Moonshot AI publie les scores de Kimi K3, et le tableau ne désigne pas de vainqueur évident. Ce modèle de 2,8 billions de paramètres domine le classement du développement frontend, se hisse près de GPT-5.6 Sol et de Claude Fable 5 en programmation, navigation web, automatisation, feuilles de calcul et raisonnement visuel. Moonshot reconnaît toutefois que l’expérience globale reste en retrait par rapport aux modèles propriétaires les plus avancés.
L’essentiel en 30 secondes : Kimi K3 domine Program Bench, SWE Marathon, BrowseComp, Automation Bench et SpreadsheetBench 2 parmi les modèles comparés, et reste à 0,5 point de GPT-5.6 Sol sur Terminal Bench 2.1. Claude Fable 5 garde l’avantage sur DeepSWE, FrontierSWE, JobBench et plusieurs tests visuels. Les comparaisons reposent sur des environnements d’agents différents, donc toutes ne se valent pas. Moonshot prévoit de publier l’intégralité des poids avant le 27 juillet 2026.
La première place obtenue par K3 dans l’Arène du Code Frontend cache une lecture plus nuancée. GPT-5.6 Sol se distingue sur certains tests de programmation et de raisonnement, Claude Fable 5 garde ses avantages sur le développement logiciel complexe et les tâches professionnelles, et Kimi K3 tire son épingle du jeu sur les sessions prolongées, la navigation, l’automatisation et certaines charges de création visuelle. Moonshot a évalué son modèle au niveau maximal de raisonnement, température 1,0, dans des environnements qui varient selon le test. Le détail compte : Kimi Code, Claude Code ou Codex influencent chacun les résultats, indépendamment du modèle sous-jacent.
Kimi K3 talonne GPT-5.6 sur les sessions de code prolongées
Sur Terminal Bench 2.1, qui évalue la résolution de tâches via un terminal, Kimi K3 obtient 88,3 points contre 88,8 pour GPT-5.6 Sol, une demi-point d’écart. K3 devance Claude Fable 5 et Claude Opus 4.8, tous deux à 84,6, ainsi que GPT-5.5 et GLM-5.2 : un résultat cohérent avec un modèle orienté vers les sessions longues, l’usage d’outils et la navigation dans des dépôts étendus.
| Test de programmation | Kimi K3 | Meilleur résultat | Position de Kimi |
|---|---|---|---|
| DeepSWE | 67,5 | GPT-5.6 Sol : 73,0 | 3e |
| Program Bench | 77,8 | Kimi K3 : 77,8 | 1er |
| Terminal Bench 2.1 | 88,3 | GPT-5.6 Sol : 88,8 | 2e |
| FrontierSWE | 81,2 | Claude Fable 5 : 86,6 | 2e |
| SWE Marathon | 42,0 | Kimi K3 : 42,0 | 1er |
| Kimi Code Bench 2.0 | 72,9 | Claude Fable 5 : 76,9 | 2e |
Program Bench voit K3 finir premier avec 77,8 points, contre 77,6 pour GPT-5.6 Sol et 76,8 pour Fable 5, un écart trop faible pour parler d’avantage réel mais qui confirme que K3 rivalise avec des modèles fermés de premier plan en génération et résolution de programmes. Le SWE Marathon, lui, creuse un écart plus net : 42 points pour K3, devant Claude Opus 4.8 (40), GPT-5.6 Sol (39) et Fable 5 (35). Ce test mesure la capacité à tenir un travail d’ingénierie sur la durée, exactement là où Moonshot a concentré son entraînement.
Les résultats s’inversent sur DeepSWE : GPT-5.6 Sol atteint 73 points, Fable 5 en obtient 70, K3 se contente de la troisième place avec 67,5. Sur FrontierSWE, Fable 5 domine avec 86,6 devant K3 à 81,2. Kimi K3 ne domine donc pas la programmation dans son ensemble : son avantage tient surtout à la continuité, à l’exploration et à l’usage d’outils, là où GPT-5.6 et Fable 5 gardent la main sur d’autres tâches d’ingénierie logicielle.
Les différences méthodologiques pèsent aussi dans la balance. Kimi K3 tourne sous Kimi Code sur plusieurs tests, GPT-5.6 Sol sous Codex, les modèles d’Anthropic sous Claude Code ou Terminus. Un environnement performant gère mieux le contexte, choisit les bons outils et se remet des erreurs, si bien qu’une partie du score reflète le système complet plutôt que le seul modèle. Moonshot admet par ailleurs que certains résultats de Claude Fable 5 peuvent inclure une substitution automatique par Claude Opus 4.8 quand le modèle refuse une tâche pour des raisons de politique d’usage, et que les chiffres de GPT-5.6 Sol peuvent être affectés par ses propres contrôles de sécurité. De quoi rendre toute comparaison entièrement homogène difficile.
