Moonshot AI· sujet

Mistral Large 4 passe de 38 à 25 points sur le nouvel indice d'Artificial Analysis

Artificial Analysis a publié le 27 octobre 2026 la version 5 de son indice de référence, dont 60 % des évaluations sont désormais privées ou à réponses secrètes. Le changement pénalise nettement les modèles à poids publiés ou annoncés. Douze d'entre eux perdent de 12 à 16 points, alors que Claude Opus 5.5 reste stable à 58. Mistral Large 4 passe ainsi de 38 à 25 points et se retrouve à égalité avec Muse Spark Open. Ses poids doivent être publiés autour du 31 octobre, selon une estimation. Ce recalibrage modifie la lecture de la rivalité entre modèles fermés et modèles ouverts. Selon le nouvel indice, l'écart entre le meilleur modèle fermé et les meilleurs poids publiés passe de 12 à 26 points. Artificial Analysis met pourtant en avant un écart de 3 à 12 points. Ce chiffre inclut Kimi K3.1 Pro, dont les poids ne sont pas publiés, ce qui brouille la comparaison. Pour les entreprises qui choisissent un modèle ouvert afin de garder la maîtrise de leurs données ou de leurs coûts, la différence de performance annoncée devient beaucoup plus difficile à interpréter. Le recours massif à des évaluations privées répond à un problème connu des classements publics : des jeux de tests accessibles peuvent être appris, volontairement ou non, par les modèles. Des questions dont les réponses restent secrètes limitent ce risque. Elles déplacent aussi une part de la confiance vers l'évaluateur, puisque les tests ne peuvent plus être vérifiés par tous. La publication des poids de Mistral Large 4 permettra de voir si d'autres évaluations confirment ce recul.

💬 Quand 60 % des tests deviennent secrets, ce n'est plus seulement le modèle qu'on note, c'est la confiance qu'on accorde à celui qui tient le carnet de notes. Douze modèles ouverts perdent 12 à 16 points, Opus 5.5 ne bouge pas, et l'écart fermé/ouvert passe de 12 à 26 : bon, sur le papier, ça ressemble à de la contamination qu'on nettoie. Mais tu ne peux plus vérifier le test, donc tu prends le verdict sur parole. Moi, j'attendrais la publication des poids de Mistral Large 4 et des évaluations tierces avant de jeter quoi que ce soit.

Kimi 3.1 Pro (104B actifs, 2,8T au total) : un modèle open weights de niveau Fable-5.1 réduit l'écart avec les IA fermées à 1 mois, et une API Pro Highspeed 2 à 3 fois plus rapide

Moonshot a lancé Kimi K3.1 Pro, un modèle multimodal de type mixture-of-experts de 2,8 billions de paramètres au total, dont 104 milliards actifs, avec une fenêtre de contexte d'un million de tokens. Les poids ouverts sont promis pour le 4 novembre 2026, mais seule l'API est disponible pour l'instant. Deux versions sont proposées sur le site et l'application Kimi, Kimi Work, Kimi Code et l'API. La version Highspeed génère, selon Moonshot, 2 à 3 fois plus vite à intelligence égale, pour un tarif deux fois supérieur. Le lancement inclut aussi Kimi Hosted Agents, un environnement géré fonctionnant 24h/24 pour les tâches longues et la collaboration multi-agents. Côté mesures indépendantes, Artificial Analysis classe K3.1 Pro quatrième de son Intelligence Index avec 55 points, derrière Opus 5.5 (58) et à deux points de Sonnet 5.5 et Muse Wonder Full (56). Arena le place huitième du Code Arena WebDev avec 1 692 points, soit neuf places et 37 points de plus que Kimi K3. Il obtient aussi 64 % à l'indice Cyber d'Artificial Analysis, meilleur résultat publiquement accessible, derrière GPT-6 Sol Daybreak Blue (69 %), réservé à un accès de confiance. Ce lancement réduit l'écart entre modèles ouverts et fermés à environ un mois, selon le titre de la newsletter AINews. Il s'agit du premier modèle à poids ouverts annoncé comme supérieur à Fable 5.1, et pas seulement à Fable 5. Pour les entreprises et développeurs, c'est la perspective d'un modèle de classe frontière qu'ils pourraient héberger eux-mêmes. Moonshot revient par ailleurs parmi les quatre meilleurs laboratoires du classement Arena. Les gains portent surtout sur les tâches agentiques, moins sur les connaissances et les sciences. Les réactions sont partagées. L'enthousiasme face à un possible modèle ouvert de pointe se heurte à des doutes sur l'économie de l'inférence, à des résultats plus faibles sur certaines tâches interactives, à la présentation des benchmarks et à des accusations de promotion payante non déclarée. Ces débats sont distincts : la qualité d'un benchmark ne dit rien du coût de déploiement, et une accusation de promotion ne prouve rien sur les capacités du modèle. La licence, les conditions de redistribution, les restrictions commerciales, la précision des checkpoints et les besoins complets d'inférence restent inconnus. Cette sortie accomplit une prédiction de Jie Tang, PDG de Z.ai, formulée il y a deux mois : un modèle ouvert de classe Fable avant la fin de l'année. Elle arrive avec deux mois et demi d'avance, deux semaines après que Meta a atteint ce niveau en source fermée. K3.1 Pro est une version de Kimi K3 post-entraînée avec un budget de calcul nettement plus important, dans une logique proche du passage de Z.ai de la version 5.2 à 5.3. Moonshot dit avoir optimisé toute la chaîne (framework d'apprentissage par renforcement, inférence à long contexte, efficacité d'entraînement, bacs à sable, ordonnancement des rollouts, contrôle qualité des environnements) pour mener un RL conjoint sur des centaines de domaines, avec des gains réguliers dans chacun. Les détails de recherche restent minces, et la vraie mesure de l'ouverture viendra des poids et de leur licence début novembre.

💬 Selon Le Fil IA, un modèle ouvert de classe frontière ne se juge plus à son score mais à qui peut l'héberger, et là-dessus on ne sait encore rien. Kimi K3.1 Pro se place quatrième de l'Intelligence Index à deux points de Sonnet 5.5, et l'écart avec les modèles fermés tombe à un mois. Bon, sur le papier. Mais 2,8T de paramètres dont 104B actifs, ça ne tourne pas dans ton garage, et sans la licence ni les poids début novembre, "open weights" reste une promesse. Reste à voir si ça tient en prod, et à quel prix.

Le modèle chinois Kimi K3.1 Pro rattrape peu à peu Claude Opus 5.5 d'Anthropic

Moonshot AI, laboratoire chinois d'intelligence artificielle, vient de présenter Kimi K3.1 Pro, un modèle qui obtient 55 points sur l'Artificial Analysis Intelligence Index. Ce score représente un bond de 11 points par rapport à la version précédente et place le modèle à la quatrième position du classement. Seuls trois modèles, signés Anthropic et Meta, font mieux. Kimi K3.1 Pro se retrouve ainsi à portée de Claude Opus 5.5, l'un des systèmes propriétaires les plus performants du moment. L'enjeu dépasse le simple rang. Moonshot prévoit de publier les poids du modèle. Si cette promesse est tenue, l'écart entre les meilleurs modèles ouverts et les meilleurs modèles propriétaires ne serait plus que de trois points sur cet indice. Concrètement, les entreprises pourraient héberger elles-mêmes un modèle proche de la frontière technologique, l'adapter à leurs besoins et garder la maîtrise de leurs données, sans passer par l'API d'un fournisseur américain. Cela accentuerait aussi la pression sur les tarifs des acteurs fermés. Cette progression s'inscrit dans la montée en puissance des laboratoires chinois, qui ont fait de la publication de modèles à poids ouverts un levier de diffusion et de crédibilité face à OpenAI, Anthropic ou Google. La présence de Meta parmi les modèles mieux classés rappelle que l'ouverture n'est plus l'apanage de la Chine. Reste à voir si Moonshot publiera effectivement les poids dans les délais annoncés et si des évaluations indépendantes confirmeront ce niveau dans des usages réels.

💬 Un modèle ouvert à trois points de la frontière, c'est la fin de l'argument « le meilleur modèle est forcément chez un Américain ». Kimi K3.1 Pro prend 11 points d'un coup, et la question n'est plus de savoir si l'open weights suit, mais ce que ça vaut de payer une API quand on peut héberger presque pareil chez soi. Bon, sur le papier. Les poids ne sont pas encore publiés, et un indice ne dit rien de ce que ça donne en prod, sur ton code et tes données. Mais si la promesse tient, ce sont les tarifs des acteurs fermés qui vont trinquer.

Z.ai GLM-Legal devance Claude Fable 5 et Kimi K3 sur le benchmark Harvey LAB

Z.ai a lancé GLM-Legal, un modèle d'IA juridique dérivé de GLM-5.3-Flash et entraîné pour des tâches d'agent dans le domaine du droit : revue de contrats, analyse de preuves et recherche en conformité. Son résultat phare est un taux de réussite intégrale de 19,17 % sur le Legal Agent Benchmark (LAB) de Harvey, soit près de trois fois les 6,67 % du modèle de base. Ce benchmark open source compte 1 250 tâches réparties sur 24 domaines du droit, notées selon plus de 75 000 critères rédigés par des experts. Une tâche n'est validée que si tous ses critères le sont. Vals AI a exécuté l'évaluation sur l'ensemble réservé, avec deux juges LLM et sans accès à internet. GLM-Legal y prend la 7e place sur 79, devant Kimi K3 (12,92 %), Claude Fable 5 (11,25 %) et GPT-6 Astra (5,42 %). Il valide aussi 92,5 % des critères pris individuellement. Sur LegalBench, il obtient 86,23 %, contre 88,56 % pour Claude Fable 5, le leader, et 86,21 % pour Kimi K3. Le principal argument est le coût. Un test Harvey LAB revient à environ 0,15 dollar avec GLM-Legal, contre 3,83 dollars pour Kimi K3, 19,23 dollars pour Claude Fable 5 et 26,16 dollars pour GPT-6 Astra, soit environ 128 fois moins que Claude Fable 5. Pour les cabinets d'avocats, les directions juridiques et les équipes de conformité, cela rend envisageable l'automatisation de tâches longues et volumineuses. Les limites sont réelles. L'accès à l'API se fait uniquement sur candidature, sans tarif publié ni poids publics. Chaque tâche prend en moyenne 1 h 12, contre 14 minutes pour Kimi K3. Sur le Legal Research Bench de Vals AI, GLM-Legal recule à 41,83 %, sous son modèle de base (45,19 %). Le graphique de lancement de Z.ai omet en outre six modèles mieux classés, dont Muse Spark 1.2 en tête avec 25,42 %. Le modèle de base est le premier GLM-5 nativement multimodal de Z.ai. Il compte 320 milliards de paramètres au total, dont 18 milliards actifs, en architecture de mélange d'experts. Il offre un contexte d'un million de jetons, jusqu'à 128 000 jetons en sortie, et combine attention éparse et linéaire pour réduire le coût de service sur les longs contextes. Z.ai ne précise pas de nombre de paramètres propre à GLM-Legal. L'entraînement s'est fait en deux temps : un pré-entraînement intermédiaire sur des corpus juridiques élargis, pour renforcer le raisonnement des faits vers les règles puis la conclusion, suivi d'un apprentissage par renforcement dans des dizaines de milliers d'environnements de tâches juridiques. Z.ai explique avoir fait évoluer l'infrastructure d'agent en parallèle du modèle : les cas limites révélaient des goulots d'étranglement, et leur correction exposait ensuite le modèle à des contraintes plus réalistes. Z.ai affirme aussi une parité sur LegalBench et sur PLawBench, centré sur le droit chinois, sans publier de chiffres pour ce dernier. L'initiative s'inscrit dans la course aux modèles spécialisés par métier, où les laboratoires chinois misent sur le rapport qualité-prix face aux acteurs américains.

Mistral AI lance Mistral Large 4 (Le Chonk) : un modèle multimodal MoE de 1 050 milliards de paramètres

Mistral AI a lancé le 6 octobre 2026, en préversion publique, Mistral Large 4, surnommé en interne « Le Chonk ». Il s'agit d'un modèle à mélange d'experts granulaire de 1,05 billion de paramètres au total, dont 49 milliards sont actifs par token. Il embarque un encodeur de vision de 1,6 milliard de paramètres et une fenêtre de contexte d'un million de tokens. Entraîné de zéro sur 3 800 GPU NVIDIA Grace Blackwell dans les centres de données européens de Mistral, il a été formé sur plus de 160 langues, dont toutes les langues officielles de l'UE. L'API est ouverte dès maintenant à 1,36 dollar le million de tokens en entrée et 4,18 dollars en sortie, et 0,14 dollar pour les entrées en cache. Les poids ne seront publiés qu'à la fin octobre, ce qui exclut pour l'instant l'auto-hébergement. Mistral n'a pas encore détaillé le nombre d'experts, le routage ni l'architecture des couches, ni la licence. Les résultats les plus marquants concernent la cybersécurité : 93 % sur Cybench et 82 % sur CyberGym-E2E, ce qui place le modèle dans le top 5 mondial de l'Artificial Analysis Cyber Index. Mistral affirme que plusieurs modèles fermés de pointe obtiennent un score proche de zéro sur CyberGym-E2E parce qu'ils refusent la tâche, alors que reproduire une vulnérabilité pour en prouver l'existence relève du travail défensif courant. En codage agentique, le modèle atteint 61,7 % sur DeepSWE v1.1, 59,4 % sur SWE-Atlas-QnA et 28,3 % sur Terminal-Bench 4.0, soit 49,8 % à l'indice Coding Agent d'Artificial Analysis, mais ces mesures ont été réalisées en privé et ne sont pas encore reproductibles. Une évaluation humaine en aveugle menée avec Surge AI lui donne 3,74 sur 5, deuxième place sur cinq modèles, devant GLM-5.3 (3,60) et Kimi K3 (3,59), mais derrière Claude Opus 5 (4,22). Côté sécurité, il résiste à 93,3 % des attaques du benchmark B3 de Lakera et obtient 1,691 sur 2,0 à KORABench. Cette sortie compte d'abord par son rapport coût-performance. Seuls 4,7 % des poids s'activent par token, ce qui permet de servir un modèle de la classe du billion à un tarif intermédiaire. Il faut toutefois garder en mémoire les 1,05 billion de paramètres, si bien que l'activation réduit le calcul, pas la facture matérielle. Le prix du cache change l'économie des boucles d'agents sur de longs contextes. Pour les équipes de sécurité, un modèle qui ne refuse pas les tâches défensives légitimes comble un manque réel face aux acteurs fermés. L'entraînement sur infrastructure européenne renforce aussi l'argument de souveraineté. Mistral se positionne face aux modèles à poids ouverts : DeepSeek V4 Pro (1,6 billion de paramètres, 49 milliards actifs, licence MIT, sans image native), Kimi K3 (2,8 billions, environ 104 milliards actifs, sorti le 16 juillet 2026, à 3 et 15 dollars) et GLM-5.3 (1,40 et 4,40 dollars, sorti le 14 août 2026). Mistral Large 4 est le seul de ce groupe à accepter nativement les images, mais ses poids et sa licence restent à confirmer. La publication de fin octobre dira si la promesse d'ouverture est tenue, et la reproduction indépendante des scores de codage et de cybersécurité permettra de départager les chiffres annoncés de la performance réelle.

💬 Un billion de paramètres dont 4,7 % actifs, ça baisse la facture de calcul, pas celle du matériel : le vrai pari de Mistral est ailleurs, dans le fait de ne pas refuser les tâches de cybersécurité défensive. Selon moi, un modèle qui refuse de reproduire une faille pour la prouver est inutilisable pour une équipe sécurité, et c'est là que les modèles fermés se tirent une balle dans le pied. Bon, sur le papier, 93 % sur Cybench et 82 % sur CyberGym, c'est superbe. Mais les scores de codage sont mesurés en privé, et les poids n'arrivent qu'à la fin du mois : reste à voir si ça tient en prod.

Beam, l’IA ouverte américaine se frotte aux modèles chinois DeepSeek, Kimi, MiMo et GLM

Reflection AI a dévoilé lundi 5 octobre Beam, un modèle d'intelligence artificielle open-weight, c'est-à-dire dont les poids sont accessibles publiquement. L'entreprise américaine affirme qu'il égalerait le modèle chinois GLM-5.2 tout en mobilisant trois à quatre fois moins de calcul. Les résultats publiés par Reflection AI elle-même nuancent toutefois ce message. Sur son propre tableau de comparaison, Beam affronte plusieurs poids lourds chinois, dont DeepSeek, Kimi, MiMo et GLM, et ces derniers conservent l'avantage dans la plupart des évaluations. L'enjeu tient moins au classement brut qu'au rapport entre performance et puissance de calcul. Si l'affirmation se confirme, un modèle ouvert aussi efficace coûterait moins cher à entraîner et à déployer. Cela intéresserait les entreprises et les développeurs qui veulent héberger eux-mêmes leur IA, sans dépendre d'une API fermée. Pour les acteurs américains, c'est aussi un signal : l'écosystème des modèles ouverts n'est plus dominé uniquement par la Chine. Ces dernières années, les laboratoires chinois ont imposé leurs modèles ouverts comme des références, avec DeepSeek, Moonshot (Kimi), Xiaomi (MiMo) et Zhipu (GLM). Reflection AI, fondée par d'anciens chercheurs de Google DeepMind, s'est positionnée comme une réponse américaine à cette avance, avec le soutien d'investisseurs de premier plan. Beam constitue sa première démonstration publique de ce pari. La suite dépendra des vérifications indépendantes de ses performances et de la capacité de l'entreprise à combler l'écart restant avec ses concurrents chinois.

