Kimi K3 : le modèle ouvert 2,8T de Moonshot AI expliqué

Demandez à un assistant IA actuel ce qu’est Kimi K3 et il vous montrera le problème en temps réel. Recherche web désactivée, Gemini répond : « Je ne dispose pas d’informations fiables et vérifiées concernant un modèle appelé Kimi K3 », et Claude dit à peu près la même chose. Ce modèle a pourtant été lancé le 16 juillet 2026. Les assistants sur lesquels la plupart des gens comptent n’ont pas encore rattrapé leur retard, et ce ne sera pas le cas avant plusieurs mois.

Voici donc la version claire, à jour en août 2026 : ce qu’est réellement Kimi K3, si l’engouement du lancement résiste à l’épreuve des chiffres, combien il coûte, si vous pouvez l’utiliser, et comment il se positionne face à Kimi K2 et DeepSeek. Nous indiquons quelles affirmations viennent de Moonshot et lesquelles ont été vérifiées de façon indépendante, car sur un modèle tout juste sorti, cette distinction est l’essentiel de l’histoire.

Ce qu’il faut retenir

• Kimi K3 est le nouveau modèle « frontière » à poids ouverts de Moonshot AI (Pékin), lancé le 16 juillet 2026, avec 2 800 milliards de paramètres et un contexte d’un million de tokens.
• Seuls 16 des 896 experts s’activent par token (routage Stable LatentMoE), ce qui rend le modèle exploitable malgré sa taille ; les poids sont devenus téléchargeables le 27 juillet 2026, sous la licence maison « Kimi K3 » de Moonshot.
• L’API est facturée 3 $ le million de tokens en entrée et 15 $ en sortie (près de 4 fois le tarif de l’ancienne gamme K2), selon la grille tarifaire officielle en dollars de Moonshot ; il n’existe pas de tarif en euros pour l’instant.
• Ce saut tarifaire, qui place K3 au niveau tarifaire de Claude Sonnet 5, change la donne face à Vibe (ex-Le Chat) de Mistral, l’alternative européenne ; et l’auto-hébergement réel exige un cluster de plusieurs GPU professionnels, hors de portée d’une PME.
• Comme pour tout modèle sorti cette semaine, les assistants IA les plus utilisés ne savent pas encore que Kimi K3 existe : de quoi rappeler que votre propre visibilité dans l’IA dépend de ce que les robots peuvent lire aujourd’hui, pas de ce que contiennent leurs données d’entraînement.

Qu’est-ce que Kimi K3 ?

Kimi K3 est le modèle « mélange d’experts » (mixture-of-experts) à poids ouverts de Moonshot AI, comptant 2 800 milliards de paramètres, lancé le 16 juillet 2026 et doté d’une fenêtre de contexte d’un million de tokens. C’est le plus grand modèle à poids ouverts jamais publié par un laboratoire, et les poids sont devenus publics le 27 juillet, sous la licence maison « Kimi K3 » de Moonshot. Seule une petite fraction de ces paramètres s’active pour un token donné, l’astuce de conception qui rend un modèle de cette taille exécutable.

Ce qu’il est plus utile de comprendre, c’est ce que Kimi K3 n’est pas. Ce n’est pas un produit abouti, du genre « connectez-vous et discutez », qui surpasse tous les autres, et ce n’est pas non plus l’option économique qui a fait la réputation de Moonshot. C’est un outil spécialisé : performant en codage, sur les flux de travail agentiques et sur les tâches à contexte étendu, positionné et tarifé comme un modèle de pointe, mais nettement moins performant en dehors de ce créneau. Un développeur qui l’a testé le jour du lancement l’a dit sans détour, le qualifiant de « nettement moins bon que GPT-5.6 Sol et Fable 5 pour les usages hors codage ».

Kimi K3 se situe au sommet de la même gamme que celle présentée dans notre guide sur Kimi AI, qui détaille la famille K2, le principe des poids ouverts, ainsi que les questions de sécurité et la question chinoise. Cet article porte spécifiquement sur K3 : le produit phare qui a fait passer Moonshot du statut de « modèle chinois ouvert bon marché » à celui de concurrent direct au premier plan, et ce que ce basculement change une fois qu’on regarde au-delà des chiffres de benchmarks.