BrowseComp et Automation Bench : là où K3 s’impose comme agent
Les résultats les plus favorables à Kimi K3 se situent hors du cadre classique de la programmation. Sur BrowseComp, un test d’investigation et de navigation web, K3 obtient 91,2 points contre 90,4 pour GPT-5.6 Sol et 88 pour Fable 5. Sur Automation Bench, il prend la tête avec 30,8 points contre 29,7 et 29,1, un écart modeste mais significatif puisque ce test mesure la coordination d’actions et d’outils plutôt que la simple production de texte.
| Test d’agents | Kimi K3 | Modèle dominant |
|---|---|---|
| BrowseComp | 91,2 | Kimi K3 |
| Automation Bench | 30,8 | Kimi K3 |
| SpreadsheetBench 2 | 34,8 | Kimi K3 |
| AA-Briefcase Elo | 1 548 | Fable 5 : 1 583 |
| GDPval-AA v2 Elo | 1 668 | Fable 5 : 1 760 |
| JobBench | 52,9 | Fable 5 : 57,4 |
| MCP Atlas | 84,2 | Fable 5 : 84,7 |
| Toolathlon-Verified | 73,2 | Fable 5 : 77,9 |
K3 domine aussi SpreadsheetBench 2 avec 34,8 points, à peine une décimale devant Fable 5, tandis que GPT-5.6 Sol atteint 32,4 et Claude Opus 4.8 se situe à 31,6. Ce test compte, car manipuler une feuille de calcul demande d’interpréter des structures, modifier des cellules, utiliser des formules et garder la cohérence entre plusieurs opérations : connaître la syntaxe ne suffit pas, l’agent doit comprendre ce que l’utilisateur veut et l’appliquer à un document existant.
Fable 5 garde la tête dans JobBench (57,4 contre 52,9) et dans GDPval-AA v2 (1 760 points Elo contre 1 668), deux évaluations qui simulent des tâches professionnelles complexes et confortent la thèse de Moonshot : Kimi n’a pas encore atteint l’expérience générale des meilleurs modèles fermés. Dans AA-Briefcase, Fable 5 reste devant avec 1 583 points, K3 suit de près avec 1 548, en dépassant GPT-5.6 Sol à 1 495. MCP Atlas, dédié au protocole Model Context, affiche des scores très serrés : Fable 5 à 84,7, K3 à 84,2, GPT-5.6 Sol et Opus 4.8 à 83,6. Un écart inférieur à un point ne suffit pas à établir une supériorité nette, d’autant que la mesure dépend d’un modèle juge et d’un nombre limité de tours.
Vision native : Kimi K3 rivalise, Claude garde une longueur d’avance
Kimi K3 intègre des capacités visuelles directement dans le modèle, capable de combiner captures d’écran, texte, vidéo et code au sein d’une même tâche. Moonshot s’appuie sur cette fonction pour illustrer ses performances en frontend, jeux vidéo, graphisme et montage. Sur CharXiv avec Python, K3 obtient 91,3 points, légèrement sous Fable 5 (93,5) mais devant GPT-5.6 Sol, Opus 4.8 et GPT-5.5.
| Test visuel | Kimi K3 | Meilleur résultat |
|---|---|---|
| MMMU-Pro | 81,6 | GPT-5.6 Sol : 83,0 |
| MMMU-Pro avec Python | 83,4 | Fable 5 : 86,5 |
| CharXiv avec Python | 91,3 | Fable 5 : 93,5 |
| MathVision | 94,3 | GPT-5.6 Sol : 95,8 |
| MathVision avec Python | 97,8 | Fable 5 : 98,6 |
| ZeroBench avec Python | 41,0 | Fable 5 : 46,0 |
| OmniDocBench | 91,1 | Kimi K3 : 91,1 |
| PerceptionBench | 58,5 | GPT-5.6 Sol : 59,7 |
Sur OmniDocBench, qui évalue la compréhension de documents complexes mêlant texte, structure et éléments visuels, K3 signe le meilleur score avec 91,1 points. En MathVision avec Python, il atteint 97,8, à égalité avec GPT-5.6 Sol et proche des 98,6 de Fable 5 : des scores tous élevés, où la différence pratique dépendra surtout du type de problème et de l’usage des outils de calcul intégrés. Claude Fable 5 domine plusieurs tests de vision assistée exigeants, GPT-5.6 Sol mène sur MMMU-Pro et MathVision sans Python, et Kimi K3 reste proche des deux tout en dépassant régulièrement Claude Opus 4.8 et GPT-5.5.
