Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
For an AI agent handling hundreds of thousands of tokens, Kimi K3’s headline is not only its size. Moonshot AI’s model combines 2.8 trillion parameters with a 1-million-token context window, and a BOCOM International analysis places it near the capability of leading closed-source systems.
Pour un agent d’IA traitant des centaines de milliers de tokens, le principal atout du Kimi K3 n’est pas seulement sa taille. Le modèle de Moonshot AI combine 2,8 milliards de paramètres avec une fenêtre de contexte d’un million de tokens, et une analyse de BOCOM International le place près des capacités des principaux systèmes open source.
The comparison is unusually close. K3 scores around 57 on third-party composite intelligence indexes such as Artificial Analysis, versus around 59 for GPT-5.6 Sol and around 60 for Claude Opus 5/Fable 5, according to the report. The gap comes with a lower estimated price: roughly $0.86 per task, about 70% of GPT-5.6 Sol and 30–40% of Anthropic’s flagship models.
La comparaison est inhabituellement serrée. Selon le rapport, K3 obtient un score d’environ 57 sur des indices composites d’intelligence de tiers comme Artificial Analysis, contre environ 59 pour GPT-5.6 Sol et environ 60 pour Claude Opus 5/Fable 5. L’écart s’accompagne d’un prix estimé inférieur : environ 0,86 dollar par tâche, soit près de 70 % de celui de GPT-5.6 Sol et 30 à 40 % de celui des modèles phares d’Anthropic.
The architecture is built to make long context less expensive to process. KDA and gated MLA handle million-token sequences, while attention residuals allow selective retrieval across layers. A stable latent Mixture-of-Experts system — a design that routes each token through only part of a larger model — mixes 896 experts, with 16 active at a time and 104.2 billion parameters activated per token.
L’architecture est conçue pour réduire le coût du traitement des longs contextes. KDA et MLA à portes gèrent des séquences d’un million de tokens, tandis que les résidus d’attention permettent une récupération sélective entre les couches. Un système Mixture-of-Experts latent stable — une conception qui fait passer chaque token par une partie seulement d’un modèle plus vaste — combine 896 experts, dont 16 actifs à la fois, et 104,2 milliards de paramètres activés par token.
Moonshot’s systems work is part of the explanation. Its MoonEP infrastructure uses redundant copies of experts and balances token distribution across GPUs, addressing the uneven workloads that can leave some chips overloaded while others sit idle. The report says this pushes cluster utilization toward its physical limit and cuts training costs, helping make a model of K3’s scale manageable.
Les travaux de Moonshot sur ses systèmes expliquent en partie ces performances. Son infrastructure MoonEP utilise des copies redondantes des experts et équilibre la distribution des tokens entre les GPU, afin de remédier aux charges de travail inégales qui peuvent surcharger certaines puces tandis que d’autres restent inactives. Le rapport affirme que cette approche pousse l’utilisation des clusters vers leur limite physique et réduit les coûts d’entraînement, ce qui aide à rendre gérable un modèle de l’ampleur de K3.
So what changes in practice? If the report’s cost and capability estimates hold up, companies could run more capable agent-based applications without paying the prices associated with the leading closed models. That matters most for tasks that repeatedly search large bodies of information or maintain very long working contexts. But the figures remain those cited by BOCOM International and third-party indexes; no independent deployment test is presented here.
Qu’est-ce que cela change en pratique ? Si les estimations de coût et de capacités du rapport se confirment, les entreprises pourraient faire fonctionner des applications plus performantes fondées sur des agents sans payer les tarifs associés aux principaux modèles fermés. Cela compte surtout pour les tâches qui recherchent à répétition de grandes quantités d’informations ou conservent des contextes de travail très longs. Mais les chiffres restent ceux cités par BOCOM International et des indices de tiers ; aucun test indépendant de déploiement n’est présenté ici.
The commercial bet is already substantial. Moonshot closed a $3.5 billion Series F, lifting its valuation 75% to $35–50 billion since May. A pre-IPO valuation of $50 billion is expected to rest partly on the possibility that Kimi ARR could reach about $1 billion in the next 6–12 months. The report identifies compute access and the ability to keep iterating — rather than parameter count alone — as the harder test ahead.
Le pari commercial est déjà considérable. Moonshot a bouclé une série F de 3,5 milliards de dollars, portant sa valorisation à 75 % de plus, entre 35 et 50 milliards de dollars, depuis mai. Une valorisation pré-IPO de 50 milliards de dollars devrait reposer en partie sur la possibilité que l’ARR de Kimi atteigne environ 1 milliard de dollars au cours des 6 à 12 prochains mois. Le rapport considère que l’accès aux capacités de calcul et la possibilité de continuer à itérer — plutôt que le seul nombre de paramètres — constituent le principal défi à venir.