Kimi K3.1 Pro frôle Opus 5.5 en code et réduit ses capacités cyber

Moonshot AI a publié Kimi K3.1 Pro le 23 octobre 2026, une mise à jour de son modèle à poids ouverts K3. Selon Moonshot, il arrive à moins d'un point de Claude Opus 5.5 sur un test d'agents de code. L'entreprise affirme aussi avoir retiré de l'entraînement les contenus liés au piratage avant la publication des poids. Elle a également publié l'ampleur des compétences perdues avec ce retrait.

L'annonce de Moonshot le présente comme « notre modèle à poids ouverts de classe 3T le plus performant à ce jour ». Le modèle est disponible dès maintenant dans les applications et l'API de Kimi. Moonshot promet les poids complets d'ici le 4 novembre.

Ce que Moonshot a livré

K3.1 Pro n'est pas une nouvelle conception. Moonshot dit avoir repris K3, sorti en juillet, et l'avoir entraîné davantage avec beaucoup plus de calcul lors de la phase de post-entraînement. Le post-entraînement est la phase qui suit l'apprentissage du langage par le modèle de base, quand on lui apprend à suivre des instructions et à utiliser des outils.

Moonshot qualifie le modèle de « classe 3T », soit environ 3 000 milliards de paramètres, les valeurs internes qu'un modèle apprend. Les sources divergent sur le chiffre exact. SiliconANGLE décrit 3 000 milliards de paramètres répartis sur 896 réseaux experts, dont 16 actifs à la fois. Le routeur de modèles OrcaRouter indique 2 800 milliards au total et environ 104 milliards actifs par token. Le billet de Moonshot ne donne aucun chiffre.

La fenêtre de contexte, c'est-à-dire la quantité de texte que le modèle peut lire en une fois, est de 1 million de tokens. Une variante plus rapide, K3.1 Pro Highspeed, fonctionne deux à trois fois plus vite, selon Moonshot.

Les benchmarks, tels que Moonshot les présente

Tous les scores ci-dessous viennent de Moonshot et n'avaient pas été vérifiés de façon indépendante au lancement, note The Next Web.

Test	K3.1 Pro	Claude Opus 5.5	GPT-6 Astra
Terminal-Bench 4.0 (agents de code)	65,7%	66,4%	58,2%
BenchCAD, avec outils	92,7	96,2	95,9
Hallu Bench Hard, avec outils (plus bas, c'est mieux)	8,3%	15,0%	5,5%

Moonshot a exécuté Terminal-Bench 4.0 avec le harnais de Claude Code, selon ses notes de bas de page. Sur son propre test de code à tâches longues, Kimi Code Bench 3.0, K3.1 Pro a obtenu 61,2, contre 55,95 pour K3. La part d'affirmations fausses sur Hallu Bench Hard est tombée à 8,3%, contre 23,4% pour K3. Moonshot prévient que ces taux « ne représentent pas les taux d'erreur globaux en usage quotidien ».

La coupe cyber

Le plus inhabituel, c'est ce que Moonshot a retiré. Pour la version à poids ouverts, l'entreprise dit avoir supprimé les données liées à la cybersécurité à la fois du mid-training et des tâches d'apprentissage par renforcement sur lesquelles le modèle s'est exercé.

Elle en a ensuite publié le coût. Sur xdev-bench-hard, un test d'écriture d'exploits, K3.1 Pro a réussi 81,0% des tâches. Une version entraînée sans cette coupe a obtenu 90,5%. K3 a obtenu 33,3%, et V4.1 Flash de DeepSeek 85,7%. Une exécution par un tiers a attribué 100% à GPT-5.6 Sol d'OpenAI.

Moonshot affirme que les capacités cyber de son modèle restent en retrait par rapport aux meilleurs modèles fermés. L'entreprise dit ne pas vouloir que des poids ouverts repoussent la frontière des capacités d'attaque, et prévoit de relever ce plafond progressivement.

Prix et accès

Le billet de Moonshot n'indique aucun prix. OrcaRouter, qui revend l'accès aux modèles, affiche l'API à 2 dollars par million de tokens en entrée et 10 dollars par million de tokens en sortie, contre 3 et 15 dollars pour K3. Highspeed coûte 4 et 20 dollars. L'entrée en cache coûte 0,20 dollar.

Modèle	Entrée $/M tokens	Sortie $/M tokens	Succès de cache $/M tokens
Kimi K3	3,00	15,00	0,30
Kimi K3.1 Pro	2,00	10,00	0,20
Kimi K3.1 Pro Highspeed	4,00	20,00	0,20

Les noms de modèle dans l'API sont kimi-k3.1-pro et kimi-k3.1-pro-highspeed. Moonshot propose la rétention zéro des données, et les administrateurs en entreprise doivent activer le modèle. OrcaRouter signale aussi un échantillonnage fixe : température 1,0 et top_p 0,95, toute autre valeur renvoyant une erreur.

La politique autour des poids

Cette sortie intervient alors que Moonshot est sous pression. En juillet, la Maison Blanche l'a accusé d'avoir utilisé des puces Nvidia interdites et copié un modèle d'Anthropic pour construire K3, sans publier de preuves, rapporte The Next Web. Plus tôt ce mois-ci, OpenAI a relié une campagne d'extraction du raisonnement à Moonshot.

Les propres règles de la Chine pourraient compter davantage. Un projet de liste de contrôle des exportations publié le 16 octobre couvre les poids des modèles d'au moins 2 000 milliards de paramètres. Des articles ont situé K3 au-dessus de ce seuil. Les commentaires sur le projet sont ouverts jusqu'au 15 novembre.

Ce que cela signifie pour les développeurs

Si vous utilisez des agents de code, K3.1 Pro mérite un essai sur vos propres tâches. Le score Terminal-Bench de Moonshot le place au niveau d'Opus 5.5, à un prix catalogue inférieur à celui de K3. Testez-le sur vos dépôts avant de vous fier au score d'un fournisseur.

Prévoyez les réglages fixes. Le code qui définit temperature ou top_p échouera avec ce modèle. Vérifiez donc votre bibliothèque cliente et votre framework d'agents.

Ne bâtissez pas encore un plan d'auto-hébergement sur la date du 4 novembre. Les poids ne sont qu'une promesse, et Moonshot n'a publié aucune licence. Un modèle d'environ 3 000 milliards de paramètres demande aussi bien plus de matériel qu'une seule station de travail.

Les équipes de sécurité doivent prendre note de ce compromis. Un modèle qui obtient 81% à un test d'exploits reste capable. Lors de l'évaluation des risques, traitez les poids ouverts comme dotés de capacités cyber, quelle que soit la coupe à l'entraînement.

Surveillez le calendrier de K2. OrcaRouter indique que les modèles K2 fermeront aux nouveaux utilisateurs le 31 octobre et seront retirés fin décembre 2026. Les équipes encore sur K2 devraient planifier une migration dès maintenant.