Qui est à l’origine de Kimi K3 ? Moonshot AI et le « DeepSeek Moment »

Kimi K3 est le fruit de Moonshot AI, un laboratoire basé à Pékin, fondé en 2023 par Yang Zhilin et soutenu par Alibaba, Tencent et Meituan. L’entreprise a connu une ascension fulgurante : évaluée à près de 4 milliards de dollars fin 2025, elle a levé environ 2 milliards de dollars en mai 2026 pour une valorisation d’environ 20 milliards de dollars, et lèverait à nouveau des fonds pour une valorisation d’environ 30 milliards de dollars en vue d’une entrée en bourse à Hong Kong. Une trajectoire vertigineuse pour un laboratoire dont la réputation reposait presque exclusivement sur la mise à disposition gratuite de ses modèles.

Ce lancement a été perçu comme un événement géopolitique, pas comme une simple sortie produit. Reuters a présenté K3 comme le plus grand système d’IA à poids ouverts au monde et rapporte qu’il arrive quelques semaines après que le gouvernement américain a brusquement retiré les modèles Fable et Mythos d’Anthropic pour des raisons de sécurité, et que les actions des concurrents chinois Zhipu et MiniMax ont fortement chuté à l’annonce, perdant respectivement 27,7 % et 16,5 % à Hong Kong. Avant K3, LongCat-2.0 de Meituan et V4-Pro de DeepSeek menaient le classement avec environ 1 600 milliards de paramètres. Alibaba a répondu en quelques jours en dévoilant Qwen3.8-Max, un modèle phare revendiquant 2 400 milliards de paramètres, dont les poids de la version texte ont finalement été ouverts le 12 août 2026, sous une licence sur mesure.

Les réactions se sont divisées selon un schéma familier. La version la plus bruyante, courante le jour du lancement, voulait que l’écart entre laboratoires chinois et américains soit quasiment comblé. La version plus nuancée, que nous jugeons plus défendable, est que K3 réduit cet écart à moins de trois mois sur les tâches où il excelle. Dans les deux cas, rien ne permet encore de dire si ces résultats de benchmarks tiennent la route.

Caractéristiques techniques et architecture de Kimi K3

Kimi K3 compte au total 2 800 milliards de paramètres, mais n’active que 16 des 896 experts disponibles pour chaque token, si bien que le coût de calcul par token reste bien inférieur à ce que la taille totale laisse supposer. Ce routage sélectif s’appuie sur un framework que Moonshot appelle « Stable LatentMoE », qui permet d’atteindre ce ratio ambitieux sans l’instabilité d’entraînement qui l’accompagne d’ordinaire. Moonshot a publié le nombre d’experts mais pas le nombre de paramètres actifs en milliards ; considérez donc tout chiffre exact de « paramètres actifs » que vous verrez comme une estimation. Ce routage des tokens à travers une poignée de sous-réseaux spécialisés correspond au même mélange d’experts que nous détaillons dans « Comment fonctionne ChatGPT ».

Le principal changement architectural est « Kimi Delta Attention », une conception hybride combinant attention linéaire et attention classique qui, selon les propres recherches de Moonshot sur « Kimi Linear », permet un décodage jusqu’à 6,3 fois plus rapide en contexte long. Elle est associée à « Attention Residuals », qui fait circuler l’information à travers toute la profondeur du modèle pour un gain d’efficacité annoncé à un coût supplémentaire négligeable, et à « Gated MLA » pour une attention plus précise. Environ trois couches d’attention sur quatre utilisent la forme linéaire, moins gourmande en ressources, ce qui réduit suffisamment l’empreinte mémoire pour rendre une fenêtre de contexte d’un million de tokens réellement exploitable, et non plus seulement théorique.

Pour la plupart des lecteurs, les spécifications pratiques comptent plus que les détails internes. Kimi K3 accepte du texte, des images et de la vidéo en entrée et renvoie du texte, avec une fenêtre de contexte de 1 048 576 tokens et une sortie par défaut pouvant atteindre 131 072. Le raisonnement est toujours activé, et le paramètre reasoning_effort accepte désormais trois niveaux, « low », « high » et « max » (« max » par défaut) ; au lancement, seul « max » était disponible. Les paramètres d’échantillonnage sont verrouillés côté serveur. En clair : K3 réfléchit intensément à chaque requête, qu’on le souhaite ou non, ce qui se répercute ensuite sur la vitesse comme sur la facture.

