Avec ses 2 800 milliards de paramètres et un prix trois fois inférieur à celui des modèles de frontière, le nouveau modèle de Moonshot ressemble à une anomalie. D’autant que l’entreprise ne prétend même pas avoir créé le meilleur modèle du marché. Mais c’est justement ce qui le rend stratégique : derrière les performances affichées, c’est la bataille du coût du calcul qui se joue.
À retenir
Kimi K3 est un MoE (Mixture of Experts) avec 896 experts dont seulement 16 actifs par token, une fenêtre de contexte d’un million de tokens facturée au tarif plat sans surcoût progressif, et un pricing API à $3/$15 par million de tokens en entrée/sortie. Le vrai levier financier se cache ailleurs : les cache hits descendent à $0,30/M, soit dix fois moins cher sur les contextes stables répétés. Moonshot reconnaît publiquement que K3 reste derrière Claude Fable 5 et GPT-5.6 Sol en raisonnement général, mais le dépasse sur SWE Marathon (42 contre 35 pour Fable 5) et BrowseComp (91,2 contre 88). Les poids ouverts sont promis pour le 27 juillet avec un rapport technique et une implémentation vLLM ; une promesse, pas encore un lien de téléchargement.
Ce que Moonshot a vraiment livré
Moonshot AI a expédié son nouveau flagship le 16 juillet. Pas de teasing progressif sur X. Pas de waitlist. Une API live, un pricing publié, et un aveu rare dans le communiqué officiel : “nos performances globales restent derrière Claude Fable 5 et GPT-5.6 Sol”. J’ai relu trois fois. Un vendor qui annonce ça dans son propre launch post.
Honnêtement, cette transparence m’a plus convaincu que n’importe quel tableau de benchmarks.
Le modèle accepte du texte, des images et de la vidéo nativement, avec un reasoning always-on. Deux variantes au lancement : K3 Max pour le chat et le travail agentique, K3 Swarm Max pour le traitement parallèle massif. L’API est OpenAI-compatible, accessible sur api.moonshot.ai/v1 avec le model id kimi-k3 — votre SDK existant n’a besoin d’aucune modification.
Le calcul qui change la donne
Voilà la vraie question : est-ce que “pas le meilleur” suffit pour vos workloads les plus lourds ?
$3 en entrée, $15 en sortie. C’est exactement le tarif de Sonnet 5 après la fin de sa fenêtre promotionnelle le 31 août, pour un modèle qui joue dans une catégorie de poids bien supérieure. Mais le chiffre que j’aurais dû mettre en titre, c’est $0,30 ; le tarif cache hit sur les préfixes stables. Sur des boucles agentiques qui relisent le même codebase en boucle, c’est là que le calcul devient absurde en votre faveur.
La fenêtre d’un million de tokens facturée à taux plat est l’autre anomalie du marché. Un prompt de 800K tokens coûte le même prix unitaire qu’un prompt de 8K. Ça n’existe nulle part ailleurs à ce tarif.
Bonus de lancement : les recharges API bénéficient de 10 à 30% de crédits supplémentaires jusqu’au 11 août. Si vous comptez tester sérieusement, la fenêtre est ouverte maintenant.
Où K3 gagne, où il perd — sans filtre
Sur FrontierSWE : 81,2. GPT-5.6 Sol à 71,3, Claude Fable 5 à 86,6. K3 est entre les deux, clairement. Sur SWE Marathon et BrowseComp, il dépasse les deux. Sur Humanity’s Last Exam sans outils, il est à 43,5 contre 53,3 pour Fable 5 — l’écart est réel et ne se comble pas avec des astuces de prompting.
Artificial Analysis le classe 4ème sur 189 modèles avec un score d’intelligence de 57, mais note qu’il est “plus lent que la moyenne”. C’est un détail qui compte : pour des tâches time-sensitive ou des interactions utilisateur directes, la latence peut neutraliser l’avantage de prix.
La règle de routage qui en découle est simple. Long contexte, analyse de repo entier, synthèse documentaire, boucles agentiques avec contexte stable — envoyez tout ça sur K3. Raisonnement multi-étapes complexe, travail de sécurité sensible, inférences rapides en production — restez sur Fable 5 ou Opus 4.8. Ce n’est pas une question de prestige, c’est une question de volume de tokens.
Les pièges que personne ne mentionne cette semaine
Le premier : reasoning_effort est bloqué en mode max au lancement. Les modes low et high arrivent “dans des mises à jour ultérieures”. Résultat : chaque requête brûle une sortie de raisonnement complète à $15/M. Sur des tâches courtes, K3 overthink tout — et vous payez pour ça. C’est la raison principale pour laquelle je déconseille de l’utiliser pour des éditions rapides avant que ces modes soient disponibles.
Le deuxième piège est technique et peu documenté : K3 a été entraîné avec l’hypothèse que son historique de raisonnement est conservé dans le contexte entre les tours. Stripez-le dans votre pipeline et la qualité se dégrade de façon non linéaire. Vérifiez comment votre framework gère ça avant de passer en production.
Troisièmement : tous les benchmarks publiés au lancement sont auto-reportés. Artificial Analysis avait un premier chiffre indépendant ce matin (score 57, 4ème sur 189 ), mais l’évaluation externe est encore en cours. Traiter les charts de lancement comme des faits vérifiés, c’est exactement la posture qui vous vaudra une community note.
Et les poids ouverts ? Promis pour le 27 juillet avec rapport technique et implémentation vLLM. Mais s’auto-héberger un modèle de 2 800 milliards de paramètres, c’est une conversation pour les équipes avec des racks d’accélérateurs dédiés, pas un levier de coût réaliste pour la grande majorité.
La config à copier maintenant
pythonfrom openai import OpenAI
client = OpenAI(
api_key=MOONSHOT_API_KEY,
base_url="https://api.moonshot.ai/v1",
)
response = client.chat.completions.create(
model="kimi-k3",
messages=[
{"role": "system", "content": STABLE_PROJECT_CONTEXT},
{"role": "user", "content": task},
],
)La mécanique du cache hit repose sur une discipline de structure : le contexte stable (dump de codebase, docs projet) doit toujours occuper le préfixe identique, et la tâche variable arrive en dernier. Un préfixe identique = facturation à $0,30/M. Un préfixe qui varie légèrement à chaque requête = $3/M à chaque fois. Même modèle, même travail, facteur 10 de différence sur des workloads agentiques intensifs.
J’ai fait l’erreur inverse sur un projet l’an dernier : j’incluais un timestamp dans le contexte système “pour le logging”. Résultat : zéro cache hit pendant trois semaines avant de comprendre pourquoi la facture ne descendait pas. La leçon : le moindre caractère qui change dans le préfixe casse tout.
Le plan des quinze prochaines minutes
Récupérez une clé API et rechargez avant le 11 août pour le bonus crédits (3 min). Branchez la config OpenAI-compatible ci-dessus dans votre stack (4 min). Restructurez un prompt lourd : contexte stable en préfixe, tâche variable en dernier (4 min). Faites tourner votre job long-contexte le plus gourmand en parallèle sur K3 et votre modèle actuel (3 min). Comparez qualité et coût, puis ajoutez le bloc de routage si K3 le mérite (1 min).
Le vrai test n’est pas de savoir si K3 bat GPT-5.6 Sol. La vraie question, c’est : à quel moment votre facture d’inférence devient-elle un argument business en soi ? Parce que si vos workloads longs contextes représentent 30% de votre usage total, vous venez peut-être de trouver votre levier le plus simple pour cette fin d’année.
