Moonshot a lancé son dernier modèle de raisonnement, Kimi K3.1 Pro, le 2026‑10‑23. Le modèle se classe quatrième de l’Artificial Analysis Intelligence Index, avec un score de 55. Seuls Claude Opus 5.5 (58), Claude Sonnet 5.5 (56) et Muse Wonder Full (56) le devancent. L’entreprise affirme qu’il deviendra le modèle à poids ouverts le mieux classé une fois ses poids publiés.
Performances de Kimi K3.1 Pro
Les progrès les plus marqués concernent les tests de performance agentique, qui évaluent la capacité d’un modèle à utiliser des outils logiciels. K3.1 Pro obtient 1,846 points Elo sur GDPval‑AA, soit 312 points de plus que le précédent K3, et se classe troisième derrière Claude Opus 5.5 (1,866) et Muse Wonder Full (1,857). Il arrive aussi en tête de Terminal‑Bench 4.0 et fait passer son score à AutomationBench‑AA de 58% à 73%. D’autres tests affichent des progrès plus modestes : Humanity’s Last Exam (47% → 52%), CritPt (23% → 25%) et SciCode (59% → 61%). Le taux d’hallucination du modèle a baissé de 53% à 44%, tandis que sa précision globale est passée de 48% à 51%.
Tarifs et caractéristiques techniques
Moonshot estime le coût par tâche à environ $1.98, soit à peu près autant que pour le précédent modèle K3. Le nouveau modèle utilise 55 K tokens de sortie par tâche de l’Intelligence Index, soit 14% de plus que K3, mais ses tarifs par token sont 33% moins élevés pour les tokens d’entrée, de sortie et les accès au cache. K3.1 Pro prend en charge une fenêtre de contexte de 1 million de tokens, repose sur 2.8 trillions de paramètres au total, dont 104 milliards actifs, et accepte les entrées textuelles et les images. Ses poids ne sont pas encore publiés, mais devraient l’être bientôt ; il deviendrait alors le modèle à poids ouverts le mieux classé de l’Index.
Pourquoi c'est important
Pour les développeurs qui ont besoin d’une IA capable d’utiliser des outils logiciels, Kimi K3.1 Pro offre de meilleures performances dans les tâches agentiques sans hausse des coûts. Quand Moonshot publiera les poids du modèle, les utilisateurs de modèles open source disposeront d’une solution très bien classée face aux modèles propriétaires, ce qui réduira l’écart de capacités.