Les benchmarks : lesquels sont vraiment fiables ?

Voici ce que la plupart des articles de lancement passent sous silence. Sur un modèle tout juste sorti, la quasi-totalité des chiffres qui retiennent l’attention viennent du laboratoire qui les a produits, dans des conditions qu’il a lui-même choisies. Cela ne signifie pas que ces chiffres sont faux, mais il faut les classer selon leur source avant d’en tirer des conclusions.

Les résultats sur lesquels s’appuyer aujourd’hui sont ceux qui ont fait l’objet d’une vérification indépendante. Artificial Analysis attribue à K3 un indice d’intelligence global de 60 (en août 2026 ; le score de 57 du lancement correspond à une version antérieure de l’indice, et non à une amélioration du modèle). C’est le modèle à poids ouverts le mieux noté de l’indice, désormais à égalité avec GLM-5.3 ; côté modèles fermés, Claude Opus 5 (63) reste en tête, et K3 conserve son avance sur l’ancien Opus 4.8 (56). Son Elo de 1 547 sur les tâches intellectuelles de longue haleine ne le plaçait que derrière Fable 5 au moment de la mesure. Par ailleurs, le Frontend Code Arena, un classement fondé sur les préférences humaines, le place en tête, devant Fable 5 et GPT-5.6 Sol, même si des critiques soulignent que ce classement s’appuie fortement sur des tâches de frontend et de démos 3D : mieux vaut donc y voir une force spécifique au codage qu’une capacité générale. Pris ensemble, ces résultats pointent une chose précise : K3 est à la pointe sur les tâches de codage et d’agents, et seulement compétitif sur l’intelligence générale.

Tout le reste des tableaux mis en avant provient des propres rapports de Moonshot, et les réserves sont réelles. L’entreprise a fait tourner différents benchmarks via différents outils d’agents (son propre Kimi Code, Claude Code ou Codex) à effort de réflexion maximal, si bien que les comparaisons ne sont pas strictement équivalentes ; l’auteur de l’un des benchmarks cités par Moonshot a d’ailleurs publiquement objecté que cette métrique pouvait gonfler les scores du fait d’une notation au crédit partiel. Il existe aussi un résultat que la page de l’éditeur ne met pas en avant : lors du test d’hallucination d’Artificial Analysis, le taux de réponses inventées de K3 est passé à 51 %, contre 39 % pour le modèle précédent, alors même que sa précision s’est améliorée. Il répond correctement à un plus grand nombre de questions, et invente davantage quand il se trompe.

Le tableau de Moonshot lui-même place K3 derrière Fable 5 sur le raisonnement général, comme le montre la ligne HLE : c’est donc un spécialiste du codage et des agents, pas un leader généraliste. Faites confiance aux chiffres indépendants, considérez le tableau de l’éditeur comme une affirmation qui reste à vérifier, et attendez-vous à voir arriver des benchmarks indépendants de codage et de raisonnement dans les semaines qui viennent.

Tarifs de Kimi K3 : « ouvert » ne veut pas dire « bon marché »

La plus grande surprise du lancement n’a pas été un benchmark, mais le prix. L’API de Kimi K3 est facturée 3,00 $ le million de tokens en entrée, 0,30 $ le million en cas d’accès au cache, et 15,00 $ le million de tokens en sortie. Moonshot a depuis publié une grille tarifaire officielle en dollars qui confirme ces montants ; nous détaillons toute la gamme, le système de paliers et les voies d’accès dans notre guide des tarifs de l’API Kimi. Si vous penchez pour l’application grand public plutôt que l’API, les paliers d’abonnement et le système de crédits sont couverts dans notre guide des tarifs de Kimi. Kimi K3 est un produit d’API pour développeurs ; il n’existe ni tarif en euros ni prix affiché pour le marché français, et, pour un usage professionnel, la TVA française s’ajoute au montant facturé en dollars.