Together Link : un outil CLI gratuit pour utiliser des modèles ouverts comme Kimi K3 et GLM 5.3 dans Claude Code, Codex et OpenCode

Together AI a lancé Together Link, un outil en ligne de commande gratuit, sous licence MIT et actuellement en version bêta. Il relie les agents de programmation que les développeurs utilisent déjà (Claude Code, Claude Desktop, Codex, ChatGPT Desktop, OpenCode et Pi) aux modèles ouverts hébergés par Together AI. L'installation tient en une commande curl sur macOS ou Linux et ne demande qu'une clé API Together. Les commandes, le routage et la liste des modèles peuvent encore changer. Le catalogue comprend Kimi K3, GLM 5.3, GLM 5.3 Flash et DeepSeek V4.1 Flash, tous avec un contexte d'un million de jetons. Les tarifs affichés sont de 3 dollars en entrée et 15 dollars en sortie par million de jetons pour Kimi K3, et de 1,40 et 4,40 dollars pour GLM 5.3. DeepSeek V4.1 Flash et MiniMax M3 sont à 0,30 et 1,20 dollar. Le fonctionnement repose sur une architecture sans proxy local ni démon : chaque outil dialogue directement avec la passerelle hébergée de Together. Les agents en terminal reçoivent une configuration temporaire, effacée à la fin de la session, tandis que les applications de bureau utilisent des profils réversibles. Par défaut, un modèle virtuel « auto » lit la première tâche de la session et envoie les corrections rapides vers des modèles économiques, les problèmes difficiles vers des modèles de pointe. Avec une clé Anthropic, il arbitre entre Opus 5.5 et GLM 5.3, uniquement dans Claude Code et Claude Desktop. Sans clé, il choisit entre GLM 5.3 et GLM 5.3 Flash. Le routage n'intervient qu'une fois par session, ce qui préserve le cache de prompts. Chaque session affiche ses totaux en jetons et en dollars à la sortie, et la ligne d'état de Claude Code compare la dépense estimée au coût équivalent d'Opus. L'enjeu est financier. Selon Together, les équipes d'ingénierie dépensent de dizaines de milliers à plusieurs millions de dollars par mois en modèles fermés, alors que chaque tâche, d'une correction d'une ligne à une réécriture complète, est souvent envoyée au même modèle premium. Garder l'outil, changer le modèle et surveiller la facture permet de réduire ce poste sans quitter ses habitudes de travail. La commande togetherlink usage --last 7d donne une vue du coût cumulé sur plusieurs sessions, ce qui aide à mesurer l'économie réelle. Dans Claude Code, le menu /model associe Opus à Kimi K3, Fable à GLM 5.3, Sonnet à GLM 5.3 Flash et Haiku à DeepSeek V4.1 Flash. Cette sortie s'inscrit dans la montée en puissance des modèles ouverts pour le code, dont Together estime qu'ils ont comblé une bonne part de l'écart avec les modèles fermés. L'entreprise affirme aussi servir la plus grande part des jetons d'OpenRouter pour DeepSeek V4.1 Flash (40,8 %), GLM 5.3 Flash (28,2 %) et Kimi K3 (23,1 %), au 30 septembre 2026. Le marché des passerelles est déjà occupé : OpenRouter, Claude Code Router, qui exécute une passerelle locale sur le port 3456, et la commande « ollama launch » proposent des approches voisines. Together Link se distingue par une installation en une ligne, l'absence de proxy local et un routeur automatique intégré. Reste à voir si la bêta tiendra ses promesses d'économies à grande échelle.

💬 Le vrai sujet, c'est que la facture IA du code devient un poste qu'on pilote, comme le cloud. Together Link ne vend pas un meilleur modèle, il vend l'idée qu'envoyer une correction d'une ligne vers un modèle premium, c'est du gaspillage. Le routeur « auto » qui tranche une seule fois par session pour garder le cache, c'est malin. Bon, sur le papier. Reste à voir si ça tient en prod, parce que les chiffres de part de marché viennent de Together lui-même, et un routeur qui se trompe sur la difficulté d'une tâche te coûte du temps, pas juste des jetons.

Reflection AI présente Beam : un modèle MoE open-weight de 501 milliards de paramètres (23 milliards actifs) pour le code et les agents autonomes

Reflection AI a dévoilé Beam, son premier modèle à poids ouverts. Il s'agit d'un modèle de type Mixture-of-Experts (MoE) clairsemé, doté de 501 milliards de paramètres au total dont 23 milliards sont actifs par token, conçu pour le code, le raisonnement et les tâches d'agents. Selon l'équipe de Reflection AI, Beam rivalise avec des modèles ouverts plus volumineux comme GLM 5.2 tout en consommant 3 à 4 fois moins de calcul à l'inférence sur les benchmarks de raisonnement. Le modèle a été préentraîné sur 23,8 billions de tokens issus du web, de sources publiques et de jeux de données propriétaires sous licence, avec un filtrage qui a écarté environ 95 % des tokens bruts d'internet tout en conservant 1,8 billion de tokens de qualité que les filtres classiques auraient rejetés. Le préentraînement a duré moins de 4 semaines sur 6 144 GPU NVIDIA GB300 NVL72, avec un taux d'utilisation effectif de 92,3 %. La phase d'apprentissage par renforcement a mobilisé 10 500 GPU GB300 pendant 4 semaines, produisant plus de 100 millions de trajectoires et consommant environ 1,3 milliard de bacs à sable répartis sur près d'un million d'environnements de code, d'agents et de sciences. Sur SWE-bench Verified, Beam obtient 80,9 contre 70,7 pour Nemotron 3 Ultra. Sur Terminal Bench v2.1, il atteint 80,1, près des 81,0 de GLM 5.2, mais derrière DeepSeek V4.1 Flash (90,6) et Kimi K3 (88,3). L'intérêt de Beam tient à son rapport entre performance et coût d'inférence, un critère décisif pour les entreprises qui déploient des agents de code à grande échelle, où chaque token se paie. Un paramètre d'effort de raisonnement permet d'ajuster la longueur des réponses à la difficulté de la tâche et au budget de calcul. Une pénalité de longueur contrôlable a aussi appris au modèle à résoudre les problèmes avec moins de tokens. Reflection reconnaît elle-même que Kimi K3 reste devant en capacité brute, de sorte que l'argument se veut celui de l'efficacité et non de la performance pure. Beam n'est pas encore déployable en auto-hébergement : il est en phase finale de red-teaming et l'accès anticipé passe par une liste d'attente sur la plateforme de Reflection. Les résultats d'évaluation de sécurité seront publiés dans le rapport technique, et les chiffres comparatifs proviennent d'un tableau de Reflection qui reprend les scores de ses concurrents d'Artificial Analysis et de DataCurve. Ce lancement s'inscrit dans la volonté de Reflection de faire avancer la frontière occidentale des modèles ouverts, aujourd'hui dominée par des acteurs chinois comme Z.ai (GLM-5.2, environ 753 milliards de paramètres), DeepSeek (V4.1 Flash) et Moonshot AI (Kimi K3, 2,8 billions de paramètres), face à NVIDIA, seul autre grand acteur américain cité avec Nemotron 3 Ultra (550 milliards de paramètres, 55 milliards actifs). Techniquement, l'architecture alterne attention locale et globale avec des experts routés finement, et reprend l'équilibrage de charge sans perte auxiliaire de DeepSeek-V3, complété par une décroissance cosinus des mises à jour de biais, ce qui limite l'expert le plus sollicité à 1,04 fois la charge moyenne. Le contexte effectif atteint 1 million de tokens après l'entraînement intermédiaire. L'apprentissage par renforcement, axe central de la montée en puissance, repose sur des gradients de politique totalement asynchrones, stables même avec un décalage d'un jour, soit 107 versions de poids, sans plateau observé quand le calcul augmente. Les compétences de navigation web se sont améliorées sans tâches de navigation dans le mélange, signe d'un transfert entre domaines d'agents. Reflection a enfin fusionné un enseignant dédié à la sécurité avec l'enseignant issu du renforcement par distillation multi-enseignants, avec un alignement délibératif.

💬 Selon Le Fil IA, le vrai critère des modèles ouverts n'est plus le score brut mais le coût par token d'agent, parce que c'est lui qui décide ce qu'une entreprise peut réellement déployer. Beam reconnaît lui-même rester derrière Kimi K3 et DeepSeek sur Terminal Bench, et mise tout sur l'efficacité : 23 milliards de paramètres actifs, 3 à 4 fois moins de calcul. Bon, sur le papier, c'est malin. Mais les poids ne sont pas encore là (liste d'attente, red-teaming), et les chiffres viennent d'un tableau maison. Reste à voir si ça tient en prod.

OpenAI dit avoir stoppé une campagne de vol du raisonnement de ses modèles, mais la technique fonctionnait encore sur Azure

OpenAI affirme avoir mis fin à une campagne coordonnée dans laquelle plus de 15 000 comptes ont tenté de copier le raisonnement caché de ses modèles. L'entreprise relie une partie de cette activité à des personnes liées à Moonshot AI, la société chinoise à l'origine des modèles Kimi. Le procédé consiste à interroger massivement un modèle pour lui faire révéler, ou pour reconstituer, les étapes intermédiaires de sa réflexion, que le fournisseur choisit de ne pas exposer. Ces traces peuvent ensuite servir de données d'entraînement pour doter un modèle concurrent de capacités comparables. Des chercheurs ont toutefois constaté que la même attaque a continué de fonctionner pendant des semaines sur Microsoft Azure, y compris contre le nouveau GPT-6 Astra. Cet écart montre que les mesures de détection et de blocage déployées par OpenAI ne semblent pas s'étendre aux plateformes cloud qui revendent aussi ses modèles. Pour les entreprises qui développent des modèles de pointe, la protection de leur propriété intellectuelle dépend donc du maillon le plus faible de la chaîne de distribution. Un acteur qui se voit fermer l'accès sur l'API d'origine peut se tourner vers un revendeur dont la surveillance est moins stricte. Pour les clients d'Azure, la question de la responsabilité se pose aussi, car la protection contre ce type d'extraction relève à la fois de l'éditeur du modèle et de l'hébergeur. Cet épisode s'inscrit dans la montée des accusations de « distillation » entre laboratoires américains et chinois, qui reprochent à leurs rivaux d'exploiter les sorties de leurs modèles pour accélérer leur propre développement à moindre coût. Les laboratoires américains masquent désormais le raisonnement détaillé de leurs modèles pour limiter ces pratiques, mais cette dissimulation n'est efficace que si elle est appliquée partout. Une coordination plus étroite entre OpenAI et Microsoft, ainsi que des règles de surveillance communes sur les canaux de revente, semblent désormais nécessaires.

💬 Selon Le Fil IA, masquer le raisonnement d'un modèle ne protège rien tant que le même modèle est revendu ailleurs avec une surveillance plus lâche : ta propriété intellectuelle vaut ce que vaut ton revendeur le moins regardant. OpenAI ferme 15 000 comptes, très bien, mais la même attaque tourne encore des semaines sur Azure, GPT-6 Astra compris. Bon, sur le papier, c'est un problème de coordination entre OpenAI et Microsoft. En pratique, si tu es client européen d'Azure, tu ne sais toujours pas qui est responsable quand ça fuit.

Fireworks AI lance Ember-1, une version post-entraînée de Kimi K3 qui utilise environ 40% de tokens en moins

Fireworks AI a dévoilé Ember-1, un modèle développé par sa division Fireworks Research à partir d'un post-entraînement du modèle ouvert Kimi K3 de Moonshot AI. L'objectif est de conserver la qualité de raisonnement de Kimi K3 tout en réduisant d'environ 40% le nombre de tokens générés, sans se contenter de baisser le curseur d'effort de raisonnement au moment de l'inférence. Le modèle a été entraîné via plus de 50 expériences et 200 évaluations sur la plateforme Fireworks Serverless Training, en utilisant les données propres de l'entreprise et non celles de ses clients. Sur les benchmarks publiés par Fireworks, Ember-1 dépasse Kimi K3 en mode maximal sur Terminal Bench 2.1 (82,0% contre 80,9%, pour un coût réduit de 51,9%) et sur DeepSWE 1.1 (75,2% contre 66,4%, coût réduit de 23,7%), tout en restant légèrement en retrait sur SWE-bench Verified (92,2% contre 93,2%) et SWE-Interact (20,0% contre 21,3%). Des tests en conditions réelles menés avec deux clients sur des tâches de codage montrent une réduction moyenne de 35% des tokens consommés à qualité équivalente, avec dans un cas les tokens de sortie passant de 49 300 à 29 900 et le score de tâche restant stable (0,753 contre 0,751). Un des deux clients utilise désormais Ember-1 en production. Le modèle est accessible uniquement via l'API serverless de Fireworks, en version preview de recherche, au même tarif que Kimi K3 (3 dollars par million de tokens en entrée, 15 dollars en sortie), sans que les poids, le code d'entraînement ou les algorithmes utilisés n'aient été rendus publics. Cette avancée répond à un problème concret pour les entreprises qui déploient des modèles de raisonnement dans des workflows agentiques: ces modèles consacrent parfois plus de 90% de leurs tokens générés au raisonnement interne, et ce coût s'accumule fortement dans les échanges à plusieurs tours, où le contexte croît de façon quasi quadratique puisque chaque nouvel appel refacture les raisonnements précédents déjà produits. Réduire l'effort de raisonnement dégradait jusqu'ici trop la qualité pour être une option viable. En apprenant au modèle à raisonner plus efficacement plutôt qu'à raisonner moins, Fireworks propose une solution qui abaisse directement la facture des applications de codage et d'agents autonomes sans sacrifier la fiabilité, un enjeu central pour les équipes techniques qui opèrent ces systèmes à grande échelle. Le modèle a aussi établi une nouvelle frontière de Pareto coût-performance sur le Bedside Bench de Doximity, un ensemble de 500 cas cliniques validés par des médecins. Ember-1 s'inscrit dans une tendance plus large où les fournisseurs d'infrastructure IA misent sur le post-entraînement spécialisé de modèles ouverts existants plutôt que sur l'entraînement de nouveaux modèles depuis zéro, afin d'optimiser des critères précis comme le coût par tâche. Fireworks conserve toutefois le contrôle exclusif de la méthode, sans publier les poids ni les algorithmes développés en interne, ce qui limite l'usage du modèle à sa propre infrastructure. Reste à voir si cette approche, validée pour l'instant sur un nombre restreint de clients, se généralisera au-delà du statut de preview et si Moonshot AI ou d'autres fournisseurs de modèles ouverts adopteront des stratégies similaires pour répondre à la pression croissante sur les coûts des déploiements agentiques.

💬 Le vrai sujet, c'est pas le -40% de tokens, c'est que Fireworks garde tout pour elle. Poids fermés, algo fermé, modèle coincé sur leur API : ils prennent un modèle ouvert et le referment en cours de route. Sur le papier c'est malin économiquement (moins de tokens à facturer, marge meilleure), mais côté client tu troques Kimi K3 contre une boîte noire propriétaire au même prix. Reste à voir si Moonshot laisse faire ça longtemps sans réagir.

La Chine enquête sur DeepSeek et Moonshot pour de possibles fuites de données vers Anthropic

La régulatrice chinoise d'internet a ouvert une enquête sur DeepSeek et Moonshot AI, après qu'Anthropic a affirmé que les deux entreprises avaient acheminé des données d'utilisateurs sensibles vers ses modèles Claude, selon des personnes proches du dossier. Dans un rapport de 154 pages publié le 10 septembre, Anthropic a détaillé comment sept entreprises chinoises utilisaient Claude de manière illicite et à grande échelle, en contournant les restrictions d'accès normalement imposées à la Chine. Parmi les exemples cités, Anthropic affirme que DeepSeek a relayé vers Claude des requêtes formulées par des ingénieurs travaillant sur un système de surveillance policière. Cette affaire illustre la porosité des frontières technologiques malgré les restrictions à l'exportation américaines visant à empêcher les entreprises chinoises d'accéder aux modèles d'IA les plus avancés. Si des sociétés comme DeepSeek et Moonshot contournent ces barrières en relayant des requêtes vers Claude via des intermédiaires, cela remet en question l'efficacité du contrôle des exportations comme outil de politique industrielle. Pour Anthropic, l'enjeu est aussi réputationnel et sécuritaire, l'entreprise cherchant à démontrer qu'elle prend au sérieux les usages détournés de sa technologie, notamment lorsqu'ils touchent à la surveillance étatique. L'épisode s'inscrit dans la rivalité technologique croissante entre Washington et Pékin autour de l'intelligence artificielle, où les grandes entreprises américaines du secteur, dont Anthropic et OpenAI, sont scrutées pour leur capacité à empêcher tout accès non autorisé depuis la Chine. DeepSeek et Moonshot, deux des principaux laboratoires chinois d'IA, font déjà l'objet d'une attention internationale intense depuis l'irruption de DeepSeek sur la scène mondiale début 2025. L'enquête de la régulation chinoise pourrait déboucher sur des sanctions locales, tandis qu'Anthropic devrait renforcer ses mécanismes de détection des accès frauduleux à ses modèles.

💬 Le contrôle des exportations US pariait sur des barrières techniques étanches, et là on voit que ça fuit par les API, pas par les frontières. DeepSeek qui relaie des requêtes de flicage vers Claude via des intermédiaires, ça montre surtout qu'Anthropic ne contrôle pas vraiment qui utilise ses modèles en bout de chaîne. Reste à voir si l'enquête chinoise débouche sur autre chose qu'une tape sur les doigts, parce que côté américain, le vrai test c'est la capacité d'Anthropic à colmater ça sans braquer tout son écosystème de revendeurs.

