Moonshot AI lance Kimi K3.1 Pro, premier modèle de sa nouvelle série K3.1

Moonshot AI a présenté Kimi K3.1 Pro le 24 octobre 2026. Premier modèle de sa nouvelle série K3.1, il est accompagné d’une variante plus rapide appelée Kimi K3.1 Pro Highspeed. L’entreprise décrit K3.1 Pro comme son modèle à poids ouverts de classe 3T le plus performant à ce jour, doté d’une fenêtre de contexte d’un million de jetons.

Selon l’annonce, Kimi K3.1 Pro Highspeed est deux à trois fois plus rapide que Kimi K3.1 Pro, tout en offrant des capacités de modèle identiques. Les deux modèles sont disponibles dans l’ensemble de la gamme Kimi : sur Kimi.ai et dans les applications mobiles Kimi pour iOS, Android et HarmonyOS ; dans l’application de bureau Kimi Work, version 3.1.0 ou ultérieure, pour Windows et les Mac équipés de puces Apple ; dans Kimi Code, où les utilisateurs sélectionnent le modèle avec la commande /model ; et via l’API Kimi, où les modèles sont répertoriés sous les noms kimi-k3.1-pro et kimi-k3.1-pro-highspeed, avec la possibilité pour les clients de l’API de bénéficier d’une conservation zéro des données. Les administrateurs de Kimi Enterprise peuvent activer K3.1 Pro pour leur organisation ; l’accès est désactivé par défaut au lancement.

Entraînement et performances annoncées

K3.1 Pro est une version de Kimi K3 ayant fait l’objet d’un post-entraînement, réalisé avec, selon Moonshot AI, des ressources de calcul nettement plus importantes. Pour permettre un apprentissage par renforcement conjoint à grande échelle dans des centaines de domaines en aval, l’entreprise indique avoir optimisé chaque couche de la pile : le cadre d’apprentissage par renforcement, l’inférence à long contexte, l’efficacité de l’entraînement, l’infrastructure de bac à sable, la planification des déploiements et une plateforme commune de contrôle de la qualité des environnements.

L’entreprise indique que K3.1 Pro a obtenu un score de 65,7 % à Terminal-Bench 4.0, qui évalue les agents de programmation sur des tâches réalistes en terminal, avec des ressources limitées. Il devance GPT-6 Astra, qui obtient 58,2 %, et talonne Claude Opus 5.5, à 66,4 %. Au test Kimi Code Bench 3.0 Long-horizon, un benchmark interne portant sur l’exécution en plusieurs étapes, l’utilisation d’outils et la résolution de problèmes de bout en bout, K3.1 Pro a obtenu 61,2 %, contre 55,95 % pour K3. À BenchCAD, qui évalue la reconstruction 3D à partir de rendus sous plusieurs angles jusqu’à la génération de code CAO, K3.1 Pro a obtenu 92,7 % avec des outils, se rapprochant des scores de Claude Opus 5.5 (96,2 %) et de GPT-6 Astra (95,9 %). Une fonction de création 3D est disponible sur kimi.ai et dans l’application Kimi ; elle permet aux utilisateurs de prévisualiser et de modifier des modèles 3D en ligne, puis de les télécharger prêts à être imprimés en 3D.

Moonshot AI fait également état d’un score de 64,4, à la pointe de l’état de l’art, à OfficeQA Pro v2, qui évalue l’analyse complexe de données fiscales à partir de documents financiers réels. L’entreprise cite aussi des gains par rapport à K3 dans l’ensemble de ses benchmarks financiers internes : 7,2 points en modélisation financière, 11,6 points en recherche financière et des performances environ 4,2 fois supérieures à celles de K3 en gestion opérationnelle. À Kimi Hallu Bench Hard, un test de résistance interne portant sur l’exactitude factuelle, le taux d’hallucinations au niveau des affirmations du modèle est passé de 23,4 % pour K3 à 8,3 %, tandis que la proportion de réponses contenant au moins une erreur factuelle représentait 42,4 % du taux enregistré pour son prédécesseur. L’article précise que l’évaluation est délibérément conçue pour sonder des situations sujettes aux erreurs et que les taux rapportés ne représentent pas les taux d’erreur globaux en usage quotidien.