Comparé à l’historique de Moonshot, le changement est radical. Ce tarif de sortie est près de quatre fois supérieur à celui du modèle K2.7 Code, et le tarif d’entrée plus de trois fois plus élevé. Comme l’a résumé une réaction largement relayée, il s’agit d’une « tarification de pointe, de la part d’un laboratoire dont l’identité même reposait sur ses prix bas ». L’époque où un modèle chinois ouvert était automatiquement le choix le plus économique est révolue.

Que 15 $ représente ou non une dépense importante dépend entièrement de votre charge de travail. Comme K3 raisonne à chaque requête et peut être prolixe, une seule tâche entraîne souvent une longue trace de réflexion, des appels d’outils répétés et un historique croissant, le tout décompté en tokens de sortie : des factures élevées côté sortie sont donc la norme plutôt que l’exception. Selon la mesure du coût par tâche d’Artificial Analysis, K3 revient à environ 0,95 $, soit moins de la moitié des 2,03 $ que coûte Claude Opus 5 en raisonnement maximal, et proche de GPT-5.6 Sol (1,04 $ au moment du relevé de l’indice ; la baisse de tarif du 21 août 2026 rend son coût réel par tâche encore plus bas), ce qui reste raisonnable pour un usage exigeant. Mais si l’objectif est d’économiser en passant à l’ouvert, notez que DeepSeek V4 Pro accomplit une tâche comparable pour une fraction infime de ce coût. Notre décomposition des tarifs DeepSeek et notre guide tarifaire Claude donnent une comparaison plus complète.

Le contexte d’un million de tokens est plus petit qu’il n’y paraît, à deux titres

La fenêtre de contexte annoncée et celle que vous pouvez réellement atteindre diffèrent pour deux raisons distinctes, dont aucune ne figure sur la fiche technique.

La première est un plafond de charge utile. Le suivi d’incidents de Moonshot recense une erreur reproductible, 400 total message size 2100954 exceeds limit 2097152 : une limite stricte de 2 Mio pour la taille totale de la conversation. Dans la session de l’utilisateur qui l’a signalée, cela représentait environ 770 000 tokens, bien en deçà du 1 048 576 annoncé. Sur les conversations chargées en texte, le plafond en octets se déclenche donc avant la limite de tokens.

La seconde est un mur payant. Sur les formules de codage de Kimi, le contexte d’un million de tokens dépend du palier souscrit, même s’il s’agit d’une capacité du modèle. K3 n’est pas accessible sur la formule gratuite (Adagio) ni sur Andante (49 ¥/mois), qui restent sur K2.7. L’accès à K3 commence sur Moderato (99 ¥/mois), et la fenêtre complète d’un million de tokens est réservée au palier supérieur, Allegro (699 ¥/mois) ; les paliers intermédiaires appliquent des limites de contexte plus basses. Si vous vous abonnez précisément pour la fenêtre d’un million de tokens, vérifiez quel palier la débloque vraiment avant de souscrire, car la formule la moins chère n’inclut pas K3 du tout. Tenez également compte de la disponibilité : Moonshot a suspendu les nouveaux abonnements payants le 19 juillet 2026 (affichés « épuisés ») faute de capacité GPU après le lancement de K3, et les rouvre progressivement, si bien que la souscription elle-même peut parfois être mise en liste d’attente.

La vitesse à laquelle l’abonnement se consume

Le prix au token n’est que la moitié de l’histoire, et ce n’est pas celle qui a le plus frappé les premiers utilisateurs. La plainte la plus récurrente de la première semaine, sur les formules de codage de Kimi, c’est qu’une seule tâche peut consommer une part étonnamment importante d’une fenêtre d’utilisation. Un utilisateur de la formule à 19 $ a lancé la tâche qui lui sert de référence pour tous les modèles et l’a vue engloutir presque tout son quota de cinq heures, là où la même tâche sur une formule OpenAI à 20 $ se terminait en quelques minutes sans entamer son quota. Un autre, sur ce même palier d’entrée, s’est heurté à une boucle en réessayant une étape Docker et a épuisé une fenêtre de cinq heures, soit 20 % de son quota hebdomadaire, sur ce seul échec. Un troisième, sur la formule Kimi Coding à 99 $, décrivait un quota qui se vidait à un rythme comparable à celui d’un abonnement Anthropic à 200 $, et, fait notable, le modèle lui plaisait : il le jugeait supérieur à l’Opus 4.8 en qualité.