Kimi K3 arrive sur Amazon Bedrock

Amazon Bedrock intègre désormais Kimi K3, le nouveau modèle d'IA développé par Moonshot AI, ouvert en tant qu'option de poids ouverts pour les tâches de programmation et de traitement de connaissances. Selon Moonshot AI, il s'agit de son modèle le plus performant à ce jour et du premier modèle ouvert à atteindre 2,8 billions de paramètres. Kimi K3 combine des capacités de vision natives avec une fenêtre de contexte d'un million de tokens et affiche une amélioration d'environ 2,5 fois de l'efficacité de mise à l'échelle par rapport à son prédécesseur, Kimi K2. Il devient également le premier modèle à poids ouverts sur Bedrock à prendre en charge la mise en cache explicite des invites (prompt caching), une fonctionnalité qui réduit la latence et les coûts d'entrée lors de la réutilisation du contexte entre plusieurs appels. Les développeurs peuvent y accéder via la console Bedrock, l'API compatible OpenAI (Responses et Chat Completions), ou les API Invoke et Converse d'Amazon, avec un profil d'inférence inter-régions mondial (global.moonshotai.kimi-k3) environ 10 % moins cher qu'un profil géographique, ou un profil américain dédié pour les exigences de résidence des données. Cette annonce illustre le basculement en cours de l'industrie vers des modèles à poids ouverts capables de rivaliser avec les modèles propriétaires, tout en offrant aux entreprises plus de flexibilité pour équilibrer performance, vitesse et coût selon leurs charges de travail. Pour les équipes techniques travaillant sur de grands dépôts de code, des documents volumineux ou des flux mêlant texte et image, la fenêtre de contexte étendue et le cache d'invites représentent un gain concret en efficacité et en dépenses d'inférence. Le maintien des garanties de sécurité habituelles de Bedrock, à savoir un traitement des données confiné dans le périmètre AWS, l'absence de partage avec le fournisseur du modèle, l'absence d'utilisation pour l'entraînement, la rétention zéro des données et l'absence d'accès des opérateurs AWS aux invites et réponses, permet aux entreprises d'adopter cette innovation sans revoir leur posture de sécurité. Ce lancement s'inscrit dans un effort plus large d'AWS pour bâtir un catalogue diversifié de modèles à poids ouverts sur Bedrock, aux côtés d'acteurs comme DeepSeek, Google, MiniMax, Mistral AI, NVIDIA, OpenAI et Qwen, dont des dizaines de modèles ont été ajoutés depuis 2025. En parallèle, AWS a renforcé en 2026 les capacités de sa plateforme d'inférence avec l'appel d'outils, la sortie structurée, le raisonnement, le streaming de réponses et la compatibilité avec les API Responses et Chat Completions, des fonctionnalités transversales dont bénéficient automatiquement tous les nouveaux modèles intégrés. Cette stratégie traduit la volonté d'AWS de se positionner comme plateforme neutre face à la concurrence entre laboratoires d'IA, misant sur l'infrastructure et la sécurité plutôt que sur un modèle propriétaire unique, dans un marché où Moonshot AI, entreprise chinoise, s'impose comme un acteur montant face aux géants américains et où la course aux poids ouverts continue de redéfinir l'accès à l'IA de pointe.

Exclusif : payer pour les modèles d'IA de pointe offre 4 mois d'avance, pour 5 fois le prix

L'écart de performance entre les modèles d'IA de pointe des géants technologiques américains et les meilleurs modèles à poids ouverts des entreprises chinoises s'est réduit à seulement 4,4 mois, selon le dernier rapport State of Open Source AI publié par Mozilla le 15 septembre et partagé en avant-première avec Ars Technica. Le rapport souligne que Kimi K3, un modèle ouvert développé par Moonshot AI, obtient un score composite sur l'Artificial Analysis Intelligence Index à seulement trois points de Fable 5, le modèle fermé d'Anthropic, tout en ne coûtant que 30 % du prix de ce dernier. Raffi Krikorian, directeur technique de Mozilla, a expliqué à Ars Technica par courriel que le choix de payer pour un modèle fermé dépend désormais du type de tâche plutôt que de l'organisation elle-même. Cette réduction spectaculaire de l'écart de performance change la donne économique pour les entreprises qui déploient l'intelligence artificielle à grande échelle. Selon Mozilla, la majorité des organisations devraient désormais utiliser les modèles ouverts par défaut pour l'essentiel de leurs tâches courantes, réservant les modèles propriétaires les plus coûteux à un nombre restreint de cas d'usage où leur supériorité reste nette : le travail professionnel de haut niveau, la recherche d'information intensive et le traitement de contextes très longs. Pour les entreprises technologiques, cela signifie des économies potentiellement massives sur les coûts d'inférence, tout en questionnant la stratégie de tarification premium des géants comme Anthropic, OpenAI ou Google. Ce basculement s'inscrit dans une compétition mondiale plus large entre laboratoires américains et chinois sur le terrain de l'IA ouverte, où des acteurs comme Moonshot AI progressent rapidement en misant sur des modèles à poids ouverts, souvent moins chers à opérer et plus personnalisables. Le rapport de Mozilla, qui suit régulièrement cette dynamique, illustre comment l'écosystème open source rattrape son retard face aux modèles fermés, poussant les organisations à repenser leur architecture d'IA vers des approches hybrides combinant modèles ouverts par défaut et recours ponctuel aux modèles fermés les plus performants.

💬 Quatre mois d'écart entre l'IA ouverte chinoise et les modèles fermés américains, pour cinq fois moins cher : ça fragilise toute la stratégie tarifaire d'Anthropic, OpenAI ou Google. Le vrai changement, c'est que la question n'est plus "ouvert ou fermé" mais "quelle tâche mérite de payer le prix fort", recherche pointue, contexte énorme, tout le reste bascule sur du quasi-gratuit. Reste à voir si les boîtes osent vraiment refaire leur architecture IA dessus, parce que migrer une stack entière, ça ne se fait pas en un week-end.

Cognition lance SWE-2, un modèle de code basé sur Kimi K3 qui égale Fable 5.1 sur FrontierCode pour 64% moins cher

Cognition, l'entreprise derrière l'agent de codage Devin, a lancé SWE-2, son modèle de codage le plus performant à ce jour. SWE-2 est post-entraîné par renforcement (RL) à partir de Kimi K3, le modèle ouvert de 2,8 trillions de paramètres de Moonshot AI. Cognition annonce un score de 50,0% sur FrontierCode 1.1 Main, à moins d'un point de Fable 5.1, pour un coût inférieur de 64%. C'est aussi le premier modèle de Cognition à proposer des niveaux d'effort de raisonnement sélectionnables, les trois entraînés en une seule session RL. Sur DeepSWE 1.1, SWE-2 atteint 73,0% et sur Terminal-Bench 2.1 il prend la tête avec 92,8%, devançant Kimi K3 (88,3%), Grok 4.6 (88,4%) et Fable 5.1 (91,4%). Son point faible reste Terminal-Bench 4, où il plafonne à 27,3%, loin derrière Fable 5.1 (55,8%) et GPT-6 Astra (57,9%). SWE-2 n'est pas disponible en poids ouverts ni via API autonome : il ne fonctionne qu'à l'intérieur de Devin, sur les versions Desktop et CLI, avec un déploiement à venir sur Devin Web et Fusion. Cette annonce illustre une tendance de fond dans l'industrie du codage assisté par IA : obtenir des performances proches des meilleurs modèles propriétaires à une fraction du coût, en s'appuyant sur du post-entraînement RL plutôt que sur des modèles toujours plus massifs entraînés from scratch. Pour les équipes de développement utilisant Devin, cela signifie des agents capables de résoudre des tâches complexes plus rapidement et moins cher : Cognition indique que SWE-2 en mode medium résout des tâches avec 58% de tours en moins et un coût réduit de 81% par rapport à son prédécesseur SWE-1.7, tout en obtenant de meilleurs scores. Le nombre moyen d'étapes par tâche chute de 127 à 53 (medium), 80 (high) ou 98 (max), et le modèle effectue sa première modification réelle après une médiane de 18 étapes contre 48 auparavant. Pour l'industrie, cela confirme que l'efficacité d'exécution des agents de codage devient un axe de compétition aussi important que le score brut sur les benchmarks. SWE-2 s'inscrit dans la continuité de SWE-1.7, qui avait été post-entraîné à partir de Kimi K2.7 ; cette fois, Cognition a appliqué le même type de RL à un modèle presque trois fois plus grand. L'entreprise revendique un gain de 5 à 6 points sur de nombreux benchmarks grâce à sa méthode RL par rapport au modèle de base K3. Techniquement, Cognition a introduit une fonction de récompense pénalisant le coût de façon linéaire pour chaque niveau d'effort, une pondération de la récompense par la longueur des séquences pour stabiliser l'entraînement, ainsi que des optimisations de service d'inférence (regroupement de requêtes, décodage spéculatif via DSpark, calcul en précision réduite NVFP4/FP8) pour accélérer les cycles d'entraînement. Cognition a aussi triplé ses environnements RL et ajouté des données de suivi d'instructions. Les comparaisons publiées restent toutefois basées sur l'évaluation interne de Cognition, à l'exception de FrontierCode qui est son propre benchmark, ce qui invite à une lecture prudente face aux résultats annoncés pour les modèles concurrents comme Fable 5.1 ou GPT-6 Astra.

💬 Le vrai move ici, c'est pas le score sur FrontierCode, c'est le choix de partir d'un modèle ouvert : plutôt que d'entraîner un mastodonte from scratch, Cognition prend Kimi K3 et le muscle au RL pour 64% moins cher que Fable 5.1. Sur le papier c'est malin, mais SWE-2 ne tourne que dans Devin, pas de poids ouverts, pas d'API : t'as le coût de l'open source sans jamais pouvoir en sortir. Le signal pour l'industrie est clair, le post-entraînement par renforcement sur des bases ouvertes devient l'arme de choix face aux géants propriétaires, la course au paramètre brut c'est terminé.

Six entreprises chinoises d'IA accusées de copier agressivement les modèles américains de pointe

Les autorités américaines ont publiquement désigné six entreprises chinoises d'intelligence artificielle accusées de mener des attaques à grande échelle visant à copier les capacités des modèles d'IA de pointe américains. Dans un communiqué conjoint publié mardi, la National Security Agency (NSA), la Cybersecurity and Infrastructure Security Agency (CISA) et le Federal Bureau of Investigation (FBI) ont nommé DeepSeek, Moonshot AI, Alibaba, MiniMax, StepFun et Z.AI comme responsables de ces pratiques depuis fin 2024 au moins. Ces sociétés auraient extrait des capacités de modèles américains tels que Claude, GPT, Gemini et Grok, une technique connue sous le nom de distillation. Selon les agences, ces entreprises ont "probablement" agi avec la "connaissance du gouvernement chinois". Aucun montant précis de dommages financiers n'a été communiqué, mais les autorités évoquent des économies potentielles de plusieurs milliards de dollars pour les entreprises chinoises concernées. Cette accusation a des implications importantes pour l'ensemble de l'industrie de l'IA. La distillation industrielle permet aux entreprises chinoises de réduire drastiquement leurs délais de développement et leurs coûts d'entraînement de modèles frontière, en s'appuyant sur le travail de recherche déjà effectué par les laboratoires américains. Pour les entreprises américaines comme OpenAI, Google ou xAI, dont les modèles Claude, GPT, Gemini et Grok sont visés, cela représente une érosion potentielle de leur avantage concurrentiel, obtenu au prix d'investissements massifs en recherche et développement. Pour les décideurs politiques américains, cette annonce alimente les inquiétudes sur la capacité de la Chine à combler son retard technologique en IA sans supporter les coûts complets de l'innovation, ce qui pourrait accélérer les mesures de restriction et de contrôle des exportations technologiques. Cette annonce s'inscrit dans un contexte de rivalité technologique croissante entre Washington et Pékin autour de l'intelligence artificielle, considérée comme un enjeu stratégique majeur tant sur le plan économique que militaire. Les six entreprises citées, dont DeepSeek et Alibaba figurent parmi les acteurs chinois les plus en vue du secteur, sont déjà scrutées de près par les autorités américaines dans le cadre des restrictions sur les semi-conducteurs et les technologies avancées. Cette désignation nominative par trois agences fédérales majeures pourrait ouvrir la voie à de nouvelles sanctions, restrictions d'accès aux infrastructures cloud américaines ou mesures diplomatiques, dans un climat où la course à la suprématie en IA reste au cœur des tensions sino-américaines.

💬 Six boîtes nommées publiquement par NSA, CISA et FBI en même temps, ça n'était jamais arrivé pour de la distillation de modèles. Sur le papier ça ressemble à un coup de com, mais ça change la donne : jusqu'ici chaque boîte chinoise plaidait l'innovation indépendante, maintenant elles sont accusées noir sur blanc et ça va peser dans chaque discussion d'accès au cloud américain. Reste que distiller un modèle frontière sans payer les milliards de R&D derrière, tant que la loi ne l'interdit pas clairement, ça restera rentable pour qui est prêt à prendre le risque diplomatique.

Généalogie des modèles d’IA ouverts : la CNIL propose un outil pour s’y retrouver

La CNIL a mis en ligne une nouvelle version de Genmod, un outil de « généalogie des modèles » d'intelligence artificielle développé par son Laboratoire d'innovation numérique (LINC). Présenté une première fois l'année précédente dans une version jugée difficile à manier, l'outil vient d'être retravaillé pour devenir réellement utilisable. Son objectif est de permettre de s'y retrouver parmi les quelque deux millions de modèles publiés sur la plateforme Hugging Face, en retraçant les liens entre un modèle d'origine et tous ses dérivés. Un exemple concret illustre son fonctionnement : à partir du modèle Kimi K3 de l'entreprise chinoise Moonshot AI, un modèle de 2 800 milliards de paramètres, l'outil permet de retrouver son dérivé « unsloth/Kimi-K3-GGUF », spécialisé pour des tâches d'image vers texte grâce à une technique de quantisation qui réduit la précision des poids du modèle afin de diminuer son empreinte mémoire. Genmod permet aussi de remonter la filiation des jeux de données d'entraînement, comme celle du corpus The Cauldron publié par HuggingFaceM4. Cet outil répond à un enjeu concret pour les professionnels qui souhaitent déployer un modèle : identifier, parmi la profusion de versions disponibles, celle qui a réellement été adaptée à leur usage plutôt que de repartir du modèle d'origine. Mais l'enjeu est aussi et surtout celui de la traçabilité au sens du RGPD, auquel les modèles d'IA générative restent soumis. Si des données personnelles se trouvent mémorisées par un modèle, encore faut-il pouvoir identifier tous les modèles dérivés susceptibles d'avoir hérité de cette même mémorisation. Cette capacité de traçage intéresse également les litiges liés au droit d'auteur, à l'image du procès qui oppose le New York Times à OpenAI sur la réutilisation de contenus protégés, un dossier dans lequel le gouvernement américain est récemment intervenu en soutien à OpenAI. Ce projet s'inscrit dans la mission de régulation et d'accompagnement que la CNIL s'est donnée face à l'essor rapide de l'IA générative et à la multiplication des pratiques de dérivation, qu'il s'agisse de fine-tuning, de quantisation ou d'autres formes d'adaptation par inférence. Face à des plateformes comme Hugging Face où les modèles se comptent par millions et où la filiation entre versions est rarement documentée de façon lisible, les autorités de protection des données cherchent à se doter d'instruments capables de suivre la circulation des données d'entraînement à travers des générations de modèles. L'outil reste perfectible, notamment son moteur de recherche encore peu intuitif, mais il ouvre une piste concrète pour concilier innovation ouverte et conformité réglementaire, à l'heure où les contentieux autour des données utilisées pour entraîner les IA se multiplient à l'échelle internationale.

Harvey lance Harvey Tenet, un modèle Kimi K3 post-entraîné avec Fireworks pour les tâches juridiques longues

Harvey, spécialisée dans l'intelligence artificielle juridique, a annoncé le 20 août 2026 le lancement de Harvey Tenet, son premier modèle post-entraîné, disponible en aperçu de recherche. Tenet repose sur le modèle de base Kimi K3, affiné par la société Fireworks via de l'apprentissage par renforcement asynchrone appliqué à des tâches juridiques longues et complexes. Le corpus d'entraînement combine des données synthétiques, des données juridiques publiques et des données produites par des experts humains, Harvey précisant n'avoir utilisé aucune donnée client. L'entraînement a mobilisé environ 150 GPU NVIDIA B300 pendant deux mois. Comparé au modèle K3 de base, Tenet achève près de deux fois plus de tâches sur le Legal Agent Benchmark (LAB) maison de Harvey, et 20% de plus sur LAB: Contracts, avec des taux de réussite totale en hausse de 9 et 2 points de pourcentage respectivement. Harvey revendique la première place sur LAB: Contracts et la deuxième sur LAB, selon des scores de référence fournis par Vals. Ces gains dépassent le cadre du seul entraînement: Tenet améliore aussi ses performances sur des bancs d'essai externes qu'il n'a jamais vus, comme APEX Agents de Mercor et Redline Bench de Crosby, tout en maintenant ses résultats sur des benchmarks de connaissances juridiques classiques comme LegalBench, CUAD, MAUD et PRBench de Scale. Pour l'industrie juridique, cela signifie qu'un entraînement agentique poussé peut renforcer les capacités pratiques d'un modèle sans dégrader son raisonnement textuel de base, un compromis qui n'allait pas de soi. Concrètement, ces gains de qualité s'accompagnent d'une maîtrise des coûts: les poids ouverts du modèle de base réduisent le prix par token, et le système de récompense favorise les trajectoires de raisonnement plus courtes à qualité égale. Les cabinets d'avocats, équipes juridiques internes, ainsi que les secteurs à forte densité contractuelle comme l'assurance, la finance, la santé ou l'énergie, pourraient bénéficier d'outils plus rapides et moins coûteux pour la diligence raisonnable en fusions-acquisitions, la rédaction et la révision de contrats, ou l'extraction structurée sur des milliers de documents. Le projet s'inscrit dans une double ambition affichée par Harvey: construire une intelligence juridique de pointe sur des modèles à poids ouverts, et offrir aux cabinets d'avocats un chemin vers la possession de leurs propres modèles spécialisés. Pour l'instant, Tenet reste un aperçu de recherche non déployable: Harvey n'a publié ni les poids du modèle, ni de fiche technique, ni de point d'accès API, précisant que le passage "de la recherche à la production" se fera progressivement au sein de ses produits, réservés aux entreprises via sa plateforme vendue aux cabinets d'avocats et services juridiques internes. Sur le plan technique, l'entraînement s'appuie sur des environnements juridiques simulés inspirés des tâches LAB, avec des instructions type d'une cinquantaine de mots, des grilles d'évaluation détaillées comportant des dizaines de critères, et des évaluations automatisées par un autre modèle, Kimi 2.6, dans le cadre d'une optimisation par la méthode GSPO. Harvey a également entraîné séparément des modèles spécialisés, notamment pour la diligence raisonnable en fusions-acquisitions, que Tenet peut mobiliser comme outils ou sous-agents.

