Kimi K3 : la réponse open source de la Chine aux géants américains de l’IA

---

Un modèle open weight est un modèle dont les poids (des fichiers de paramètres qui contiennent ce que le modèle a appris) peuvent être téléchargés et exécutés sur une infrastructure choisie.
Le code d'entraînement et les données restent le plus souvent privés : open weight n'est pas open source au sens strict.

L'open weight revient en force, plus vite que prévu

Il faut d'abord resituer l'annonce dans une trajectoire, parce qu'elle n'est pas isolée.
En janvier 2025, DeepSeek R1 avait déjà forcé une partie du secteur à revoir son estimation du retard des modèles ouverts.
En juillet 2025, Kimi K2 - premier modèle ouvert à franchir le seuil du trillion de paramètres - a produit un choc comparable : il a dépassé Grok 4 en usage réel sur la plateforme d'inférence OpenRouter, et le chercheur Nathan Lambert (Allen Institute for AI) l'a qualifié de deuxième « moment DeepSeek ». Son commentaire à l'époque : un premier moment n'avait pas suffi à changer les habitudes de financement occidentales, et il espérait ne pas avoir à en vivre un troisième.9
Un an plus tard, K3 ressemble fort à ce troisième moment.

Entre-temps, la bascule a dépassé les seules annonces. Sur OpenRouter, la part des tokens traités par des modèles américains est passée d'environ 70 % en juin 2025 à environ 30 % en juin 2026 - DeepSeek, à lui seul, y traite désormais plus de tokens que Google, Anthropic ou OpenAI pris individuellement.10

Les douze derniers mois ont vu se succéder Kimi K2, GLM, DeepSeek, Qwen, MiniMax et, côté américain, Inkling de Thinking Machines Lab.

Ce qui change avec K3 n'est donc pas la direction de la tendance, déjà connue. C'est son ampleur : 2,8T de paramètres, presque le double du précédent plafond ouvert déclaré.

Cette taille ne prouve pas à elle seule la qualité. Elle change en revanche les conditions économiques du modèle : Moonshot facture 0,30 $ le million de tokensLes fragments de mots que le modèle lit et écrit. Un mot français en fait en général un à trois ; « facturer au million de tokens » revient à facturer au volume de texte traité. en entrée avec cache, 3 $ sans cache et 15 $ en sortie, tout en revendiquant plus de 90 % de cache sur les usages de code.1

Comment 2,8T peut-il rester calculable ?

K3 ne mobilise pas tout son réseau pour chaque token. Dans ses blocs Mixture of Experts, un routeur choisit 16 experts parmi 896. Moonshot combine ce routage avec Kimi Delta Attention, conçu pour les très longues séquences, et Attention Residuals, qui modifie la circulation de l'information entre les couches. Le laboratoire attribue à l'ensemble une efficacité de scaling 2,5× supérieure à K2.1

Ces trois termes recouvrent des mécanismes différents. Leur explication reste volontairement fermée ci-dessous pour ne pas alourdir la lecture principale ; chaque notion peut être ouverte séparément.1112

Une précaution importante : 16 sur 896 décrit le routage des experts, pas la part exacte des paramètres actifs. Moonshot n'a pas encore publié ce second chiffre pour K3.

K3 bat-il vraiment les meilleurs modèles propriétaires ?

Sur certains benchmarksDes tests standardisés - des séries d'exercices avec correction - qui donnent un score comparable d'un modèle à l'autre., oui. Mais un tableau de scores n'est pas un classement universel. D'après le décompte de l'analyse publiée le 19 juillet, K3 devance Opus 4.8 sur 30 lignes sur 35, GPT 5.6 Sol sur 19, et Fable 5 sur 12 seulement.4 Artificial Analysis le classe de son côté parmi les tout meilleurs modèles mesurés, avec un score de 57, mais encore derrière Fable 5 et GPT 5.6 Sol.3