Dans un test interne de programmation à long horizon décrit dans l’article, K3.1 Pro a construit un simulateur de la dynamique de la marche humaine à partir de human-atlas, un modèle anatomique open source du corps humain comprenant 296 composants squelettiques et 402 composants musculaires. Au fil de 167 missions et de 420 évaluations indépendantes, le modèle a affiné de manière itérative un contrôleur de marche. Lorsque l’ajustement de la fonction de récompense n’a pas amélioré le mouvement des bras, il a exécuté des tests en boucle ouverte des dynamiques du simulateur, détecté et corrigé 36 erreurs dans les calculs des bras de levier des muscles de l’épaule, puis réentraîné le contrôleur.

Mesures de cybersécurité et principes relatifs aux poids ouverts

Moonshot AI indique avoir constaté une amélioration constante des performances en recherche de vulnérabilités à mesure que le post-entraînement prenait de l’ampleur, et attribue cette tendance aux contenus liés à la cybersécurité intégrés au corpus général de mi-entraînement, ainsi qu’aux tâches liées à la cybersécurité dans l’ensemble d’environnements d’apprentissage par renforcement. Pour la publication des poids ouverts de K3.1 Pro, l’entreprise affirme avoir repéré et supprimé les données liées à la cybersécurité des deux phases d’entraînement, tout en conservant les tâches générales de programmation nécessaires à l’utilité du modèle.

Sur xdev-bench-hard, le benchmark interne de l’entreprise composé de tâches de détection et d’exploitation de vulnérabilités basées sur le code source et sélectionnées par des experts, un point de contrôle entraîné sans ces mesures de réduction des risques résout 90,5 % des problèmes au pass@3, tandis que la version finale de K3.1 Pro en résout 81,0 %, rapporte l’article. Moonshot AI affirme que ces résultats montrent que la suppression des données réduit sensiblement les capacités en cybersécurité par rapport à ce que produirait autrement le même processus d’entraînement, et que les capacités de K3.1 Pro dans ce domaine restent inférieures à celles des modèles propriétaires de pointe accessibles au public depuis au moins trois mois.

L’article présente deux principes à l’origine de la publication des poids ouverts. Premièrement, l’entreprise entend ne pas publier de poids ouverts qui repousseraient la frontière absolue des capacités en cybersécurité. Deuxièmement, elle souhaite relever progressivement le niveau des capacités en cybersécurité accessibles dans les poids ouverts. Elle précise qu’un accès non discriminatoire permet à davantage d’équipes d’auditer le code qu’elles maintiennent, y compris celui des systèmes anciens qui font rarement l’objet d’examens de sécurité dédiés.

Configuration du modèle dans Kimi Code

Une documentation de Kimi Code distincte explique comment les modèles sont proposés aux développeurs. La documentation répertorie six identifiants de modèle couvrant les familles K3.1 Pro, K3, K2.8 Preview et K2.7 Code Highspeed. Elle décrit k3.1-pro comme un modèle phare de 3 000 milliards de paramètres, doté d’une fenêtre de contexte pouvant atteindre 1 048 576 jetons pour les membres des formules supérieures, et précise que la version Highspeed offre les mêmes capacités tout en consommant environ deux fois plus de quota. Selon la page, le déploiement de K3.1 Pro dans Kimi Code est complet.

Selon la documentation, les modèles K3.1 Pro prennent uniquement en charge le mode de réflexion ; les requêtes envoyées avec ce mode désactivé sont rejetées avec une erreur HTTP 400. Les deux nouveaux modèles acceptent les valeurs low, high ou max pour le paramètre reasoning_effort, max étant la valeur par défaut, et prennent tous deux en charge les entrées image et vidéo. Avec les nouvelles formules d’abonnement, k3.1-pro nécessite l’abonnement Plus ou une formule supérieure, la fenêtre de contexte de 1 M étant réservée à l’abonnement Pro ou à une formule supérieure, tandis que k3.1-pro-highspeed nécessite l’abonnement Pro ou une formule supérieure. Avec les anciennes formules, les niveaux correspondants sont Moderato et Allegretto.

La documentation recommande de démarrer une nouvelle session plutôt que de passer aux nouveaux modèles en cours de session, d’utiliser les API natives Responses, de complétion de chat ou de messages pour obtenir les résultats les plus stables, et de saisir les identifiants exacts des modèles dans les outils tiers, car un identifiant mal saisi entraîne un retour à K2.8 Preview sans mode de réflexion.

L’entreprise a indiqué que les poids complets du modèle Kimi K3.1 Pro seraient publiés d’ici au 4 novembre 2026.