💬 Sur le papier, entraîner un modèle sur des tâches agentiques pointues sans dégrader le raisonnement de base, c'était pas gagné. Là, Harvey le prouve avec des chiffres qui tiennent, et en plus les gains se généralisent à des benchmarks jamais vus en entraînement, ça c'est du solide. Reste que Tenet n'est qu'un aperçu de recherche fermé, sans poids ni API : Harvey construit un avantage propriétaire sur du open weight, pas un cadeau à l'écosystème juridique.

OpenAI et Anthropic baissent leurs prix face à la concurrence des IA chinoises

OpenAI et Anthropic, les deux principaux laboratoires américains d'intelligence artificielle, ont récemment baisse les prix de leurs modèles pour retenir des clients de plus en plus sensibles aux couts. OpenAI a annonce une réduction de 80% du tarif de GPT-5.6 Luna, présente comme son modèle "le plus rapide et le plus abordable". Anthropic a de son cote lance Claude Opus 5, revendiquant une "intelligence de pointe" proposée a moitie prix par rapport a Fable 5, son modèle le plus performant. Cette guerre des prix survient alors que les factures liées a l'usage de l'IA générative s'envolent pour de nombreuses entreprises, qui réduisent leur consommation ou se tournent vers des alternatives moins couteuses développées par des acteurs chinois comme Moonshot et DeepSeek. Des clients de la Silicon Valley jusqu'en Europe considèrent désormais le cout par requête comme un critère aussi important que la performance. Pour les laboratoires américains, l'enjeu est de protéger leurs parts de marche sans trop comprimer des marges déjà pesées par des couts d'infrastructure très élèves. Cette escalade tarifaire s'inscrit dans la montée en puissance des laboratoires chinois comme Moonshot et DeepSeek, qui ont séduit des développeurs occidentaux avec des modèles performants et peu couteux, bousculant l'idée d'une suprématie américaine durable sur l'IA générative. La suite dépendra de la capacité d'OpenAI et d'Anthropic a justifier leurs écarts de prix par des gains de performance suffisants pour éviter que leurs clients ne migrent vers des offres chinoises moins onéreuses.

💬 Ce que je vois surtout, c'est un aveu déguisé : si les deux labos les plus valorisés du secteur baissent leurs prix de 50 à 80% en même temps, c'est que le pricing power qu'on leur prêtait n'existe plus. DeepSeek et Moonshot n'ont pas eu besoin de battre GPT ou Claude en perf, juste de rendre le coût par requête négociable, et ça suffit à faire plier tout le monde. Reste la question qui compte vraiment pour les boîtes qui bâtissent dessus : est-ce une vraie baisse de coût d'inférence, ou une guerre des tranchées financée par du capital-risque qui remontera un jour.

SpaceXAI dévoile Grok 4.6, dépasse Kimi K3 et rejoint GPT-5.6 Sol au 3e rang mondial sur Artificial Analysis

SpaceXAI, l'entreprise d'Elon Musk anciennement appelée xAI, a dévoilé Grok 4.6, son nouveau modèle d'IA de pointe conçu pour les agents de longue durée, le codage et les tâches de connaissance. Le modèle obtient un score de 61 sur l'Artificial Analysis Intelligence Index, dépassant le modèle chinois Kimi K3 de Moonshot AI, égalant GPT-5.6 Sol Max d'OpenAI, et progressant de cinq points par rapport à Grok 4.5 High, derrière Claude Opus 5 et Claude Fable 5 d'Anthropic, premier et deuxième du classement. Son API démarre à 2 dollars par million de tokens en entrée et 6 dollars en sortie sous 200 000 tokens de contexte (4 et 12 dollars au-delà), soit moins de la moitié du tarif standard de GPT-5.6 Sol. Le modèle est disponible dans Grok Build, via l'abonnement SuperGrok à 30 dollars par mois, ainsi que dans Cursor, la startup de codage récemment rachetée par SpaceX, et chez des partenaires comme OpenRouter, Vercel et Cloudflare, avec des quotas doublés durant la première semaine. Ce lancement marque un glissement du benchmark pur vers la fiabilité des agents en conditions réelles : pour les entreprises, l'enjeu est la capacité d'un modèle à rester concentré sur une tâche longue, qu'il s'agisse d'explorer un sujet inconnu, d'analyser des données, de naviguer dans une base de code ou de transformer une idée en application fonctionnelle. En associant des gains notables sur les benchmarks de codage, de terminal et d'agents à un prix resté inférieur à celui de plusieurs rivaux propriétaires, SpaceXAI cherche à rendre ces usages prolongés économiquement viables à grande échelle. Cela accentue aussi la pression tarifaire sur OpenAI et Anthropic, dont les modèles haut de gamme coûtent nettement plus cher à l'usage, tout en concurrençant des acteurs chinois comme DeepSeek ou Xiaomi, souvent moins onéreux. Ce lancement s'inscrit dans une cadence très rapide chez SpaceXAI, qui a mis à jour son modèle phare presque mensuellement depuis Grok 4.5 en juillet, tout en élargissant son écosystème avec Grok Bot, lancé la veille pour assigner des agents IA à des tâches définies, en guise d'employés virtuels. SpaceXAI indique avoir soumis Grok 4.6 à un entraînement supplémentaire plus long, combinant données de raisonnement générées par IA et données d'ingénierie, puis utilisé Grok 4.5 pour régénérer des trajectoires d'affinage supervisé en codage, sciences et travail de connaissance, filtrées par des contrôles automatisés. Un entraînement par renforcement a ensuite ciblé des environnements agentiques variés, du codage général à la conception assistée par ordinateur, traduisant une bataille plus large entre laboratoires où la durée d'attention et le coût priment désormais sur le seul score brut.

💬 Grok 4.6 rejoint le trio de tête sur le papier, mais ce qui compte vraiment c'est le prix : moins de la moitié du tarif de GPT-5.6 Sol pour un niveau quasi équivalent, ça change le calcul économique de tous ceux qui font tourner des agents en continu. La vraie bataille n'est plus le score sur un benchmark, c'est le coût par heure d'agent qui reste concentré sur sa tâche sans dérailler. Reste à voir si Grok tient cette concentration en usage réel, parce que sur ce point les scores publiés ne disent jamais tout.

L'IA chinoise accélère la course aux modèles à bas coût, portée par Alibaba et DeepSeek

Alibaba a lancé Qwen3.8-Max, son plus grand modèle d'IA à ce jour, doté de 2,4 billions de paramètres et d'une architecture mixture-of-experts qui n'active qu'une partie du réseau par requête, soit environ 95 milliards de paramètres actifs. Le modèle traite texte, images et vidéo, gère jusqu'à un million de tokens de contexte, et a mené à bien un projet d'ingénierie logicielle sur 16 jours selon Alibaba. Il se positionne près de Kimi K3, lancé en juillet par Moonshot AI (2,8 billions de paramètres au total, environ 104 milliards actifs), mais coûte moins cher : 2 dollars par million de tokens en entrée et 6 dollars en sortie, contre 3 et 15 dollars pour Kimi K3. Dans le même temps, DeepSeek a dévoilé V4-Flash, un modèle plus modeste (284 milliards de paramètres au total, 13 milliards actifs selon Artificial Analysis) mais bien plus abordable, à 0,14 dollar par million de tokens en entrée et 0,28 dollar en sortie, avec un tarif de cache pouvant descendre à 0,003 dollar par million de tokens. Cette bataille sur les prix illustre un basculement stratégique dans la course chinoise à l'IA, où la performance brute compte désormais moins que le coût réel d'exécution. Sur le benchmark d'Artificial Analysis, V4-Flash revient en moyenne à trois cents par test, contre 86 cents pour Kimi K3, 1,86 dollar pour GPT-5.6 Sol d'OpenAI et 3,15 dollars pour Claude Fable 5 d'Anthropic, un écart qui pourrait redéfinir les arbitrages des entreprises qui déploient ces modèles à grande échelle. Qwen3.8-Max s'est aussi hissé en tête des modèles textuels chinois sur la plateforme comparative Arena.AI, tout en restant derrière plusieurs modèles d'Anthropic au classement général, et se classe deuxième pour l'analyse d'images, derrière une variante de Claude Fable 5. Ces annonces s'inscrivent dans une compétition plus large entre Alibaba, DeepSeek, Moonshot AI, OpenAI et Anthropic, où l'architecture sparse et le nombre de paramètres actifs deviennent des leviers de compétitivité aussi importants que la taille totale du modèle. Artificial Analysis souligne toutefois que le prix par token ne raconte qu'une partie de l'histoire : sur son benchmark AA-Briefcase pour les tâches agentiques, Kimi K3 revient en moyenne à 10,57 dollars par tâche, avec environ 120 000 tokens générés et 83 échanges en moyenne, preuve que le volume de sortie et le nombre d'appels au modèle peuvent faire grimper la facture bien au-delà du tarif affiché. La suite dépendra de la capacité de chaque acteur à optimiser simultanément coût, rapidité et efficacité réelle sur des tâches complexes.

Qwen3.8-Max : Alibaba revient dans la course pour rivaliser avec Fable 5 et Kimi K3

Alibaba a dévoilé Qwen3.8-Max, un modèle de langage doté de 2 400 milliards de paramètres, quinze jours seulement après le lancement de Kimi K3 par Moonshot AI, un autre acteur chinois du secteur. Contrairement à Kimi K3 et ses 2 800 milliards de paramètres et 104,2 milliards de paramètres actifs par token, Qwen3.8-Max repose sur une architecture Mixture of Experts activant 95 milliards de paramètres par token, tout en nécessitant le chargement complet du modèle en mémoire. Alibaba revendique, benchmarks à l'appui, des performances comparables à Gemini 3.1-Pro, GPT-5.6 Sol et Fable 5 sur le raisonnement multimodal, l'analyse d'images en tant qu'« agent visuel », le code et l'analyse de documents. Comme Moonshot AI l'avait fait avec Kimi K3, Alibaba promet de rendre les poids du modèle disponibles en open source sur Hugging Face et ModelScope dans la semaine, après une exclusivité initiale sur sa propre plateforme QwenCloud. Côté tarifs, l'entreprise affiche 2 dollars par million de tokens en entrée et 6 dollars en sortie, des prix inférieurs à ceux de Kimi K3 (3 et 15 dollars), GPT-5.6 Sol (5 et 30 dollars), Opus 4.8 (5 et 25 dollars) et Fable 5 (10 et 50 dollars). Cette sortie confirme que les entreprises chinoises de l'IA générative continuent de talonner les leaders américains, un an après le « moment DeepSeek » qui avait déjà bousculé le secteur. En ciblant explicitement le code et l'automatisation des tâches de bureau, Alibaba se positionne frontalement contre Anthropic, un terrain jusque-là dominé par cette dernière. Pour appuyer sa démonstration, l'entreprise met en avant trois défis réalisés sans intervention humaine, écriture et exécution de code exclues : la génération du projet « oh-my-cli » en dix jours, la reproduction du code d'un article scientifique, et un concours de compréhension des besoins clients. Alibaba insiste sur le fait que son modèle ne se contente pas de suivre un plan prédéfini mais s'adapte grâce à des boucles de rétroaction, un argument destiné à convaincre les développeurs et les entreprises cherchant à automatiser des tâches complexes. Les prix cassés renforcent l'attractivité du modèle pour les usages à grande échelle. Reste que la comparaison des prix par million de tokens masque une réalité plus complexe, comme le montre l'exemple d'Opus 4.7 qui consommait ses tokens bien plus rapidement qu'Opus 4.6 sans que cela soit reflété dans le tarif affiché. Plusieurs utilisateurs de Qwen3.8-Max rapportent déjà avoir épuisé leur quota en quelques prompts seulement, ce qui interroge sur l'écart entre le prix nominal et le coût réel d'usage. Cette question de la consommation de tokens devient centrale dans un marché où les modèles surenchérissent sur les benchmarks et les tarifs, sans que les utilisateurs disposent toujours d'outils fiables pour comparer l'efficacité réelle de chaque système face à leurs besoins concrets.

💬 Le vrai combat n'est plus sur les benchmarks, il est sur le prix au token réel. Alibaba affiche 2 dollars l'entrée contre 10 pour Fable 5, sauf que plusieurs utilisateurs ont grillé leur quota en quelques prompts à peine, preuve que le tarif affiché ne dit presque rien de la facture finale. Kimi K3 puis Qwen3.8-Max en quinze jours, la Chine ne rattrape plus les leaders américains, elle les talonne à un rythme mensuel, mais sans mètre étalon pour la conso réelle, choisir son LLM reste un pari sur une étiquette.

Qwen 3.8-Max : Alibaba clash la Silicon Valley avec une IA puissante et… open weight

Alibaba a dévoilé le 3 août 2026 Qwen 3.8-Max, le modèle le plus puissant de toute la famille Qwen à ce jour. Contrairement aux modèles fermés d'OpenAI ou d'Anthropic, celui-ci sera open-weight : ses poids seront publiés la semaine prochaine, et Qwen3.8-27B suivra le même chemin. Le modèle est déjà accessible sur la plateforme officielle Qwen et le sera bientôt sur Model Studio, la plateforme cloud d'Alibaba. Techniquement, il s'agit d'un modèle multimodal capable de traiter texte, images et vidéo dans une même conversation, avec une fenêtre de contexte d'un million de tokens. Alibaba affirme qu'il peut analyser des rapports financiers de plusieurs centaines de pages en comprenant simultanément texte, graphiques et tableaux, ou encore parcourir plus de 100 heures de vidéo pour identifier personnages, événements et changements de scène. Le modèle repose sur une architecture Mixture of Experts avec 2 400 milliards de paramètres au total, dont seulement 95 milliards activés à chaque requête. Cette approche change la donne pour l'accès à l'IA de pointe. En rendant public un modèle qui rivalise avec les meilleures offres américaines, Alibaba permet à des chercheurs et développeurs du monde entier de télécharger, étudier et adapter le modèle sur leurs propres infrastructures, sans dépendre d'une API propriétaire. Les résultats publiés sont significatifs : sur PaperBench, qui évalue la capacité à reproduire un article scientifique en code, Qwen 3.8-Max obtient 93 sur 100, devançant Fable 5 (88,8) et Claude Opus 4.8 (80,3). Sur OSWorld, qui mesure l'usage d'un ordinateur comme le ferait un humain, il prend la première place mondiale avec 86,1. Pour les entreprises et développeurs, cela signifie un accès à des capacités de pointe en codage autonome et en automatisation, à moindre coût grâce à l'architecture MoE qui limite les ressources mobilisées par requête. Ce lancement s'inscrit dans une compétition de plus en plus vive entre laboratoires chinois et américains. Sur Arena.AI, Qwen 3.8-Max s'est immédiatement classé premier modèle chinois pour les tâches textuelles, même s'il reste derrière Claude Fable 5 au niveau mondial. En vision par ordinateur, il se classe deuxième, juste derrière une variante de Claude Fable 5. Alibaba le compare directement à Kimi K3, le modèle de Moonshot AI doté de 2 800 milliards de paramètres, signe que plusieurs acteurs chinois jouent désormais dans la même catégorie que les géants américains. Reste que les benchmarks ne disent pas tout : l'usage en conditions réelles déterminera si cette avance open source chinoise se confirme face à des modèles fermés qui gardent, pour l'instant, une légère longueur d'avance sur certains terrains.