Moonshot met aussi en avant une démonstration moins formelle : K3 peut percevoir le résultat généré par son propre code puis le corriger via des captures successives, un processus baptisé « vision en boucle ». De quoi ajuster une interface, un jeu ou un design assisté par ordinateur après en avoir observé le rendu réel.
2,8 billions de paramètres, une fraction seulement mobilisée
Kimi K3 repose sur une architecture d’experts mixtes totalisant 2,8 billions de paramètres. À chaque opération, seuls 16 experts sur les 896 disponibles sont sollicités, ce qui réduit le coût de calcul par rapport à un modèle dense de même taille. Moonshot attribue une partie du gain à Kimi Delta Attention, Attention Residuals et Stable LatentMoE, une architecture qui offrirait environ 2,5 fois plus d’efficacité de mise à l’échelle que Kimi K2.
| Caractéristique technique | Kimi K3 |
|---|---|
| Paramètres totaux | 2,8 billions |
| Architecture | Mixage d’experts |
| Experts disponibles | 896 |
| Experts activés par opération | 16 |
| Contexte maximal | Un million de tokens |
| Entrée multimodale | Texte, image et vidéo |
| Quantification pour entraînement | MXFP4 pour les poids, MXFP8 pour les activations |
| Déploiement recommandé | Supernoœuds avec au moins 64 accélérateurs |
La taille du modèle complique la publication de ses poids pour un usage domestique : l’exécuter dans son intégralité demande une infrastructure dotée de nombreux accélérateurs et d’une connexion à haut débit. Moonshot recommande des supernoœuds d’au moins 64 dispositifs pour une inférence efficace ; le déploiement complet restera d’abord réservé aux centres de recherche, prestataires d’inférence et grandes entreprises, même si la communauté pourra étudier, adapter ou quantifier ces poids. L’API officielle facture 0,30 dollar par million de tokens depuis le cache, 3 dollars sans cache et 15 dollars en sortie. Moonshot affirme que son architecture Mooncake dépasse 90 % de réussite de cache sur des tâches de programmation, un chiffre issu de ses propres systèmes.
Instabilités et excès d’initiative : les limites reconnues par Moonshot
Le développeur signale deux limitations techniques. Kimi K3 a été entraîné pour maintenir le contexte de raisonnement sur toute une session : si l’environnement ne restitue pas correctement ces données, ou si l’on change de modèle sans préserver ce contexte, la stabilité des performances en pâtit. Moonshot recommande donc Kimi Code ou un environnement validé compatible, et déconseille de changer de modèle en cours de tâche prolongée.
La seconde limite tient à sa tendance à prendre des initiatives. L’entraînement pour des projets longs peut pousser K3 à improviser face à une instruction ambiguë ou à un problème mineur. Moonshot conseille d’insérer des restrictions explicites dans le message système ou dans des fichiers comme AGENTS.md pour les applications où l’agent doit respecter des limites strictes. Une précaution qui compte particulièrement en développement logiciel, où un agent trop autonome risque de modifier des fichiers non demandés, d’installer des dépendances ou de changer l’architecture sans prévenir — le même type de vigilance que réclame Linus Torvalds pour l’IA dans le noyau Linux.
Kimi K3 confirme que les modèles ouverts prometteurs réduisent l’écart avec les plateformes fermées. Il domine plusieurs tests et talonne les autres sur plusieurs évaluations, sans surpasser globalement GPT-5.6 Sol ou Claude Fable 5. La conclusion n’est pas l’émergence d’un vainqueur absolu, mais la preuve qu’un modèle accessible peut rivaliser en programmation, navigation, automatisation et vision avec des services propriétaires haut de gamme. La publication des poids, la licence et le rapport technique complet permettront de vérifier dans quelle mesure ces performances se reproduisent hors de l’infrastructure de Moonshot.
Questions fréquentes
Kimi K3 dépasse-t-il GPT-5.6 Sol en programmation ?
Ça dépend du test. Kimi domine Program Bench et SWE Marathon, mais GPT-5.6 Sol l’emporte sur DeepSWE et Terminal Bench 2.1.
Est-il supérieur à Claude Fable 5 en tant qu’agent ?
Kimi l’emporte sur BrowseComp, Automation Bench et SpreadsheetBench 2. Fable 5 garde l’avantage sur JobBench, GDPval-AA, AA-Briefcase et plusieurs tests visuels.
Les résultats sont-ils directement comparables ?
Pas entièrement. Les modèles utilisent des environnements d’agents, niveaux de raisonnement et mécanismes de sécurité différents, et certaines mesures viennent d’évaluations internes à Moonshot.
Quand les poids de Kimi K3 seront-ils publiés ?
Moonshot AI prévoit de diffuser l’intégralité des poids avant le 27 juillet 2026, avec davantage de détails sur l’architecture, l’entraînement et les évaluations.
Source : Noticias intelligence artificielle