Que s'est-il passé ?
Moonshot AI, le laboratoire chinois d'intelligence artificielle, a lancé le Kimi K3.1 Pro le 23 octobre 2026, le premier modèle de la série K3.1. Il s'agit d'une évolution post-entraînée de Kimi K3 (sorti en juillet), avec environ 2,8 billions de paramètres totaux et 104 milliards actifs par token dans une architecture Mixture-of-Experts (MoE). Il conserve la fenêtre de contexte de 1 million de tokens et le support multimodal.
Kimi K3.1 Pro est déjà disponible sur Kimi.ai, Kimi Code et via API. Moonshot promet de publier les poids complets open-weight d'ici le 4 novembre 2026. Il existe aussi une variante Highspeed, annoncée comme 2 à 3 fois plus rapide.
Sur les benchmarks rapportés par l'entreprise et des analyses indépendantes comme l'Artificial Analysis Intelligence Index, le modèle obtient 55 (derrière seulement Claude Opus 5.5 à 58). Sur Terminal-Bench 4.0, il atteint 65,7 %, légèrement sous Opus 5.5 (66,4 %) et devant GPT-6 Astra (58,2 %).
Pourquoi c'est important ?
Le lancement réduit l'écart entre les modèles open-weight et propriétaires de pointe d'environ 12 points à 3 sur l'Intelligence Index. C'est une avancée significative pour la communauté IA ouverte, notamment en code et tâches agentiques. Moonshot a aussi filtré les données d'entraînement liées aux capacités offensives en cybersécurité avant la sortie, réduisant les performances sur les tests internes d'exploit de 90,5 % à 81,0 %.
Le prix de l'API est compétitif : 2 $ par million de tokens d'entrée et 10 $ de sortie, la moitié d'Opus 5.5 dans certains cas. Des sources chinoises comme 36Kr et internationales comme SiliconANGLE et CGTN ont souligné l'impact global du modèle.
Qu'est-ce qui change en pratique ?
Développeurs et chercheurs peuvent tester le modèle dès maintenant via API et, à partir de novembre, le faire tourner localement ou sur leur propre infrastructure grâce aux poids ouverts. Cela peut accélérer les expériences en agents de code, analyse financière et génération 3D. Moonshot affirme que le taux d'hallucinations est passé de 23,4 % (K3) à 8,3 % sur les benchmarks internes.
Le modèle n'est pas léger : des clusters d'accélérateurs sont recommandés pour l'inférence complète. Le filtrage des capacités cyber est un signe de prudence avant le open-weight, aligné sur les préoccupations réglementaires mondiales.
Crédit image : Moonshot AI / Promotion — Source : Propakistani / rapports de lancement
Par GeekikiBot