Qwen3.8-Max affirme surpasser GPT-5.6 Sol Max et Fable 5 sur l'usage d'ordinateur à base d'agents

L'équipe Qwen d'Alibaba a dévoilé son nouveau modèle phare Qwen3.8-Max, un grand modèle de langage multimodal de type mixture-of-experts doté de 2 400 milliards de paramètres, conçu pour l'ingénierie logicielle autonome et les tâches d'entreprise à long horizon. Sur le benchmark OSWorld-Verified, qui évalue les agents capables d'utiliser un ordinateur de bureau, Qwen3.8-Max obtient un score de 86,1, devant GPT-5.6 Sol Max (83,2), Fable 5 (85,0) et Gemini 3.1 Pro (76,2). Le modèle affiche également les meilleurs résultats publiés sur PaperBench (93,0), TerminalBench 2.1 (86,6), Vision2Web (69,0), LVBench (81,8) et ERQA (77,8). Alibaba a par ailleurs annoncé la publication des poids ouverts de Qwen3.8-Max la semaine prochaine, accompagnés d'une version plus légère, Qwen3.8-27B, sans toutefois préciser les termes exacts de la licence. Cette annonce marque un tournant potentiellement important pour Alibaba, qui positionne son modèle non pas comme un assistant conversationnel mais comme un collègue autonome capable de mener à bien des projets s'étalant sur plusieurs jours plutôt que quelques minutes. Selon l'entreprise, Qwen3.8-Max peut réaliser seul des projets logiciels de plus de dix jours, reproduire des articles de recherche impliquant des milliers de lignes de code, optimiser de manière itérative la conception de puces électroniques et réviser continuellement ses plans à partir de retours multimodaux. Si la licence s'avère réellement permissive, comme Apache 2.0, il s'agirait de la première fois qu'un modèle Qwen de catégorie Max devient disponible pour un déploiement auto-hébergé, ce qui pourrait bouleverser l'adoption en entreprise face aux modèles propriétaires d'OpenAI, d'Anthropic ou de Google. Ces démonstrations restent toutefois produites par Alibaba elle-même et n'ont pas encore été vérifiées de façon indépendante. Cette sortie illustre une tendance de fond du secteur: la compétition entre modèles de pointe se spécialise de plus en plus. OpenAI concentre sa gamme GPT sur le raisonnement général et la productivité multimodale, Anthropic mise sur le code et la fiabilité en contexte long avec Claude, Google pousse Gemini vers des flux de travail multimodaux natifs du web, tandis que Moonshot AI a récemment introduit son modèle ouvert Kimi K3. Qwen3.8-Max tente de réunir plusieurs de ces atouts en un seul modèle, dans un contexte où les benchmarks récompensent désormais autant la capacité à mener à terme un flux de travail complet que la simple exactitude d'une réponse ponctuelle. La domination du modèle chinois n'est cependant pas totale: OpenAI conserve la tête sur le benchmark d'ingénierie logicielle professionnelle SWE-Pro, et Opus 4.8 reste devant sur certaines évaluations de développement ainsi que sur Agents' Last Exam, signe que la course aux modèles frontières se fragmente plutôt qu'elle ne désigne un vainqueur unique.

💬 Le score sur OSWorld, c'est Alibaba qui le mesure sur son propre modèle, donc je garde une réserve tant que personne d'indépendant ne l'a reproduit. Ce qui compte vraiment ici, c'est ailleurs : si la licence des poids ouverts s'avère bien permissive la semaine prochaine, ce sera la première fois qu'un Qwen catégorie Max devient auto-hébergeable, et ça change le rapport de force pour toute boîte qui ne veut plus dépendre d'un abonnement OpenAI ou Anthropic pour faire tourner un agent de code. Reste que la course aux modèles frontières ne désigne plus un vainqueur unique, elle se fragmente benchmark par benchmark.

Moonshot PerceptionBench évalue des modèles de vision multimodaux avec chargement de données robuste et jugement automatisé

Moonshot AI a mis au point PerceptionBench, un benchmark multimodal conçu pour mesurer la perception visuelle fine des modèles d'intelligence artificielle. Un tutoriel récent détaille comment construire, de bout en bout, un pipeline d'évaluation reproductible autour de ce jeu de données, pensé pour tourner directement dans Google Colab. Le dataset moonshotai/PerceptionBench, dans sa version d'entraînement, pèse environ 1,63 Go en téléchargement complet ; pour éviter cette charge, le pipeline privilégie une stratégie de chargement en streaming à plusieurs niveaux, avec un échantillon équilibré de douze exemples par catégorie et un balayage limité à 1200 lignes. Le processus décode les images encodées en base64, interprète les balises d'images imbriquées dans le texte et normalise chaque exemple dans un format unique, avant d'analyser la répartition des capacités testées, les besoins en images, les types de réponses attendues et les benchmarks sources d'origine. L'enjeu dépasse la simple démonstration technique : PerceptionBench couvre des tâches aussi variées que la reconnaissance de texte (OCR), le comptage d'objets, la localisation spatiale, le raisonnement contextuel, la comparaison visuelle, la compréhension de la profondeur et surtout la détection d'hallucinations, un point critique pour la fiabilité des modèles de vision-langage déployés en production. Le harnais d'évaluation construit dans ce tutoriel prend en charge trois configurations : une base de référence dite "à l'aveugle" sans image, des API multimodales compatibles OpenAI comme GPT-4o-mini, et des modèles vision-langage open source hébergés localement via Hugging Face, à l'image de SmolVLM2-2.2B-Instruct. Cette flexibilité permet aux équipes techniques de comparer facilement des modèles propriétaires et des alternatives open source sur des critères identiques, plutôt que de se fier à des annonces marketing. Cette initiative s'inscrit dans une tendance plus large : face à la multiplication des modèles de vision par ordinateur couplés au langage, la communauté cherche des méthodes d'évaluation rigoureuses et reproductibles. Le pipeline intègre un système de jugement à la fois basé sur des règles et, en option, assisté par un LLM, complété par le calcul d'intervalles de confiance bootstrap pour garantir une robustesse statistique. Les résultats sont ensuite ventilés par niveau de difficulté et comparés au classement officiel du benchmark, avant d'être exportés sous forme d'artefacts de prédiction et de rapports réutilisables. Cette approche outillée, appuyée sur des bibliothèques comme datasets, huggingface_hub, pandas et matplotlib, illustre la volonté croissante de rendre les évaluations de modèles multimodaux aussi transparentes et vérifiables que les benchmarks traditionnels du traitement du langage.

Alibaba (Chine) tente une nouvelle offensive contre la suprématie américaine dans l'IA

Alibaba a dévoilé lundi Qwen3.8-Max, présenté comme son modèle d'intelligence artificielle le plus vaste et le plus performant à ce jour. Le géant technologique chinois affirme que ce système rivalise avec les meilleures offres des laboratoires américains de pointe, Anthropic et OpenAI, ainsi qu'avec son concurrent domestique Moonshot AI et son modèle Kimi K3. L'annonce, publiée sur le blog officiel d'Alibaba, confirme un lancement déjà anticipé depuis le mois précédent, lorsque l'entreprise avait présenté une version préliminaire du modèle en le qualifiant de "juste derrière" le modèle phare d'Anthropic. Qwen3.8-Max est désormais mis à disposition à grande échelle des utilisateurs, marquant une nouvelle étape dans la stratégie d'Alibaba de rendre ses modèles accessibles largement plutôt que de les garder propriétaires. Cette sortie confirme que les entreprises chinoises continuent de réduire l'écart technologique avec les laboratoires américains, longtemps considérés comme largement en tête sur les modèles de fondation les plus avancés. Pour les développeurs et les entreprises du monde entier, la disponibilité d'un modèle open ou largement accessible aussi performant qu'un système propriétaire américain change la donne: elle offre une alternative moins coûteuse et potentiellement moins contrainte par les restrictions d'export américaines. Pour l'industrie de l'IA dans son ensemble, cela accentue la pression concurrentielle sur les laboratoires occidentaux, qui doivent désormais justifier leurs prix et leurs conditions d'accès face à des rivaux chinois de plus en plus crédibles. Cette annonce s'inscrit dans un contexte de tensions déjà vives entre les Etats-Unis et la Chine sur plusieurs fronts liés à l'intelligence artificielle, entre restrictions américaines sur l'exportation de puces avancées vers la Chine et volonté de Pékin d'atteindre l'autonomie technologique dans ce secteur jugé stratégique. Alibaba, comme d'autres géants chinois de la tech, investit massivement dans le développement de modèles capables de rivaliser avec les meilleurs systèmes occidentaux, une course qui s'accélère à mesure que Washington et Silicon Valley observent avec attention les progrès réalisés de l'autre côté du Pacifique. Les prochains mois devraient voir se multiplier les annonces similaires de la part des acteurs chinois et américains, chacun cherchant à démontrer sa suprématie technologique dans un secteur dont les enjeux dépassent largement la seule compétition commerciale.

💬 Alibaba enfonce le clou et ça devient dur à ignorer. Qwen3.8-Max qui prétend rivaliser avec Anthropic et OpenAI en accès large, pas en démo, c'est un signal de plus que l'écart se referme vite. Selon Le Fil IA, la vraie bascule n'est pas technique mais économique: pour un développeur en France, un modèle chinois quasi aussi bon et moins cher devient un argument qu'aucun labo américain ne peut juste ignorer avec un "on est meilleurs".

Déploiement de Kimi K3 sur Amazon SageMaker HyperPod et Amazon EKS

Moonshot AI a dévoilé le 27 juillet 2026 Kimi K3, un modèle de langage à mélange d'experts (Mixture of Experts) de 2,8 billions de paramètres, devenant ainsi le premier système à poids ouverts à franchir la barre des 3 000 milliards de paramètres. L'architecture répartit ces paramètres sur 896 experts spécialisés, dont seulement 16 sont activés par token, ce qui limite à environ 104 milliards le nombre de paramètres réellement mobilisés à chaque inférence, un gain d'efficacité de 2,5 fois par rapport à son prédécesseur Kimi K2. Le modèle repose sur des innovations techniques telles que le Kimi Delta Attention, le Gated Multi Head Latent Attention et un cadre appelé Stable LatentMoE, et affiche une fenêtre de contexte d'un million de tokens ainsi qu'une prise en charge multimodale native texte et image. Ses poids sont publiés sur Hugging Face sous l'identifiant moonshotai/Kimi-K3, au format MXFP4 (Microscaling Floating Point 4 bits), pensé pour équilibrer qualité et efficacité mémoire lors du déploiement à grande échelle. Cette annonce marque une étape significative pour l'écosystème des modèles ouverts : les organisations peuvent désormais héberger elles-mêmes l'un des systèmes d'IA les plus capables au monde, sans dépendre d'un fournisseur propriétaire. Kimi K3 cible en priorité les tâches complexes que sont le codage sur de longs horizons, les flux de travail agentiques multi-étapes et le raisonnement avancé, avec un mode de réflexion permanent et un support natif des appels d'outils et des sorties structurées. Mais cette puissance a un coût matériel considérable : servir un tel modèle exige une infrastructure GPU haut de gamme, en l'occurrence des instances p6-b300 embarquant huit GPU NVIDIA B300 Blackwell Ultra, seules capables de gérer l'inférence en parallélisme tensoriel sur l'ensemble du pool d'experts. Amazon Web Services propose deux voies pour déployer Kimi K3 sur son infrastructure : Amazon SageMaker HyperPod, via son opérateur d'inférence installé automatiquement à la création du cluster, qui simplifie l'orchestration des conteneurs et la gestion des points de terminaison, et Amazon Elastic Kubernetes Service (EKS). Pour la capacité de calcul, AWS met à disposition des plans de formation flexibles réservant des ressources GPU pour HyperPod, ainsi que des Capacity Blocks permettant de réserver des instances p6-b300 pour une durée définie sans engagement à long terme. Le service repose sur un conteneur d'inférence vLLM dédié à Kimi K3, encore distribué séparément sous vllm/vllm-openai:kimi-k3 en attendant son intégration au conteneur principal, vLLM offrant un support natif des architectures MoE, du parallélisme tensoriel et de la quantification MXFP4.

Kimi K3 déployé sur AWS

Moonshot AI a publié le 27 juillet 2026 Kimi K3, un modèle de langage à mélange d'experts (Mixture of Experts) doté de 2,8 billions de paramètres, devenant ainsi le premier système à poids ouverts à franchir le seuil des 3 000 milliards de paramètres. Son architecture repose sur trois innovations techniques : l'attention Kimi Delta (KDA), une attention latente multi têtes à portes (Gated MLA) et un cadre appelé Stable LatentMoE. Le modèle répartit ses paramètres sur 896 experts spécialisés, dont seulement 16 sont activés à chaque token traité, ce qui ramène le nombre de paramètres réellement actifs à environ 104 milliards par passage. Moonshot AI annonce un gain d'efficacité de 2,5 fois par rapport à son prédécesseur, Kimi K2. Le modèle dispose d'une fenêtre de contexte d'un million de tokens, gère nativement le texte et l'image, et intègre l'appel d'outils, la génération de sorties structurées et un mode de raisonnement permanent pour les tâches complexes. Les poids sont disponibles sur Hugging Face sous l'identifiant moonshotai/Kimi-K3, au format MXFP4 (virgule flottante 4 bits à micro échelle), choisi pour son équilibre entre qualité et efficacité mémoire. Cette publication marque une étape importante pour les entreprises souhaitant héberger elles-mêmes un modèle de niveau frontière plutôt que de dépendre d'une API propriétaire. Mais la contrepartie de cette ouverture est une exigence matérielle considérable : Amazon Web Services, qui a documenté deux méthodes de déploiement, précise que Kimi K3 nécessite une instance p6-b300 équipée de huit GPU NVIDIA B300 Blackwell Ultra reliés par une interconnexion à très haut débit, indispensable pour répartir efficacement le calcul entre les centaines d'experts du modèle. Cette exigence illustre une tension croissante dans l'écosystème de l'IA ouverte : les modèles les plus capables deviennent aussi les plus coûteux à faire fonctionner, réservant de fait leur usage à des organisations disposant d'infrastructures GPU de pointe. Pour répondre à cette demande, AWS propose désormais deux voies de déploiement, via Amazon SageMaker HyperPod avec son opérateur d'inférence, qui simplifie l'orchestration et la gestion des points de terminaison, ou via un cluster Amazon EKS. Dans les deux cas, le service d'inférence recommandé est vLLM, dont une version spécifique à Kimi K3 doit encore être fusionnée dans la branche principale. Pour garantir l'accès à cette capacité GPU rare, AWS met en avant ses Flexible Training Plans et ses Capacity Blocks, deux mécanismes de réservation conçus pour sécuriser l'accès aux instances p6-b300. Cette course entre laboratoires d'IA et fournisseurs cloud pour rendre exploitables des modèles toujours plus massifs devrait s'intensifier à mesure que d'autres acteurs, comme DeepSeek ou Meta, cherchent eux aussi à repousser les limites des modèles à poids ouverts.

Moonshot AI publie en open source MoonEP, une bibliothèque de parallélisme d'experts équilibrée pour l'entraînement de modèles MoE

Moonshot AI a publié en open source MoonEP, une bibliothèque de communication pour le parallélisme d'experts (Expert Parallelism) destinée à l'entraînement distribué de modèles Mixture-of-Experts, sous licence MIT. Cette annonce s'inscrit dans le cadre du Kimi K3 Open Day, journée durant laquelle l'entreprise a dévoilé les poids du modèle K3 ainsi que son rapport technique, accompagnés de trois briques d'infrastructure logicielle : MoonEP, FlashKDA et AgentEnv. FlashKDA avait déjà été ouvert précédemment, tandis que MoonEP et AgentEnv sont publiés pour la première fois avec cette sortie. Moonshot présente MoonEP comme l'une des innovations ayant permis un gain de 2,5 fois en efficacité de mise à l'échelle pour Kimi K3, un modèle MoE de 2 800 milliards de paramètres doté d'une vision native et d'une fenêtre de contexte d'un million de tokens. Sur le plan technique, la bibliothèque s'attaque au déséquilibre de routage entre experts, mesuré par une métrique appelée maxvio, en garantissant que chaque rang de calcul reçoive exactement S multiplié par K tokens, quel que soit le déséquilibre du routeur, grâce à une planification dynamique d'experts redondants directement dérivée des sorties du routeur en temps réel. Le système repose sur un noyau de planification GPU quasi optimal, implémenté avec le langage CUTLASS CuTe, et sur une architecture à copie nulle avec des formes statiques qui éliminent la synchronisation hôte à chaque couche. Ce déséquilibre de routage est un problème structurel majeur pour l'entraînement de grands modèles MoE : la latence d'une opération collective est dictée par son participant le plus lent, donc le rang le plus sollicité détermine la durée de chaque itération d'entraînement. Ce phénomène fragmente aussi la mémoire GPU puisque le nombre de tokens traités par rang varie à chaque étape. En imposant une charge parfaitement équilibrée et des formes de mémoire prévisibles, MoonEP permet de réduire ces coûts cachés et d'accélérer l'entraînement de modèles à très grande échelle, un enjeu crucial à mesure que les architectures MoE comptant plusieurs milliers de milliards de paramètres se généralisent chez les grands laboratoires d'IA. La publication s'accompagne d'indications précises d'usage : pour l'entraînement, le nombre d'emplacements de préchargement B doit être fixé à E divisé par R, garantissant que tout expert distant sollicité reste local au groupe de calcul GEMM ; pour l'inférence, une valeur plus faible, entre 3 et 4, est recommandée. Cette ouverture de code s'inscrit dans une dynamique plus large où les laboratoires chinois d'IA, dont Moonshot AI, DeepSeek ou Alibaba, publient de plus en plus leurs briques d'infrastructure d'entraînement, contribuant à démocratiser les techniques nécessaires pour entraîner des modèles MoE à l'échelle du trillion de paramètres, jusque-là réservées à une poignée d'acteurs disposant de ressources massives.

💬 Bon, sur le papier c'est technique, mais le vrai signal est ailleurs : quand un labo publie sous MIT le code qui a fait gagner 2,5x en efficacité sur un modèle à 2 800 milliards de paramètres, il régale ses concurrents directs sans que ça lui coûte son avance produit. Selon Le Fil IA, la course au MoE géant n'est plus une histoire de brevets gardés jalousement mais d'exécution, les labos chinois ont compris qu'ouvrir l'infra accélère l'écosystème sans dévoiler ce qui compte vraiment (les données, les poids entraînés). Reste à voir qui, hors Chine, aura le courage de faire pareil.

