Un modèle de 2 800 milliards de paramètres que l’on peut télécharger
Moonshot AI a publié sur Hugging Face les poids de Kimi K3.1 Pro, son plus grand modèle. Le dépôt contient le modèle en 96 fragments safetensors et n’est pas restreint : aucune demande ni étape d’approbation ne sépare une commande de téléchargement du fichier. Moonshot avait annoncé que les poids suivraient le lancement du modèle fin octobre ; ils sont désormais publics.
L’entreprise le décrit comme son « modèle de classe 3T le plus capable à ce jour ». C’est une architecture à mélange d’experts totalisant 2 800 milliards de paramètres, dont 104 milliards sont activés pour chaque jeton, avec une fenêtre de contexte de 1 048 576 jetons.
Ce que contient le fichier
L’architecture compte 93 couches, dont une dense, et 896 experts parmi lesquels 16 sont sélectionnés par jeton, aux côtés de deux experts partagés. L’attention se répartit entre 69 couches Kimi Delta Attention et 24 couches Gated DeepSeek Sparse Attention — un changement par rapport à Kimi K3, qui utilisait des couches Gated MLA à attention complète, et qui selon Moonshot rend plus efficace le traitement des longs contextes. La dimension cachée d’attention est de 7 168 sur 96 têtes, et le vocabulaire atteint 160 000 jetons.
Le modèle accepte le texte et l’image ; un encodeur visuel MoonViT-V2 de 401 millions de paramètres accompagne la partie langage. Les poids sont livrés quantifiés en MXFP4 avec des activations MXFP8, entraînés ainsi plutôt que compressés après coup, et Moonshot renvoie vers vLLM et SGLang pour le service. K3.1 Pro a été post-entraîné à partir de Kimi K3 par ce que l’entreprise décrit comme un apprentissage par renforcement conjoint à grande échelle sur des centaines de domaines.
Les scores, et d’où ils viennent
Moonshot publie un tableau comparatif face à Claude Fable 5.1, GPT‑6 Astra, Claude Opus 5.5, DeepSeek-V4.1-Flash-1017 et GLM-5.3. Les notes de bas de page comptent : Moonshot a exécuté K3.1 Pro elle-même, dans la plupart des lignes via l’environnement Claude Code, tandis que les chiffres concurrents sont les valeurs maximales que ces fournisseurs ont annoncées dans leurs propres billets, fiches système et classements. C’est un tableau d’affirmations de fournisseurs, assemblé par l’un d’eux.
Sur cette base, K3.1 Pro obtient 65,7 à Terminal-Bench 4.0 contre 66,4 pour Claude Opus 5.5 — deuxième à 0,7 point, et devant GPT‑6 Astra à 58,2 et Claude Fable 5.1 à 57,9. Il devance les autres à SWE Marathon v1.1 avec 51,7 contre 46,3 pour Opus 5.5, et à BrowseComp avec 92,1 contre 91,5 pour Astra.
Il ne devance pas partout. DeepSeek-V4.1-Flash-1017 l’emporte à DeepSWE v1.1 avec 77,0 contre 75,5, et GPT‑6 Astra l’emporte à GPQA-Diamond avec 96,1 contre 94,2. À Humanity’s Last Exam l’écart est plus net : K3.1 Pro obtient 51,1 là où Opus 5.5 atteint 59,8 et Claude Fable 5.1 57,6, ce qui place le modèle ouvert dernier parmi les systèmes de pointe de cette ligne. À OSWorld V2.1 il reste à 79,6, derrière Opus 5.5 à 81,8 et Fable 5.1 à 80,7.
La licence est le hic
Les poids sont téléchargeables, mais poids ouverts ne veut pas dire open source. K3.1 Pro paraît sous la Kimi K3.1 Pro License, un texte rédigé par l’entreprise pour ce modèle plutôt qu’Apache 2.0 ou MIT, et Hugging Face enregistre le champ de licence simplement comme « other ». Quiconque compte bâtir sur le modèle doit lire ce texte au lieu de s’appuyer sur des conditions déjà connues.
Ce qu’il faut surveiller
Le chiffre utile sera le premier chiffre indépendant. Tous les nombres du tableau de Moonshot viennent d’un fournisseur, ceux de Moonshot compris, et Terminal-Bench tient un classement public que l’entreprise cite déjà pour ses rivaux. Une entrée de K3.1 Pro dans ce classement, exécutée par un tiers, dirait si l’écart de 0,7 point avec Claude Opus 5.5 résiste à un environnement que Moonshot n’a pas choisi.