Le mécanisme est mesurable. Artificial Analysis a eu besoin de 130 millions de tokens pour faire passer K3 dans son indice d’intelligence, contre une moyenne de 63 millions pour le reste du panel, soit environ le double. Dans le test de Simon Willison, une seule génération de SVG a renvoyé 16 658 tokens en sortie, dont 13 241 de raisonnement, pour un coût de 0,25 $ pour une seule image. Plusieurs utilisateurs décrivent d’eux-mêmes le même motif dans les traces : des paragraphes de « attends, en fait » pendant que le modèle se ravise et se remet en question sur de menus détails.

C’est là que reasoning_effort cesse d’être une note de bas de page. Au lancement, « max » était la seule valeur acceptée, sans mode plus économique de repli ; Moonshot a depuis ajouté « low » et « high », mais « max » reste la valeur par défaut, si bien que chaque requête que vous ne réduisez pas explicitement paie des tokens de raisonnement au tarif de sortie de 15 $. L’effort maximal rend aussi K3 assez lent pour mettre à mal les bancs d’évaluation : une comparaison publique a dû faire passer le délai d’expiration de cinq à trente minutes par tâche, et une tâche a tout de même pris environ neuf minutes. Si le coût ou la latence comptent, fixez le niveau d’effort explicitement plutôt que de le laisser par défaut.

Un dernier point mérite d’être souligné : presque personne ne peut mesurer sa propre consommation. Les formules affichent l’usage sous forme de pourcentage opaque plutôt qu’en tokens, et c’est pourquoi certains utilisateurs font transiter leurs abonnements de codage par une passerelle uniquement pour avoir de la visibilité sur ce qu’ils dépensent réellement.

Peut-on vraiment faire tourner Kimi K3 ?

L’expression « poids ouverts » laisse penser qu’il suffit de télécharger K3 pour l’exécuter soi-même. Les poids sont bel et bien publics depuis le 27 juillet, déposés sur le dépôt Hugging Face de Moonshot, et des quantifications communautaires pour llama.cpp, Ollama et LM Studio sont apparues presque aussitôt. Mais pour la quasi-totalité des utilisateurs, téléchargeable ne veut toujours pas dire exécutable, et la raison tient à l’échelle.

Avec 2 800 milliards de paramètres, le dépôt pèse environ 1,5 To à télécharger dans le format natif MXFP4 sur 4 bits de K3, et il faut environ 1,4 To de mémoire GPU rapide rien que pour charger les poids avant la moindre conversation. Moonshot recommande de le servir sur un supernœud d’au moins 64 accélérateurs ; les estimations de la communauté situent le plancher autour de 21 GPU de classe H100. Un simple RTX 4090 ou un Mac Studio de 512 Go en est très loin. Un testeur qui a réussi à le faire tourner sur un MacBook M1, en chargeant les experts à la volée depuis Hugging Face à chaque token, l’a mesuré à environ une minute par token, ce qui illustre bien l’écart entre « je peux techniquement le charger » et « je peux m’en servir ».

Concrètement, en France, la question du budget se pose vite : OVHcloud et Scaleway louent tous deux des H100 80 Go entre 2,75 et 3 € HT de l’heure, avec des données hébergées en France ou dans l’UE. Faire tourner un modèle de cette taille en auto-hébergement suppose un cluster de plusieurs GPU professionnels rien que pour loger les poids, avant même de parler de débit d’inférence : on parle d’un budget d’entreprise, pas d’un bricolage de week-end.