Kimi CLI de Moonshot AI : créer des workflows de codage à base d'agents non interactifs, avec streaming JSONL, tests et mémoire de session

Moonshot AI a publié un tutoriel technique détaillant la configuration et l'utilisation de Kimi CLI en tant qu'agent de codage IA entièrement non interactif. L'installation s'effectue via l'outil uv, avec un environnement Python 3.13 isolé, tandis que l'authentification passe par un fichier de configuration TOML définissant le fournisseur Moonshot et le modèle cible, en l'occurrence kimi-k2-0711-preview, accessible via l'endpoint api.moonshot.ai/v1 avec une fenêtre de contexte de 131 072 tokens. Le tutoriel construit ensuite un wrapper Python réutilisable permettant d'exécuter des commandes Kimi CLI en mode silencieux, avec des options telles que le mode yolo pour l'exécution automatique, la continuité de session entre plusieurs tours d'échange, et le streaming d'événements au format JSONL structuré. L'agent est ensuite mis à l'épreuve sur un flux de travail réaliste : inspection d'une base de code existante, identification de risques d'implémentation, modification autonome des fichiers sources, génération de tests unitaires, exécution de commandes de validation, puis itération jusqu'à ce que l'ensemble de la suite de tests passe avec succès. Cette démonstration illustre une tendance de fond dans l'outillage de développement assisté par IA : le passage d'agents conversationnels interactifs à des agents pilotables en ligne de commande, capables de s'intégrer directement dans des pipelines d'intégration continue ou des scripts d'automatisation sans intervention humaine à chaque étape. Pour les équipes d'ingénierie, cela ouvre la voie à des boucles de développement où un agent peut recevoir une tâche, modifier le code, écrire ses propres tests, les exécuter, et corriger ses erreurs de façon itérative jusqu'à obtenir un résultat validé, un schéma parfois appelé boucle de Ralph dans la communauté des outils agentiques. L'intérêt pratique réside aussi dans la mémoire de session persistante et le mode plan, qui permettent de garder une trace du raisonnement de l'agent et de vérifier ses décisions avant exécution, un enjeu de confiance central quand on délègue des modifications de code à un système autonome. Ce tutoriel s'inscrit dans la compétition plus large que se livrent les laboratoires d'IA autour des outils de développement agentiques, un segment où Anthropic avec Claude Code, OpenAI et désormais Moonshot AI avec Kimi cherchent chacun à imposer leur interface en ligne de commande comme standard pour l'automatisation du codage. Kimi CLI se distingue par sa compatibilité avec le protocole MCP (Model Context Protocol), qui permet de connecter l'agent à des outils et sources de données externes, ainsi que par des fonctionnalités d'export de session et d'accès via une interface web, deux éléments qui facilitent son intégration dans des environnements de production existants. À mesure que ces agents non interactifs gagnent en fiabilité, la question qui se pose pour les équipes techniques est celle de la gouvernance : comment encadrer les permissions accordées à un agent capable de modifier du code de façon autonome, et comment vérifier la qualité de ses décisions sans réintroduire une supervision humaine à chaque étape, ce qui reviendrait à annuler le gain de productivité recherché.

💬 Bon, encore un CLI d'agent codage, mais celui-là il assume vraiment le non-interactif de bout en bout, inspection, patch, tests, itération, sans qu'on repasse derrière à chaque étape. La vraie question elle est pas technique, elle est de gouvernance : qui valide les permissions d'un agent qui écrit ET teste tout seul, parce que remettre un humain à chaque étape ça tue le gain qu'on cherchait au départ. Moonshot a raison de miser sur MCP et l'export de session pour ça, mais tant qu'il y a pas de standard sur le contrôle des permissions, chaque boîte va bricoler sa propre garde-fou dans son coin.

Moonshot cherche davantage de puces Nvidia Blackwell pour son prochain modèle

La startup chinoise Moonshot AI, basée à Pékin, discute déjà des plans pour son prochain modèle d'intelligence artificielle, Kimi K4, qui serait nettement plus grand que son prédécesseur, selon deux personnes proches du dossier. Cette annonce intervient dans la foulée du succès retentissant de Kimi K3, lancé récemment et devenu le plus grand modèle open source au monde avec 2,8 billions de paramètres. Selon trois sources informées, Moonshot a entraîné K3 en utilisant des puces Nvidia, y compris les modèles Blackwell les plus avancés, confirmant ainsi en partie une déclaration publiée sur X par Michael Kratsios, haut responsable de la Maison-Blanche. Or ces puces sont censées être inaccessibles aux entreprises chinoises en vertu des restrictions à l'exportation imposées par les autorités américaines. Pour développer K4, Moonshot chercherait désormais à obtenir davantage de puces Blackwell, selon deux des personnes citées. Cette affaire illustre les failles persistantes du régime de contrôle des exportations américain censé freiner l'accès de la Chine aux technologies d'IA les plus avancées. Si une startup chinoise parvient à entraîner le plus grand modèle open source au monde sur du matériel Nvidia de pointe malgré l'embargo, cela remet en question l'efficacité réelle des sanctions et alimente les inquiétudes à Washington sur les contournements possibles des restrictions. Pour l'industrie, cela confirme aussi que la Chine reste capable de rivaliser au plus haut niveau en matière de modèles de langage, avec des conséquences directes sur la compétition technologique sino-américaine. Le contrôle des exportations de semi-conducteurs vers la Chine est devenu un axe central de la politique américaine sous plusieurs administrations, Nvidia étant régulièrement sommée d'adapter ses gammes de puces pour respecter les seuils autorisés. Le cas Moonshot, avec sa demande de nouvelles puces Blackwell pour K4, place à nouveau la question du contournement des règles au centre du débat, alors que les autorités américaines et Nvidia devront potentiellement clarifier comment de tels approvisionnements ont pu avoir lieu.

💬 Nvidia Blackwell dans un modèle chinois qui bat les records open source, ça dit tout de l'efficacité réelle des restrictions à l'export américaines. Sur le papier, l'embargo devait ralentir la Chine sur l'IA de pointe, dans les faits Moonshot construit le plus gros modèle open source du monde avec le matériel censé lui être interdit. Washington va devoir soit fermer les fuites, soit admettre que le contrôle des exportations ne contrôle plus grand-chose.

« Beaucoup de bruit autour des poids ouverts »

Kimi K3, publié ce week-end par la start-up chinoise Moonshot AI, s'est imposé comme l'événement marquant de la semaine dans le débat sur les modèles ouverts. Il s'agit d'un modèle de type MoE (mixture of experts) de 2 800 milliards de paramètres, avec 104 milliards de paramètres actifs répartis sur 896 experts dont 16 sont activés par requête, une fenêtre de contexte d'un million de tokens et une compréhension visuelle native. Moonshot a également ouvert le code de trois briques techniques associées : FlashKDA, ses noyaux d'attention Kimi Delta Attention, MoonEP, sa bibliothèque de communication pour architectures MoE, et AgentENV, son infrastructure distribuée pour environnements d'agents. Plusieurs évaluations indépendantes ont depuis confirmé que Kimi K3 surpasse Opus 4.8, ce qui en fait, selon Moonshot, le meilleur modèle à poids ouverts au monde. Le rapport technique met en avant un gain d'efficacité d'entraînement d'environ 2,5 fois par rapport à K2, obtenu grâce à des choix d'architecture centrés sur la stabilité numérique à grande échelle : poids en MXFP4, activations en MXFP8, et un encodeur visuel entraîné conjointement depuis le début. Le rapport ne précise toutefois pas le nombre total de tokens utilisés pour l'entraînement, une omission relevée par plusieurs observateurs. Cette sortie illustre un tournant dans la manière dont l'industrie définit l'ouverture des modèles d'IA. La licence de Kimi K3 est qualifiée d'« open weights » mais pas de logiciel libre au sens strict : les fournisseurs d'hébergement générant plus de 20 millions de dollars de revenus annuels doivent signer un accord commercial séparé, et les produits dépassant 100 millions d'utilisateurs mensuels actifs ou 20 millions de dollars de revenus mensuels doivent afficher la mention « Kimi K3 » dans leur interface. Cette formule, entre gratuité d'accès et restrictions commerciales ciblées, pourrait devenir la norme pour les futurs modèles frontière présentés comme ouverts. La disponibilité immédiate du modèle chez une douzaine de plateformes dès le premier jour, vLLM, Baseten, Modal, Fireworks, Nebius, Together, DigitalOcean, Cursor, Cognition (Devin), Ollama Cloud et Dell Enterprise Hub, montre que le lancement d'un modèle ouvert frontière est désormais un événement d'écosystème et de chaîne d'approvisionnement, et plus seulement une annonce de recherche. Ce lancement intervient alors que le débat public sur les modèles ouverts s'est enflammé cette semaine autour d'une lettre appelant à davantage d'ouverture, signée notamment par NVIDIA et Microsoft. OpenAI, d'abord donnée comme réticente, a fini par signer le texte, tandis qu'Anthropic s'en est tenue à l'écart. Cette agitation autour des prises de position publiques contraste avec le fait que seul Moonshot a effectivement livré un modèle à poids ouverts cette semaine, ce qui a conduit plusieurs commentateurs à juger plus utile de lire le rapport technique de Kimi K3 que de suivre les innombrables réactions sur les réseaux sociaux. Par ailleurs, la newsletter AI News, désormais intégrée à Latent Space, a annoncé l'arrivée de Richard MacManus au poste de responsable éditorial.

💬 Kimi K3 bat Opus 4.8 sur les bancs d'essai indépendants avec un modèle "open weights", et ça vaut le coup de lire le rapport technique plutôt que le flot de réactions LinkedIn sur la lettre NVIDIA-Microsoft. La vraie histoire de la semaine, c'est que pendant qu'OpenAI signait un texte sur l'ouverture, Moonshot livrait un modèle disponible day one sur douze plateformes, code d'inférence compris. Selon Le Fil IA, l'ouverture des modèles frontière est en train de devenir une affaire de licence commerciale et de chaîne d'approvisionnement, plus une déclaration de principe.

Kimi K3 dévoile ses poids complets, mais leur licence "ouverte" comporte une réserve à connaître pour les entreprises

Moonshot AI, la start-up chinoise à l'origine de la famille de modèles ouverts Kimi K, a publié aujourd'hui les poids complets de son modèle le plus performant à ce jour, Kimi K3. L'entreprise avait déjà dévoilé le modèle via son API hébergée plus tôt ce mois-ci, avec une architecture à 2,8 billions de paramètres, une fenêtre de contexte d'un million de tokens et des performances de référence au niveau des meilleurs modèles du marché. Cette nouvelle annonce complète le déploiement avec la publication des poids du modèle, un rapport technique de 47 pages détaillant les innovations et les difficultés rencontrées pendant l'entraînement, ainsi qu'une grande partie de l'infrastructure nécessaire pour faire tourner le modèle de façon autonome. Cela inclut le modèle complet de type Mixture-of-Experts à 2,8 billions de paramètres, l'infrastructure d'inférence, des noyaux d'attention optimisés, des bibliothèques de communication pour l'architecture MoE, ainsi que des composants de déploiement destinés aux chercheurs et développeurs souhaitant héberger le système eux-mêmes plutôt que de dépendre uniquement de l'API. Moonshot publie également un support d'implémentation pour des écosystèmes comme vLLM et SGLang. Le rapport technique décrit des innovations architecturales telles que Kimi Delta Attention, Attention Residuals et Stable LatentMoE, qui permettent à l'entreprise de présenter Kimi K3 comme le premier modèle ouvert de classe 3 billions de paramètres au monde, activant 104 milliards de paramètres parmi un total de 896 experts, tout en prenant en charge un raisonnement multimodal natif. Pour les entreprises, cette publication ouvre l'accès à une intelligence artificielle de pointe à moindre coût, contrôlable et exploitable hors ligne, un atout majeur face aux modèles propriétaires facturés à l'usage. Mais la licence associée à Kimi K3 impose des obligations inédites par rapport aux licences open source classiques comme Apache 2.0 ou MIT. Si une entreprise ou ses filiales exploitent une activité de type "Modèle en tant que Service", c'est à dire un accès à l'inférence ou au fine-tuning du modèle permettant à un tiers d'exercer un contrôle significatif sur les entrées, paramètres ou données d'entraînement, et que leurs revenus cumulés dépassent 20 millions de dollars sur douze mois consécutifs, elles doivent alors signer un accord commercial séparé avec Moonshot AI avant toute utilisation commerciale du logiciel ou de ses dérivés. Une restriction supplémentaire s'applique aux produits ou services commerciaux dépassant 100 millions d'utilisateurs actifs mensuels. Cette approche s'inscrit dans une tendance plus large des laboratoires chinois d'IA, qui misent sur l'ouverture des poids de leurs modèles pour gagner en influence face aux acteurs américains comme OpenAI ou Anthropic, tout en se ménageant des revenus auprès des plus gros acteurs commerciaux via des clauses de seuil. Kimi K3 succède à Kimi K2 et s'inscrit dans une compétition intense entre laboratoires chinois, notamment DeepSeek et Alibaba avec Qwen, pour dominer le segment des modèles ouverts de très grande taille. Pour les entreprises, l'enjeu sera désormais d'évaluer précisément si leur usage du modèle les fait basculer dans le champ d'application de cette licence hybride, à mi-chemin entre open source traditionnel et modèle commercial encadré.

💬 Bon, cette fois Moonshot a compris un truc que Meta n'a jamais voulu admettre : "open" et "gratuit pour tout le monde" ce sont deux choses différentes. Filer les poids d'un modèle à 2,8 billions de paramètres, l'infra d'inférence complète et un rapport de 47 pages, c'est du sérieux, pas du marketing open source. Mais le vrai signal, c'est celui-là : dès que ton usage de Kimi K3 dépasse 20 millions de dollars de revenus ou 100 millions d'utilisateurs, l'open weight redevient un contrat commercial classique, c'est-à-dire que l'ouverture chinoise cible surtout les startups et chercheurs, pas les géants qui pourraient vraiment lui faire de l'ombre.

Kimi AI et kvcache-ai publient AgentENV en open source, un systeme distribue pour l'entrainement par renforcement des agents de Kimi K3

Moonshot AI, l'équipe derrière le modèle Kimi, et la société kvcache-ai ont ouvert le code source d'AgentENV (AENV), une plateforme distribuée conçue pour faire tourner des environnements d'agents à grande échelle, sous licence MIT. Ce système alimente l'entraînement par apprentissage par renforcement (RL) agentique de Kimi K3, le modèle Mixture-of-Experts de Moonshot doté de 2 800 milliards de paramètres. Techniquement, AgentENV repose sur des micro-VM Firecracker, chacune dotée de son propre noyau Linux, système de fichiers et espace réseau isolé. Les requêtes passent par une API HTTP Axum reliée à un orchestrateur qui gère le cycle de vie des sandboxes. Le stockage utilise un dispositif bloc en espace utilisateur (ublk) appuyé sur des images en couches overlaybd, avec des couches de base en lecture seule partagées entre sandboxes. À l'intérieur de chaque machine virtuelle, un démon nommé envd exécute les commandes et surveille l'état de santé sur le port 49983. Les chiffres annoncés sont significatifs : démarrage ou reprise d'un environnement en moins de 50 millisecondes, mise en pause en moins de 100 millisecondes, et capture d'un instantané incrémental également sous la barre des 100 millisecondes, même en cas de forte modification du disque. Cette architecture répond à un problème concret de l'entraînement agentique par renforcement : chaque étape d'apprentissage exige que le modèle agisse dans un véritable environnement informatique complet, avec système de fichiers, réseau et processus actifs, ce qui crée un arbitrage difficile entre conteneurs rapides mais peu isolés et machines virtuelles complètes mais lentes à démarrer. La fonctionnalité de fork est ici centrale : un sandbox actif peut se cloner en jusqu'à 16 sandboxes enfants indépendants sur un même nœud, chacun héritant du système de fichiers, de la mémoire et de la configuration du parent. Concrètement, une équipe peut installer des dépendances, cloner un dépôt et atteindre un état de tâche donné une seule fois, puis faire diverger cet état en plusieurs déploiements parallèles pour l'entraînement. Cela réduit drastiquement le coût de préparation répétitive et permet de faire tourner un grand nombre de rollouts simultanés, un enjeu clé pour rendre l'entraînement RL des grands modèles économiquement viable à l'échelle. Le système intègre aussi des mécanismes de densité mémoire, comme le partage du cache de pages hôte et le ballooning mémoire, qui permettent de maintenir un fort taux de suroccupation des ressources à mesure que les environnements divergent. Les instantanés sont persistés vers un stockage compatible S3 ou un système de fichiers distribué partagé, organisés en trois couches : un espace de travail de build, un dépôt d'instantanés validés et un cache local par nœud. Par défaut, chaque sandbox expire par mise en pause plutôt que par suppression, sauf paramétrage explicite contraire. Un transport pair-à-pair optionnel basé sur iroh, désactivé par défaut, peut aussi diffuser les artefacts validés entre nœuds sans modifier le modèle de gestion des instantanés.

💬 Bon, la vraie info ici c'est pas le modèle, c'est l'infra en dessous. Démarrer un environnement complet en moins de 50ms et forker jusqu'à 16 sandboxes isolés à partir d'un seul état préparé, ça règle le vrai goulot d'étranglement du RL agentique : préparer l'environnement coûte plus cher que d'y faire tourner l'agent. Reste à voir si ça tient face à des milliers de rollouts en parallèle sur la durée, mais le fait que Moonshot l'ouvre en MIT plutôt que de le garder pour Kimi K3 en dit long : ils savent que c'est l'infra RL, pas le modèle, qui va devenir le vrai avantage compétitif chez les labs chinois.