La composition du tableau compte autant que les résultats. La majorité des évaluations concerne la vision, le code et l'agentique ; le long contexte et la cybersécurité sont absents. Les conditions changent aussi selon les lignes : harnaisL'enrobage logiciel qui pilote le modèle pendant un test : outils accessibles, nombre d'essais, façon de relancer. Deux harnais différents peuvent produire deux scores différents pour le même modèle. différents, meilleur score concurrent tous harnais confondus, benchmarks internes et juges modèles. Moonshot documente ces choix avec un soin inhabituel, mais l'agrégat additionne des protocoles différents.1

Ce qu'on peut en tirer de défendable : en code et sur plusieurs tâches agentiques, K3 joue près de la frontière américaine. Au-delà, le tableau ne suffit pas à le démontrer.

Pourra-t-on le faire tourner chez soi ?

Non. Le routage sparse diminue le calcul effectué pour chaque token ; il ne fait pas disparaître les poids que l'infrastructure doit garder disponibles. Même compressés sur 4 bits, ils représentent environ 1,4 To avant d'ajouter le cache, les activations et le moteur d'inférence. Moonshot recommande donc un cluster d'au moins 64 accélérateurs.1

C'est ici que le mot ouvert peut tromper : il décrit le droit d'accéder aux poids, pas la machine nécessaire pour les exécuter.

Le contraste avec Bonsai 27BPublié par PrismML le 14 juillet 2026 et basé sur Qwen3.6 27B. Sa variante binaire compresse les poids à 1,125 bit effectif et occupe 3,9 Go afin de tenir dans la mémoire d'un téléphone. Il n'est pas cité comme concurrent direct de K3, mais comme exemple opposé de déploiement local. rend cette différence concrète. Ses poids occupent 3,9 Go et visent les téléphones et ordinateurs personnels ; K3 en occuperait environ 1 400 Go dans l'hypothèse précédente.6

Même licence ouverte, deux réalités : Bonsai est ouvert et local ; K3 est ouvert, mais reste un modèle de centre de données.

K3 n'est déjà plus un cas isolé

Le 19 juillet, trois jours après K3, le compte officiel de Qwen a annoncé Qwen 3.8, un modèle de 2,4T de paramètres dont une version Max Preview commence à circuler et dont les poids doivent être ouverts bientôt.5
Le message le présente comme compatible avec les meilleurs modèles de frontière et second seulement derrière Fable 5.

Ce nouvel exemple renforce la thèse d'une accélération chinoise, mais il ne démontre pas encore le classement qui l'accompagne. Le reste du calendrier évoqué par les observateurs - version générale de DeepSeek V4, MiniMax M3 Pro, prochaine génération GLM, puis Gemini 3.5, Opus 5, Fable 5.1 ou GPT-6 côté américain - doit rester dans une autre colonne : celle des modèles attendus ou supposés, sans date et sans performance vérifiable. Leur accumulation dit quelque chose de la pression concurrentielle ; elle ne permet pas de pré-écrire leur classement.

Le mot « retard » mélange deux questions

La première est observable : quand la frontière américaine avait-elle déjà atteint le niveau actuel de K3 ?
La seconde est hypothétique : quand une tendance chinoise atteindrait-elle un niveau américain choisi aujourd'hui ?

Dans le premier cas, on mesure un écart passé.
Dans le second, on prolonge une courbe vers une cible fixe.4

Sur Artificial Analysis, dont 58 % de la pondération porte sur les agents et le code de courte durée, le niveau de K3 correspond à celui de modèles américains sortis 1,22 à 1,61 mois plus tôt. La tendance ajustée sur un historique plus long donne plutôt 2,89 mois.4

Sur l'Epoch Capabilities Index (ECI)Un indice composite créé par Epoch AI. Il rassemble les résultats de plus de 50 benchmarks sur une même échelle et tient compte de leur difficulté. Ce n'est ni un pourcentage ni une note sur 200 : sa valeur sert surtout à comparer des modèles et leur progression., l'écart instantané devient 4,37 à 5,29 mois ; la tendance générale donne 6,08 mois. Autrement dit, l'ECI cherche à résumer une capacité générale plutôt qu'une compétence isolée comme le code ou les mathématiques. Le score préliminaire de K3 est 155,53, avec un intervalle d'incertitude à 90 % allant de 153,87 à 158,21.134