C’est la tension que les praticiens ne cessent de pointer : K3 a beau être ouvert sur le papier, il reste opérationnellement fermé à quiconque ne dispose pas d’un centre de données. Ce que les poids ouverts vous apportent ici, ce n’est pas l’inférence sur portable. Le point de vue le plus partagé dans la communauté est que le vrai bénéfice tient à la concurrence entre fournisseurs : comme n’importe qui peut héberger K3, un marché de fournisseurs d’API fait baisser le prix, comme le font déjà de nombreux hébergeurs indépendants pour des modèles comme GLM. À cela s’ajoutent la durabilité (une version ne peut pas être retirée en douce) et la résidence des données pour les équipes qui s’auto-hébergent. Alors, qui héberge réellement K3 en interne ? Les organisations qui disposent d’une véritable infrastructure GPU et d’une bonne raison de garder leurs données en interne, et même elles l’exécutent surtout en mode non interactif : c’est la parade des praticiens au problème de lenteur, en le lançant sur une tâche de fond nocturne (« analyse ce dépôt de code à la recherche de vulnérabilités ») plutôt qu’un chat interactif, où une réponse une heure plus tard convient très bien. Pour tous les autres, les solutions pratiques sont la plateforme de Moonshot, un routeur comme OpenRouter, ou la formule gratuite de l’application grand public Kimi. Les crédits API sont facturés séparément et ne sont inclus dans aucun abonnement à l’application Kimi : payer pour l’application ne donne donc pas accès à l’API. Notre article explicatif poids ouverts contre open source détaille pourquoi cette distinction compte, et notre guide pour faire tourner Kimi K3 en local passe en revue chaque voie, le matériel réel et ce que coûte chacune. Notre classement des meilleurs LLM open source inclut par ailleurs un point sur la faisabilité de l’auto-hébergement pour cette catégorie de modèle.

Kimi K3, Kimi K2 ou DeepSeek : lequel choisir ?

En bref : réservez Kimi K3 aux tâches qui exigent précisément ses points forts, et gardez une solution moins chère ou plus fiable pour le reste. K3 justifie un tarif trois à quatre fois supérieur lorsqu’il faut le contexte complet d’un million de tokens (en gardant en tête le plafond de 2 Mio et les paliers d’abonnement évoqués plus haut), une vision native, ou des performances de pointe en codage et en agents, et si vous pouvez tolérer sa vitesse, qui oscille entre 28 et 62 tokens par seconde avec de longues pauses de réflexion entre chaque étape.

Pour le travail quotidien, les chiffres penchent en faveur de ses propres cadets. Kimi K2.6 et K2.7 Code sont bien moins chers, entièrement ouverts et déjà très performants en programmation : sauf tâche qui exige spécifiquement les atouts de K3, les modèles plus anciens font le travail pour une fraction du coût. Si votre seul critère est le prix au token, DeepSeek V4 est encore moins cher. Et quand le coût d’une mauvaise réponse est élevé, Claude Fable 5 et Opus gardent l’avantage sur le raisonnement rigoureux et le codage vérifié. Un comparatif plus complet des modèles chinois ouverts figure dans notre comparatif des modèles d’IA chinois.

Reste la question qu’aucun de ces modèles ne résout : et si l’enjeu, ce n’était pas la performance mais la juridiction des données ? Vibe (ex-Le Chat) de Mistral, l’assistant européen, ne rivalise pas avec K3 sur le contexte ou les benchmarks d’agents, mais son abonnement Pro tourne autour de 15 € HT par mois, hébergé en UE. Tant que Kimi restait moins cher que les offres occidentales, l’arbitrage coût contre juridiction avait une réponse facile. Au tarif de lancement de K3, proche de celui de Claude Sonnet 5, cet argument disparaît : ce n’est plus « même qualité, prix cassé », mais un vrai choix entre puissance brute à poids ouverts et hébergement souverain sans question de juridiction. Vibe reste une option crédible pour qui privilégie ce second critère, pas nécessairement la meilleure sur tous les plans.

La démarche la plus avisée consiste à tester, pas à basculer d’un coup. Lancez K3 sur une tâche réelle et mesurable, en parallèle de votre modèle actuel, regardez les résultats acceptés et le niveau de supervision requis pour chacun, puis gardez celui qui génère le moins de friction au total. Au vu des résultats du lancement, K3 mérite cet essai pilote pour le codage, les agents et les tâches à contexte étendu. Cela ne justifie pas encore de remplacer un modèle auquel vous faites confiance pour tout le reste.

Ce que Kimi K3 change pour votre visibilité dans l’IA

Revenons au point de départ. Au lendemain du lancement, les assistants les plus utilisés étaient incapables de décrire Kimi K3, parce que leur entraînement s’arrête avant sa sortie, et ils resteront à la traîne pendant des mois. Ce décalage n’est pas une particularité de Kimi. C’est ainsi que tout modèle traite une nouveauté, y compris votre entreprise.