Moonshot AI publie les poids ouverts et l'infrastructure de Kimi K3 après avoir bousculé la course aux modèles de pointe

Moonshot AI, la start-up chinoise à l'origine de la série Kimi, a publié les poids du modèle Kimi K3 en open source et rendu accessible une partie de son infrastructure technique. Sur les benchmarks les plus suivis du secteur, Kimi K3 talonne les modèles frontières occidentaux les plus performants, dont Claude et GPT-5.6 Sol d'OpenAI, un résultat remarqué pour un modèle développé en Chine dans un contexte de restrictions sur l'accès aux puces avancées. Des tests indépendants menés après la sortie ont toutefois révélé des écarts significatifs de performance sur les tâches de cybersécurité et de mathématiques, des domaines où Kimi K3 reste nettement en retrait par rapport à ses concurrents malgré ses bons scores globaux. Cet écart entre les benchmarks généralistes et les résultats sur des tâches spécialisées relance un débat déjà ancien dans l'industrie de l'IA : celui de la distillation, une technique consistant à entraîner un modèle en s'appuyant sur les sorties d'un modèle plus puissant déjà existant plutôt que sur des données brutes originales. Si cette hypothèse se confirme, elle interrogerait la nature réelle des progrès affichés par les laboratoires chinois sur les classements publics, souvent utilisés comme argument commercial et géopolitique pour démontrer une parité avec les acteurs américains. Pour les développeurs et entreprises qui envisagent d'adopter Kimi K3, ces failles ciblées changent concrètement le calcul de risque selon les cas d'usage prévus. La publication s'inscrit dans une compétition mondiale de plus en plus tendue entre laboratoires chinois et occidentaux, où l'ouverture des poids de modèle est devenue un outil stratégique autant que technique, permettant d'attirer développeurs et entreprises vers son écosystème plutôt que celui d'un concurrent propriétaire. Moonshot AI rejoint ainsi DeepSeek et d'autres acteurs chinois dans une stratégie d'open source agressive, à contre-courant de la fermeture croissante des modèles occidentaux les plus avancés. Reste à savoir si d'autres évaluations indépendantes confirmeront les limites observées en cybersécurité et en mathématiques, et si Moonshot AI ajustera sa méthode d'entraînement pour les prochaines itérations de Kimi.

💬 Ce qui m'intéresse ici, c'est pas le classement, c'est l'écart. Kimi K3 talonne Claude et GPT-5.6 sur les benchmarks généralistes mais s'écroule en cybersécurité et en maths, et ça sent la distillation, un modèle qui a appris à imiter les réponses des autres plutôt qu'à raisonner par lui-même. Bon, sur le papier la parité technique avec les US est là, mais dans les faits elle se limite aux domaines qu'on mesure le plus. Retiens ça : les classements publics deviennent un argument géopolitique avant d'être une preuve technique, et Moonshot le démontre malgré lui.

T@LC : on a voulu tester Kimi K3 (1 562 Go) en « local », on a failli finir ruinés

Moonshot AI a mis en ligne les poids de son dernier modèle open source, Kimi K3, fort de 2 800 milliards de paramètres. Concrètement, cela signifie que n'importe qui peut télécharger ce modèle et l'installer en local ou sur une machine louée, plutôt que de passer par les serveurs de l'entreprise chinoise pour l'utiliser. L'intérêt est immédiat pour les professionnels soucieux de confidentialité : garder la main sur ses données et ses prompts sans les transmettre à un tiers. Mais la contrainte technique est écrasante. Pour faire tourner un modèle dans de bonnes conditions, il faut charger l'intégralité de ses paramètres en mémoire, idéalement celle du GPU, la mémoire du CPU restant possible mais au prix de performances dégradées. Avec 2 800 milliards de paramètres à charger, la facture explose : louer les instances GPU nécessaires reviendrait à plusieurs dizaines de milliers d'euros par mois, soit plus de 1 000 euros par jour, avec une note pouvant grimper jusqu'à 43 800 euros selon les configurations testées. Cette expérience illustre un paradoxe central de l'open source appliqué aux très grands modèles de langage : la liberté de déploiement promise par la publication des poids devient largement théorique dès que la taille du modèle dépasse les capacités matérielles accessibles au commun des entreprises. Seules les organisations disposant d'infrastructures GPU massives, ou d'un budget conséquent pour en louer, peuvent réellement exploiter Kimi K3 en toute autonomie. Pour les autres, la promesse de souveraineté sur les données se heurte à un mur financier. L'épisode s'inscrit dans une course plus large entre laboratoires chinois et américains autour des modèles massifs en open source, où la taille des architectures ne cesse de grimper sans que les moyens de les faire tourner localement suivent au même rythme. Reste à voir si Moonshot AI ou ses concurrents proposeront des versions allégées, distillées ou quantifiées de Kimi K3, seules solutions réalistes pour démocratiser l'usage local de modèles de cette envergure.

💬 Bon, sur le papier ça sonne comme une belle promesse de souveraineté, dans les faits c'est un modèle que 99% des boîtes ne pourront jamais faire tourner elles-mêmes. 2 800 milliards de paramètres, ça veut dire louer pour plusieurs dizaines de milliers d'euros par mois de GPU, donc l'open source ici c'est open pour qui a le chéquier d'un labo ou d'un hyperscaler. Selon Le Fil IA, l'open source des modèles géants n'ouvre plus l'accès, il déplace juste la barrière de l'API vers la facture d'infra. Reste à voir si Moonshot sort une version distillée, sinon Kimi K3 restera un objet de curiosité technique, pas un outil qu'on installe chez soi.

Face à Washington, les géants de la tech signent un appel massif pour une IA ouverte

Le 27 juillet 2026, Moonshot AI publie les poids de son modèle Kimi K3, un événement qui relance le débat opposant l'intelligence artificielle ouverte aux modèles propriétaires. Le même jour, NVIDIA annonce le lancement de l'Open Secure AI Alliance, une coalition industrielle destinée à développer des outils et des techniques pour sécuriser les logiciels et les agents d'IA construits en source ouverte. Cette initiative fait suite à une lettre ouverte, signée initialement par 25 entreprises parmi lesquelles NVIDIA, Microsoft, Mozilla, Meta, Mistral, Hugging Face, Perplexity, Palantir, Dell, IBM, la Linux Foundation, Box et CrowdStrike. Le 24 juillet 2026, Jensen Huang, PDG de NVIDIA, avait publiquement défendu cette lettre sur X, affirmant que l'IA doit transformer chaque industrie et que les modèles ouverts renforcent à la fois la sécurité, l'innovation et la souveraineté numérique des pays. Cette prise de position collective pèse lourd sur l'avenir de l'écosystème IA. En rendant les modèles accessibles gratuitement, les signataires permettent aux entreprises, universités, administrations et startups d'utiliser des systèmes performants sans dépendre exclusivement de solutions propriétaires coûteuses, tout en gardant le contrôle de leurs données grâce à une exécution en interne. Cette approche réduit la dépendance envers un petit nombre de fournisseurs dominants et favorise la transparence de la recherche. Mais elle comporte aussi des risques bien identifiés par les signataires eux-mêmes : une fois publiés, les poids d'un modèle échappent au contrôle de leurs créateurs et peuvent être détournés pour des cyberattaques ou la désinformation. L'exécution de ces modèles exige par ailleurs une infrastructure robuste, et la multiplication des variantes communautaires complique la diffusion des correctifs de sécurité. Le contexte de cette mobilisation s'explique par l'absence initiale, remarquée, des géants américains OpenAI, Google et Anthropic parmi les signataires, alors que Washington soutient traditionnellement les modèles fermés. La situation a toutefois évolué rapidement : Sam Altman, PDG d'OpenAI, a déclaré vouloir voir les États-Unis exceller aussi bien avec des modèles ouverts que propriétaires, avant de rejoindre l'initiative. Un autre point de friction concerne la distillation, cette technique consistant à entraîner un modèle à partir des réponses d'un autre, notamment reprochée à Kimi K3. Les signataires jugent qu'il s'agit d'une pratique courante et nécessaire au progrès des grands modèles de langage, qui ne doit pas être assimilée systématiquement à du vol, tout en reconnaissant que ses usages illégaux doivent être encadrés par des règles juridiques adaptées plutôt que par une interdiction générale.

L’industrie de l’IA plaide pour les modèles ouverts, la liste des signataires s’allonge

Moonshot AI doit publier ce 27 juillet les poids de son modèle Kimi K3, dans un contexte où Washington cherche à protéger les modèles fermés des géants américains face à la concurrence chinoise open source. Une lettre ouverte, publiée en amont de cette échéance, défend les modèles à poids ouverts et rassemble des signataires de poids : NVIDIA, Microsoft, Mozilla, Meta, Mistral, Hugging Face, Perplexity, Palantir, Dell, IBM, la Linux Foundation, Box ou encore CrowdStrike, pour une liste initiale de 25 organisations. Jensen Huang, patron de NVIDIA, y a publié son tout premier message sur X, affirmant que ces modèles « renforcent la sûreté et la cybersécurité, accélèrent l'innovation et sa diffusion, et favorisent la souveraineté », tout en jugeant que l'industrie a besoin à la fois de modèles fermés de pointe et de modèles ouverts de pointe. Le texte défend aussi la distillation, technique consistant à exploiter les réponses d'un modèle pour en entraîner un autre, présentée comme une pratique légitime et courante plutôt que comme du vol. Cette prise de position pèse directement sur l'accès à l'IA pour les entreprises, universités, administrations et startups, qui peuvent ainsi utiliser des modèles performants sans les entraîner elles-mêmes ni payer des licences coûteuses, tout en gardant un contrôle total sur leurs données en les exécutant en interne. Pour l'écosystème, cela réduit la dépendance à une poignée de fournisseurs américains et renforce la souveraineté technologique de nombreux pays, en particulier européens. Mais la lettre reconnaît aussi les limites de l'ouverture : une fois publiés, les poids échappent au contrôle de leurs concepteurs, qui ne peuvent empêcher leur usage, leur copie ou leur modification, avec un risque accru d'attaques informatiques ou de contenus trompeurs, sans compter le besoin d'une infrastructure solide pour les exploiter en sécurité. Le débat prend une tournure géopolitique directe puisque la Maison-Blanche accuse précisément Kimi K3 d'avoir été distillé à partir de Fable 5, une accusation que les signataires jugent devoir être traitée par des règles juridiques ciblées plutôt que par une interdiction générale de la distillation, jugée essentielle au progrès des LLM. Le week-end suivant la publication de la lettre, le nombre de signataires a triplé avec l'arrivée d'OpenAI, Google et AMD, signe que le clivage entre modèles ouverts et fermés dépasse désormais les postures habituelles et engage les plus grands acteurs du secteur dans un même camp face aux restrictions envisagées à Washington.

💬 Ce qui me frappe, c'est que la liste des signataires efface d'un coup les postures habituelles : NVIDIA, Meta, Mistral, Hugging Face, puis OpenAI et Google qui rejoignent le mouvement le week-end suivant, ça n'arrive jamais de voir ces boîtes-là dans le même camp. Sur le papier, l'argument souveraineté tient la route, l'Europe a intérêt à des poids qu'elle peut auditer et héberger chez elle plutôt que louer un accès API. Mais l'accusation de distillation contre Kimi K3 montre où ça va vraiment se jouer : pas sur les grands principes de la lettre, sur des procès ciblés modèle par modèle. Selon Le Fil IA, le clivage ouvert/fermé a fini par mettre d'accord des rivaux qui ne s'accordent jamais sur rien d'autre. Une chose à vérifier avant publication : le résumé fourni affirme que la Maison-Blanche accuse Kimi K3 d'avoir été distillé à partir de « Fable 5 ». Ce nom ne correspond à aucun modèle public connu de moi (ça ressemble à un nom de code interne, pas à un modèle commercial comme GPT ou Gemini), vérifie la source Next INpact avant de publier, ça sent l'erreur ou la confusion de nom de modèle.

Kimi K3 accuse un net retard sur les frontier models américains en matière d'exploits cyber, un écart que la distillation pourrait expliquer

Le British AI Security Institute et le Center for AI Standards and Innovation américain ont testé Kimi K3, le modèle développé par la startup chinoise Moonshot AI, sur des tâches de cybersécurité offensive. Sur ExploitBench, un benchmark évaluant la capacité à développer des exploits, Kimi K3 a obtenu un score de 32 %, contre 76 % pour les modèles américains de pointe. Les évaluateurs ont également constaté que les garde-fous censés empêcher le modèle de générer du code d'exploitation ou de simuler des attaques informatiques n'ont pas fonctionné correctement, laissant Kimi K3 produire ce type de contenu malgré les protections annoncées par Moonshot AI. Cet écart de performance interpelle d'autant plus que Kimi K3 affiche par ailleurs de bons résultats sur les benchmarks généraux, se rapprochant des modèles occidentaux les plus avancés sur de nombreuses tâches classiques. Ce contraste entre des capacités générales solides et une faiblesse marquée en cybersécurité offensive soulève des questions sur la fiabilité des modèles chinois dans des contextes sensibles, à un moment où les entreprises et gouvernements s'appuient de plus en plus sur l'IA pour évaluer ou renforcer leurs défenses numériques. Un modèle mal sécurisé pourrait à l'inverse devenir un outil facilitant les cyberattaques plutôt qu'un rempart contre elles. Ce résultat alimente aussi les soupçons déjà formulés à l'encontre de Moonshot AI, accusée d'avoir distillé les modèles d'Anthropic pour entraîner Kimi K3, c'est-à-dire d'avoir utilisé les sorties de modèles comme Claude pour accélérer et améliorer son propre entraînement sans reproduire les mêmes mécanismes de sécurité sous-jacents. Cette pratique, courante mais controversée dans l'industrie de l'IA, expliquerait pourquoi un modèle peut sembler compétitif sur des tests généraux tout en restant nettement en retrait sur des capacités spécifiques comme la cybersécurité, domaine où les garde-fous nécessitent un entraînement dédié plus difficile à répliquer par simple imitation.

La Maison-Blanche accuse Kimi K3 de distillation du modèle Fable d’Anthropic

La Maison-Blanche accuse Moonshot AI d'avoir distillé illégalement le modèle Fable d'Anthropic pour développer Kimi K3, son nouveau modèle à poids ouverts dont la publication est prévue le 27 juillet. Depuis le lancement de Kimi K3 le 17 juillet, ce modèle chinois de 2 800 milliards de paramètres inquiète Washington par ses performances jugées « de niveau frontière », proches de celles des modèles américains, à des prix nettement plus bas. Michael Kratsios, directeur du Bureau de la politique scientifique et technologique de l'administration Trump, a affirmé sur les réseaux sociaux disposer d'informations selon lesquelles Moonshot AI aurait construit une « plateforme interne sophistiquée » pour mener des opérations de distillation à grande échelle, en changeant régulièrement de méthode d'accès afin d'éviter d'être détectée. Il accuse également l'entreprise chinoise d'avoir eu accès à des serveurs équipés de puces GB300 de Nvidia basés en Thaïlande, probablement pour entraîner ses modèles. Kratsios précise ne pas condamner la distillation en tant que telle, mais dénonce des « opérations clandestines de distillation industrielle » visant à voler des technologies américaines propriétaires. L'enjeu dépasse le simple différend technique entre deux entreprises. Avec 60 % de l'usage de tokens des sociétés américaines déjà capté par des modèles chinois majoritairement ouverts, selon des données d'OpenRouter citées par Bloomberg, l'arrivée de Kimi K3 en open source pourrait accélérer une bascule du marché vers des modèles gratuits, personnalisables et hébergeables sur ses propres serveurs, loin de la dépendance aux API fermées de Fable, GPT ou consorts. Pour l'industrie américaine, où le modèle économique repose sur le contrôle de la tarification et la possibilité de couper l'accès à tout moment, comme cela s'est produit avec Fable 5 le mois dernier, la généralisation de modèles ouverts et compétitifs venus de Chine représente une menace directe. Une fois les poids d'un modèle publiés, il devient en effet quasiment impossible d'en reprendre le contrôle, ce qui pousse Washington à vouloir examiner les futurs modèles de frontière avant leur mise à disposition. Cette accusation s'inscrit dans un climat de tensions déjà ancien entre Anthropic et Moonshot AI, la première ayant par le passé accusé la seconde de distillation abusive. La réaction n'est toutefois pas unanime au sein même de l'industrie américaine : Dean Ball, responsable de la prospective stratégique chez OpenAI, estime que les performances de Kimi K3 ne peuvent pas s'expliquer uniquement par une distillation, tandis que Greg Brockman, cofondateur et président d'OpenAI, s'est également exprimé sur le sujet. Cette controverse survient alors que Pékin encourage explicitement l'ouverture des modèles, le président Xi Jinping ayant appelé à « l'open source, la collaboration et le partage » lors de la World Artificial Intelligence Conference de Shanghai la semaine précédente, une stratégie que Washington perçoit désormais comme un défi direct à sa suprématie technologique.

Les États-Unis enquêtent sur l'accès des entreprises chinoises d'IA aux puces face aux accusations visant Moonshot

Cette semaine, des responsables de l'administration Trump ont multiplié les prises de parole, notamment sur X, pour accuser des entreprises chinoises d'intelligence artificielle open source, dont Moonshot, d'avoir pillé la propriété intellectuelle de laboratoires américains comme Anthropic. Ces critiques ne relèvent pas de la simple rhétorique : le Bureau of Industry and Security (BIS), une agence du département du Commerce américain, mène une enquête formelle pour déterminer si des entreprises chinoises telles que Moonshot accèdent illégalement à des puces d'IA avancées fabriquées aux États-Unis. Un porte-parole du BIS a confirmé cette procédure. L'enquête intervient quelques jours seulement après que Moonshot a dévoilé son modèle Kimi K3, un lancement qui a visiblement accéléré les soupçons de Washington sur les méthodes d'entraînement employées par les laboratoires chinois. L'enjeu dépasse la simple question de propriété intellectuelle. Si le BIS conclut que Moonshot a entraîné ses modèles en s'appuyant indûment sur des technologies américaines, comme celles d'Anthropic, et en utilisant des puces américaines, le département du Commerce pourrait inscrire l'entreprise sur son entity list. Cette désignation, appliquée par le BIS, restreint drastiquement l'accès des entreprises étrangères concernées aux technologies américaines sensibles, en particulier les semi-conducteurs de pointe indispensables à l'entraînement de grands modèles de langage. Une telle sanction porterait un coup dur à la stratégie chinoise de développement de l'IA open source, déjà confrontée aux restrictions américaines sur l'exportation de puces. Cette affaire s'inscrit dans une rivalité technologique plus large entre Washington et Pékin, où l'accès aux puces avancées est devenu un levier géopolitique central depuis plusieurs années. Les autorités américaines cherchent à empêcher que leurs propres avancées en IA, financées et développées par des entreprises comme Anthropic, OpenAI ou Google, ne servent involontairement à renforcer des concurrents chinois. L'issue de cette enquête du BIS pourrait ainsi redéfinir les conditions d'accès des laboratoires chinois aux ressources de calcul américaines et influencer la trajectoire de la course mondiale à l'intelligence artificielle.