La projection répond encore à une autre question. En gardant fixe le niveau ECI 161 attribué à Mythos Preview, la tendance Moonshot le croiserait le 23 décembre 2026 et celle de Z.AI le 31 décembre. Les intervalles sont larges : du 7 novembre au 22 février pour Moonshot, et du 24 octobre au 21 avril pour Z.AI.4

Atteindre demain le niveau d'un modèle américain daté d'avril ne signifie pas rattraper demain une frontière américaine qui continue elle-même d'avancer. C'est la différence essentielle que l'expression « huit mois de retard » efface.

Pourquoi quelques mois comptent

Cinq mois pourraient sembler anecdotiques. Ils ne le sont pas si la tendance des tâches longues se maintient : METR estime que l'horizon de tâches logicielles réussies par les modèles double environ tous les 126 jours, soit quatre mois.8 À ce rythme, cinq mois ne représentent pas seulement une version de retard, mais plus d'une génération de tâches accessibles en moins.

Il faut garder la prudence qui accompagne toute extrapolation : la tendance peut ralentir, les benchmarks ne reproduisent pas toute la complexité du travail réel et les laboratoires ne publient pas nécessairement leurs meilleurs systèmes au même moment. Mais c'est précisément pour cela que la formulation « la Chine a rattrapé » est trop pauvre : elle écrase à la fois la métrique, la date et le type de tâche.

L'angle mort : « ouvert » est encore une promesse datée

Notons, parce que c'est rare, la section Limitations de l'annonce est franche : elle décrit une instabilité quand l'historique de raisonnement est mal retransmis par le harnais, une tendance à prendre des décisions non demandées sur les tâches ambiguës et un écart d'expérience utilisateur avec les meilleurs modèles propriétaires.1

Ce qu'il faut retenir

Kimi K3 est le premier modèle annoncé dans la classe ouverte des 3 000 milliards de paramètres. Il abaisse fortement les coûts d’usage et rapproche l’open weight de la frontière américaine, notamment sur le code et les tâches agentiques.

Il ne consacre pourtant pas un rattrapage complet : Moonshot le classe lui-même derrière Fable 5 et GPT 5.6 Sol, tandis que les mesures indépendantes situent son retard entre un mois et demi et cinq mois selon les capacités évaluées.

La rupture est ailleurs. Kimi K3 montre que la compétition ne se joue plus seulement sur la performance brute, mais aussi sur le prix, l’ouverture et la capacité de diffusion. Sur ce terrain, l’avantage industriel chinois reste encore à construire.

Sources

1. 1.Moonshot AI — annonce technique de Kimi K3, architecture, prix, limites et calendrier des poids
2. 2.Axios — la réception immédiate de Kimi K3 comme modèle proche de la frontière
3. 3.Artificial Analysis — Kimi K3 dans l'Intelligence Index et sur les tâches agentiques
4. 4.Scaling01 — « Have Chinese AI Models Caught Up to the US Frontier? »
5. 5.Qwen — annonce de Qwen 3.8 Max Preview, 2,4T de paramètres et ouverture prochaine des poids
6. 6.PrismML — Bonsai 27B, modèle 1 bit de 3,9 Go destiné aux appareils personnels
7. 7.Hoover–Stanford HAI — mise à jour sur le vivier de chercheurs de DeepSeek
8. 8.METR — horizon des tâches logicielles et doublement estimé en 126 jours
9. 9.Nathan Lambert (Interconnects) — Kimi K2 dépasse Grok 4 en usage réel, second « moment DeepSeek »
10. 10.Part des modèles américains sur OpenRouter : de 70 % à 30 % des tokens en douze mois
11. 11.Moonshot AI — Kimi Linear et Kimi Delta Attention pour les très longs contextes
12. 12.Moonshot AI — Attention Residuals, récupération sélective des représentations entre couches
13. 13.Epoch AI — définition et méthodologie de l’Epoch Capabilities Index