuse d'en préciser la source, une posture qui soulèvera sans doute des questions sur la réalité de sa « transparence ». La société indique vouloir changer de modèle de base à l'avenir, ce qui suggère que Fin Apex est moins un modèle figé qu'une infrastructure d'optimisation continue — et potentiellement un modèle que d'autres plateformes verticales pourraient chercher à reproduire.