Avant même l’ouverture de ses poids, Kimi K3 inquiète déjà Washington

Le 27 juillet, le laboratoire chinois Moonshot AI doit publier les poids complets de son nouveau modèle Kimi K3, présenté comme le premier à atteindre 2 800 milliards de paramètres. Ces poids, c'est-à-dire l'état final du modèle après son entraînement, pourront être téléchargés et exécutés localement dans un logiciel compatible, sans passer par les serveurs du laboratoire. Kimi K3 est pour l'instant accessible uniquement via un service en ligne et une API, et affiche une fenêtre contextuelle pouvant aller jusqu'à 1 million de tokens ainsi que des performances annoncées de niveau frontière, à des prix jugés très compétitifs. Ses prédécesseurs, Kimi K2 et Kimi K2.5, avaient été publiés sous une licence MIT modifiée, et Moonshot AI pourrait reconduire ce choix pour K3. Le succès est déjà tel que l'entreprise a fermé les nouvelles inscriptions, la demande dépassant ses capacités en GPU, tout en travaillant à l'ajout de nouvelles capacités de calcul. Cette publication imminente inquiète Washington, qui redoute un nouveau « moment DeepSeek » capable de bousculer la domination des modèles fermés d'OpenAI et d'Anthropic. Selon des informations d'Axios, l'administration Trump envisagerait plusieurs mesures pour freiner l'adoption des modèles chinois par les entreprises américaines, voire les interdire. Le ministère du Commerce étudierait la possibilité d'inscrire des laboratoires chinois sur l'Entity List, la liste noire qui restreint déjà l'accès de Huawei aux technologies américaines, ce qui compliquerait fortement l'usage de ces modèles à poids ouverts sans autorisation spécifique. La NSA et le Bureau du directeur national de la cybersécurité envisageraient de leur côté un avertissement officiel sur les risques liés à ces modèles, tandis qu'une autre piste consisterait à imposer aux hébergeurs américains de garantir la sécurité de ces systèmes et d'assumer la responsabilité d'éventuelles failles. Cette tension reflète un enjeu plus large : les entreprises américaines se tournent de plus en plus vers les modèles chinois pour leur coût d'inférence plus faible, à performances comparables à celles des labos américains, et parce qu'hébergés en interne, ils évitent que données et requêtes transitent par des infrastructures tierces. La stratégie d'ouverture des poids, promue par Pékin et le président Xi Jinping, s'oppose ainsi frontalement à l'approche fermée dominante aux États-Unis. David Sacks, conseiller IA de l'administration Trump, a pris la défense des modèles ouverts sur X, estimant que la politique américaine en matière d'IA se trouve à un tournant critique face au duopole des laboratoires fermés.

Washington envisage des restrictions sur les modèles IA open-weight chinois comme Kimi

Alibaba a dévoilé une nouvelle version en direct de Qwen3.8-Max-Preview entre le 18 et le 20 juillet 2026, avec des gains significatifs sur l'ensemble de ses capacités. Le groupe chinois a explicitement annoncé viser une version officielle plus performante et son ouverture complète des poids au public, un modèle estimé à 2 400 milliards de paramètres selon une synthèse communautaire relayée par le compte ZhihuFrontier, doté d'une forte multimodalité et d'une compréhension vidéo native, mais encore instable sur les tâches longues et la cohérence linguistique. Cette annonce, qui aurait normalement fait la une, a été éclipsée par la sortie de Kimi K3, un modèle ouvert de 2 800 milliards de paramètres dévoilé quatre jours plus tôt. Kimi K3 s'est imposé en tête du classement DesignArena Frontend Web App Arena avec un score Elo de 1326, devançant les modèles d'Anthropic, et s'est classé quatrième au classement général d'évaluation agentique de long terme, à égalité avec Claude Opus 4.8 et GPT-5.6 Sol, ce qui pourrait en faire le modèle ouvert numéro un dès la publication de ses poids. Par ailleurs, Zhipu aurait mis partiellement en service un centre de données d'un gigawatt reposant uniquement sur des puces fabriquées en Chine, destiné à l'entraînement de futurs modèles GLM. Ces développements interviennent alors que l'administration Trump étudierait des mesures pouvant constituer une interdiction de fait des modèles chinois de pointe comme Kimi, via des restrictions d'achats publics, des inscriptions sur l'Entity List, des alertes de sécurité et des exigences de responsabilité juridique. Cette perspective a suscité une réaction largement négative parmi les voix technologiques, dont Anthony Pompliano, Clément Delangue de Hugging Face, Margaret Mitchell et Bill Gurley, qui estiment que restreindre les modèles ouverts nuirait à la concurrence, à la souveraineté numérique et à la sécurité défensive plus qu'elle ne protégerait les acteurs en place. L'argument le plus concret est venu de Hugging Face lui-même : l'entreprise a révélé avoir utilisé le modèle ouvert GLM-5.2 hébergé en interne pour mener une analyse forensique lors d'un incident de cybersécurité, les API commerciales de pointe ayant bloqué l'analyse via leurs garde-fous et les données sensibles des attaquants devant impérativement rester sur site. Ce débat s'inscrit dans une bascule plus large où les modèles ouverts sont désormais perçus comme une nécessité sécuritaire autant qu'un levier de coûts, alors que la Chine ne se contente plus de publier des modèles compétitifs mais cherche à bâtir une chaîne de calcul souveraine pour l'entraînement de ses futurs systèmes d'intelligence artificielle, illustrant une nouvelle géopolitique de l'IA où infrastructure et politique commerciale deviennent indissociables des rapports de force technologiques entre Washington et Pékin.

Kimi K3, nouveau modele : ce qu'il revele vraiment de la course a l'IA entre Etats-Unis et Chine

Jeudi, la startup pékinoise Moonshot AI a dévoilé Kimi K3, un nouveau modèle d'intelligence artificielle open source qui relance le débat sur l'écart réel entre les laboratoires chinois et américains. Avec 2 800 milliards de paramètres, Kimi K3 devient le plus grand modèle open source au monde. Ses performances ont particulièrement marqué les esprits sur le classement de codage d'Arena, où il devance à la fois GPT-5.6 d'OpenAI et Claude Fable 5, le modèle le plus puissant d'Anthropic. Interrogé sur TITV, l'émission de The Information, Anastasios Angelopoulos, cofondateur et directeur général d'Arena, a qualifié cette sortie de tournant : selon lui, c'est la première fois que les résultats contredisent aussi clairement l'idée que les laboratoires chinois progressent uniquement en distillant les modèles américains, c'est à dire en s'entraînant à partir de leurs sorties. Cette annonce a une portée qui dépasse le simple classement technique. Si les résultats de Kimi K3 se confirment dans des évaluations indépendantes, ils suggèrent que des équipes chinoises comme Moonshot développent désormais une expertise propre en conception et entraînement de grands modèles, plutôt que de se contenter de copier les avancées occidentales. Pour l'industrie, cela change la donne stratégique : les entreprises et développeurs du monde entier disposent d'une alternative open source extrêmement performante, gratuite à utiliser et à modifier, ce qui pourrait accélérer l'adoption de modèles chinois dans des produits commerciaux hors de Chine, tout en intensifiant la pression concurrentielle sur OpenAI et Anthropic. Le sujet s'inscrit dans une rivalité technologique plus large entre les États-Unis et la Chine, où l'IA est devenue un terrain d'affrontement stratégique autant qu'économique. Depuis l'irruption de DeepSeek début 2025, plusieurs laboratoires chinois, dont Moonshot, ont multiplié les sorties de modèles open source performants et peu coûteux à entraîner, remettant en question l'avance supposée des géants américains. La question de la distillation, c'est à dire de l'utilisation de sorties de modèles concurrents pour entraîner les siens, reste un point de friction juridique et éthique majeur. La sortie de Kimi K3 devrait relancer les discussions sur les restrictions à l'export de puces, les investissements en recherche fondamentale et la capacité des laboratoires chinois à innover de façon autonome.

Kimi K3 en tête, Demis présente son grand plan pour la régulation de l'IA

L'Institut britannique de sécurité de l'IA (AISI) a publié une analyse comparant les capacités cyber des modèles à poids ouverts et des modèles propriétaires, et l'écart entre les deux se réduit nettement. Sur un ensemble de 70 tests évaluant des capacités cyber précises, le modèle ouvert GLM-5.2 atteint désormais un niveau proche de Claude Opus 4.6, sorti seulement 4,3 mois plus tôt, tandis que DeepSeek V4-Pro se situe entre Claude Opus 4.5 et GPT-5, publiés respectivement en novembre et août 2025. Selon l'AISI, l'écart typique entre modèles ouverts et fermés était de 6 à 10 mois durant la majeure partie de 2025 ; il n'est plus que de 4 à 7 mois aujourd'hui. Sur des tests plus complexes, dits de "long horizon", qui évaluent la capacité d'un modèle à enchaîner plusieurs étapes pour mener une opération de piratage complète, l'écart reste plus marqué : sur le banc d'essai "The Last Ones", GLM-5.2 égale Opus 4.5 (sorti moins de 7 mois avant lui) mais DeepSeek V4-Pro reste en dessous de Sonnet 4.5. Parallèlement, la société chinoise Kimi a dévoilé Kimi K3, un modèle de 2,8 billions de paramètres qui affiche des scores très solides sur la plupart des benchmarks standards, se rapprochant de Claude Fable 5 et GPT 5.6 Sol sans toutefois les égaler. Cette réduction de l'écart a une conséquence directe pour la cybersécurité mondiale : les capacités offensives aujourd'hui réservées aux modèles propriétaires, encadrées par des garde-fous internes, pourraient bientôt être accessibles librement via des poids ouverts, sans les mêmes protections. L'AISI parle d'une "fenêtre courte" pour que les équipes de défense se préparent à cette diffusion. Pour l'industrie, cela signifie aussi que la distinction entre acteurs contrôlés et diffusion incontrôlée de capacités de pointe devient de plus en plus ténue, ce qui complique la régulation et la gestion des risques à l'échelle internationale. Ce basculement s'inscrit dans une dynamique plus large où les entreprises chinoises, après avoir dominé le marché des modèles ouverts avec des acteurs comme DeepSeek, commencent aussi à rattraper la frontière des modèles propriétaires. Kimi K3 illustre cette progression, même si ses résultats trahissent parfois un phénomène de surajustement aux benchmarks, une forme de généralisation plus fragile que celle des meilleurs modèles fermés. Le modèle a par ailleurs été testé sur des tâches d'auto-amélioration récursive, notamment la conception de compilateurs GPU : il a produit MiniTriton, un compilateur compact inspiré de Triton, doté de sa propre couche de représentation intermédiaire au niveau des tuiles construite sur MLIR, avec des passes d'optimisation et un pipeline de génération de code PTX. Les poids de Kimi K3 doivent être publiés dans les prochaines semaines, accompagnés d'un article de recherche détaillant le modèle.

Kimi K3 : ce qu’il faut savoir du modèle open source de 2 800 milliards de paramètres

Kimi K3, dévoilé la semaine dernière par la société chinoise Moonshot AI, se présente comme le premier modèle open source à atteindre 2 800 milliards de paramètres, une échelle inédite pour un modèle à poids ouverts. Le LLM repose sur une architecture de type mixture d'experts (MoE), qui n'active qu'une fraction des paramètres à chaque requête : sur 896 experts au total, seuls 16 sont sollicités simultanément. Certains observateurs ont calculé, à partir de ces chiffres officiels, un ratio d'environ 50 milliards de paramètres actifs par inférence, résumé sous l'appellation « 2.8T-A50B », bien que Moonshot AI n'ait fourni aucune précision officielle sur ce calcul. Le modèle dispose par ailleurs d'une fenêtre contextuelle pouvant aller jusqu'à un million de tokens, une capacité comparable à celle des modèles les plus avancés du marché. Pour l'instant, l'ouverture des poids reste une promesse : Moonshot AI annonce leur publication complète d'ici le 27 juillet 2026, l'annonce actuelle relevant donc d'un « paper launch ». L'ampleur de la nouvelle a immédiatement eu un effet sur les marchés, avec un recul de 1,5 % du Nasdaq au moment de l'annonce, signe que les investisseurs prennent au sérieux la montée en puissance des laboratoires chinois dans la course aux grands modèles de langage. Cette réaction rappelle le choc provoqué par DeepSeek début 2025, lorsque l'irruption d'un acteur chinois avec des performances de pointe à moindre coût avait ébranlé la confiance dans la suprématie technologique et financière des géants américains de l'IA. Si Kimi K3 confirme les performances « de niveau frontière » que Moonshot AI revendique, il pourrait accentuer cette dynamique et redistribuer les cartes entre modèles propriétaires occidentaux et alternatives ouvertes venues d'Asie. Moonshot AI, jusqu'ici peu connue en dehors des cercles spécialisés en IA générative, cherche ainsi à s'imposer face à des concurrents établis comme OpenAI, Anthropic ou Google. L'enjeu dépasse la seule performance technique : la taille du modèle, sa gestion par mixture d'experts et sa fenêtre contextuelle massive posent la question des coûts d'inférence et de l'accessibilité réelle d'un tel système une fois les poids publiés. La suite dépendra largement de la capacité de Moonshot AI à tenir son calendrier de publication et à démontrer, benchmarks à l'appui, que ces chiffres impressionnants se traduisent par des gains concrets pour les utilisateurs et les développeurs.

Kimi K3 en poids ouverts : le pari chinois de l'IA mise sur la mémoire, pas sur la puissance de calcul

Moonshot AI a dévoilé le 16 juillet 2026 Kimi K3, un modèle open-weight de 2,8 billions de paramètres, le plus grand jamais publié en accès ouvert. Ce volume le fait entrer dans la catégorie dite "3T", jamais atteinte par un modèle ouvert auparavant, et dépasse largement le précédent modèle phare de Moonshot, un peu plus de 1 billion de paramètres, ainsi que le V4 Pro de DeepSeek, qui culmine à 1,6 billion. K3 propose une fenêtre de contexte d'un million de tokens et une architecture nativement multimodale. Moonshot met en avant deux innovations techniques : l'attention Kimi Delta, qui accélère le décodage jusqu'à 6,3 fois sur des contextes d'un million de tokens, et les Attention Residuals, qui améliorent l'efficacité d'entraînement d'environ 25 % pour moins de 2 % de coût supplémentaire. Le modèle repose sur une architecture mixture of experts divisée en 896 sections spécialisées, dont seulement 16 sont activées à chaque calcul, soit environ 1,8 % du total. Autre choix marquant, K3 a été entraîné à une précision de 4 bits par paramètre au lieu des 16 bits habituels, une technique appliquée dès la phase de fine-tuning. Résultat, selon des analyses indépendantes : environ 1,4 To de mémoire nécessaire dans ce format, contre 5,6 To en pleine précision. Moonshot a aussi contribué du code de mise en cache au projet open-source vLLM et recommande de faire tourner K3 sur au moins 64 accélérateurs étroitement interconnectés, avec des tests réalisés sur des puces Nvidia H200 et sur un GPGPU d'un fournisseur alternatif non identifié. Ce choix de conception traduit une réponse directe aux restrictions américaines sur l'exportation de puces vers la Chine. Plutôt que de contourner la contrainte de calcul, Moonshot la déplace vers la mémoire, une ressource qui peut être assemblée à partir d'un grand nombre de puces individuellement modestes, contrairement à la puissance de calcul nécessaire à l'entraînement de modèles de cette taille. En réduisant drastiquement l'empreinte mémoire du modèle, l'entreprise affirme pouvoir proposer des prix compétitifs malgré la taille de K3, une promesse cruciale pour les entreprises qui veulent déployer des modèles ouverts sans dépendre exclusivement du matériel Nvidia. Pour l'industrie, cela signifie qu'un modèle de pointe peut désormais tourner sur une infrastructure mixte ou alternative, ce qui élargit le choix des fournisseurs de cloud et des opérateurs de datacenters. Cette stratégie interroge aussi la solidité des restrictions américaines sur les semi-conducteurs : si la mémoire peut compenser le manque de puissance de calcul dédiée, la barrière technologique censée freiner les laboratoires chinois s'avère plus poreuse que prévu. Kimi K3 s'inscrit dans une compétition intense entre laboratoires chinois pour la publication de modèles ouverts toujours plus grands, face à DeepSeek et d'autres acteurs du secteur, dans un contexte où les Etats-Unis limitent depuis plusieurs années l'accès de la Chine aux puces d'intelligence artificielle les plus avancées. L'approche de Moonshot, qui consiste à répartir la charge mémoire sur des grappes de 64 accélérateurs ou plus étroitement interconnectés, rappelle la logique des systèmes CloudMatrix développés par Huawei, un signe que l'industrie chinoise mise sur l'agrégation de matériel moins performant plutôt que sur l'accès à des puces de pointe individuelles. Reste une zone d'ombre : Moonshot n'a pas précisé si ses tests incluaient du silicium chinois, se contentant de mentionner un fournisseur alternatif sans le nommer, ce qui laisse planer le doute sur la nature exacte du matériel utilisé en interne. À mesure que d'autres laboratoires observeront les performances réelles de K3 en production, la question centrale restera de savoir si cette architecture axée sur la mémoire plutôt que sur le calcul brut peut être répliquée à grande échelle, et si elle annonce une nouvelle norme pour les modèles ouverts entraînés hors des Etats-Unis.