Si un modèle d’IA tout neuf, largement couvert par la presse, reste invisible pour les assistants déjà déployés, alors le lancement d’un produit, un changement d’image de marque, ou une information corrigée sur votre entreprise restent tout aussi invisibles jusqu’à ce que l’entraînement du modèle et le web en temps réel se mettent à jour. C’est précisément ce que comble le travail sur la visibilité dans l’IA. Et comme les poids de K3 deviennent publics, le modèle sera affiné et intégré dans une longue série d’outils en aval que vous ne verrez jamais individuellement, chacun répondant à des questions sur votre marché à partir de tout ce qu’il trouve à votre sujet.

Deux leviers comptent vraiment, et aucun des deux n’est le modèle lui-même. Le premier, c’est l’accessibilité : chacun de ces systèmes, comme les robots d’exploration qui les alimentent, doit pouvoir accéder à votre site, sinon vous êtes absent de cette couche « en direct » qui se met à jour plus vite que l’entraînement. Le second, c’est la cohérence, le cœur de ce qui fait qu’une IA vous cite : les entreprises correctement décrites sont celles dont les informations concordent dans toutes les sources qu’un modèle consulte. D’après notre expérience chez geotoolbox, les entreprises qui apparaissent en bonne place dans les réponses générées par l’IA sont rarement celles avec la plus belle page d’accueil ; ce sont celles qu’un modèle peut trouver, analyser et juger fiables sans se heurter à des contradictions.

Vous ne pouvez pas contrôler ce que Kimi K3, ou le prochain modèle ouvert, apprendra sur vous. Vous pouvez en revanche contrôler s’il est capable d’accéder à votre site. Lancez un test d’AI Readiness gratuit pour vérifier si les robots d’IA peuvent explorer et analyser votre site, et corrigez les lacunes avant que le prochain lancement ne rende à nouveau cette question urgente.

Foire aux questions

Kimi K3 est-il chinois ?

Oui. Kimi K3 est développé par Moonshot AI, un laboratoire basé à Pékin, fondé en 2023 et soutenu par Alibaba, Tencent et Meituan. Comme pour Kimi K2, les services directs de Moonshot relèvent d’entités asiatiques (Singapour pour l’API, Chine pour l’application grand public), hors UE ; les équipes qui doivent garder leurs données dans leur propre juridiction, au titre du RGPD, peuvent envisager l’auto-hébergement des poids plutôt que d’envoyer leurs prompts aux serveurs de Moonshot (voir notre dossier Kimi AI pour le détail réglementaire). Comme pour K2, aucune évaluation indépendante de la sécurité de K3 n’a encore été publiée : considérez donc pour l’instant son alignement et son comportement de refus comme non vérifiés.

Kimi K3 est-il open source ?

Pas tout à fait, et la nuance compte : plusieurs médias ont déjà écrit que K3 était « open source », ce qui est inexact. K3 est à poids ouverts, pas open source. Moonshot a publié les fichiers du modèle le 27 juillet 2026 sous sa propre licence « Kimi K3 », qui autorise l’usage commercial mais n’est pas une licence open source approuvée par l’OSI : elle impose un accord distinct aux très gros opérateurs de modèle en tant que service (MaaS) et l’affichage de la mention « Kimi K3 » pour les très gros produits. L’entreprise ne publie par ailleurs ni les données d’entraînement ni la recette complète, et l’application Kimi comme l’API restent fermées. Vous pouvez donc exécuter et affiner le modèle, mais pas reproduire entièrement la façon dont il a été conçu.

Kimi K3 est-il gratuit ?

Les poids du modèle sont gratuits à télécharger et à exécuter (publiés le 27 juillet 2026), à condition de disposer du matériel nécessaire ; en revanche, l’utilisation de K3 via l’API n’est pas gratuite : elle est facturée 3 $ le million de tokens en entrée et 15 $ en sortie, soit près de quatre fois le tarif de sortie de l’ancienne gamme K2. Certains fournisseurs tiers proposent parfois un accès gratuit limité, et l’application grand public de Moonshot a une formule gratuite, mais il n’existe pas de formule API gratuite permanente.

Puis-je faire tourner Kimi K3 sur mon ordinateur ?

En pratique, non. Les poids sont désormais publics, mais avec ses 2 800 milliards de paramètres, K3 pèse environ 1,5 To à télécharger et réclame près de 1,4 To de mémoire GPU rien que pour le charger : Moonshot recommande un supernœud d’au moins 64 accélérateurs. C’est bien au-delà de n’importe quelle machine grand public : un Mac Studio de 512 Go n’en approche pas, et un testeur qui l’a forcé sur un MacBook l’a mesuré à environ une minute par token. L’auto-hébergement n’est réaliste que pour des organisations disposant d’une infrastructure GPU sérieuse, généralement en tâches de fond nocturnes plutôt qu’en chat interactif. Pour tous les autres, l’API hébergée ou un fournisseur comme OpenRouter reste la solution. Notre guide pour faire tourner Kimi K3 en local couvre les voies et le matériel en détail.

Kimi K3 est-il meilleur que Claude ou GPT ?

Sur les benchmarks de codage et d’agents, K3 se classe parmi les meilleurs, voire en tête d’un classement frontend (Frontend Code Arena) fondé sur les préférences humaines. Sur l’intelligence générale, les tests indépendants le placent derrière les leaders fermés comme Claude Opus 5, tout en restant le modèle à poids ouverts le mieux noté de l’indice, et les testeurs le jugent moins performant hors codage. C’est un spécialiste de haut niveau, pas un vainqueur incontesté sur tous les plans. Notre comparatif Kimi K3 face à Claude détaille ce face-à-face par tâche, coût et vitesse.

Est-ce que Kimi K3 a des hallucinations ?

Oui, et de façon marquée. D’après les tests indépendants d’Artificial Analysis, le taux d’hallucination de K3 est passé à 51 %, contre 39 % pour le modèle précédent, alors même que sa précision s’est améliorée. Cette précision accrue s’accompagne aussi d’une plus grande assurance lorsqu’il produit des informations erronées : vérifiez donc tout ce qui compte avant de vous y fier.

Sources

• China’s Moonshot unveils world’s largest open AI model, closing in on US rivals - Reuters, juillet 2026 - reuters.com/world/china/chinas-moonshot-unveils-worlds-largest-open-ai-model-closing-us-rivals-2026-07-17
• Kimi K3, and what we can still learn from the pelican benchmark - Simon Willison, juillet 2026 - simonwillison.net/2026/Jul/16/kimi-k3
• Kimi K3 - Intelligence, Performance & Price Analysis - Artificial Analysis, juillet 2026 - artificialanalysis.ai/models/kimi-k3
• Kimi’s open model K3 nears GPT-5.6 Sol and Fable 5 while signaling the end of super cheap Chinese AI - The Decoder, juillet 2026 - the-decoder.com/kimis-open-model-k3-nears-gpt-5-6-sol-and-fable-5-while-signaling-the-end-of-super-cheap-chinese-ai
• Moonshot AI Releases Kimi K3: A 2.8 Trillion Parameter Open MoE Model - MarkTechPost, juillet 2026 - marktechpost.com/2026/07/16/moonshot-ai-releases-kimi-k3-a-2-8-trillion-parameter-open-moe-model-with-kimi-delta-attention-and-1m-context
• Kimi K3 : date de sortie, specs et prix - l’analyse - JAIKIN, juillet 2026 - jaikin.eu/blog/kimi-k3-lancement
• Kimi K3 : la Chine détient-elle une IA au niveau de Fable ? - Armées.com, juillet 2026 - armees.com/intelligence-artificielle-kimi-k3-chine-detient-ia-niveau-fable
• Kimi K3 - API Pricing & Benchmarks - OpenRouter, juillet 2026 - openrouter.ai/moonshotai/kimi-k3
• Formules de codage Kimi (structure des paliers et contexte par palier) - codingplan.org, août 2026 - codingplan.org/en/plans/kimi
• Documentation d’erreurs de Kimi Code (limite de 2 097 152 octets) - Moonshot AI - kimi.com/code/docs/en/kimi-code/error-reference.html
• Kimi Linear: An Expressive, Efficient Attention Architecture - arXiv 2510.26692 - arxiv.org/abs/2510.26692