Kimi K3.1 Pro arrive sur Vega
Kimi K3.1 Pro est disponible sur vega.chat depuis son lancement sur les plateformes de Kimi. Le nouveau modèle phare « de classe 3T » de Moonshot AI combine une fenêtre de contexte de 1M de tokens avec une vision native et de meilleures capacités en programmation, en modélisation 3D et en finance. Une publication complète des poids du modèle est prévue d’ici le 4 novembre 2026. Lancé en même temps, K3.1 Pro Highspeed offre les mêmes capacités à une vitesse environ 2 à 3 fois supérieure pour les usages interactifs.
Qu’est-ce que Kimi K3.1 Pro ?
Premier modèle de la série K3.1 de Moonshot AI, K3.1 Pro est une version de Kimi K3 ayant fait l’objet d’un post-entraînement avec des ressources de calcul nettement plus importantes. L’expression « de classe 3T » décrit sa catégorie de modèle : Moonshot n’a pas divulgué le nombre exact de paramètres, qu’ils soient totaux ou actifs.
Sa fenêtre de contexte de 1 000 000 de tokens permet de traiter de grandes bases de code, de longs documents financiers et des sessions d’agent prolongées en une seule requête. Sa compréhension visuelle native lui permet de travailler à partir de captures d’écran, de croquis et d’images de référence.
Dès le premier jour, le modèle est disponible sur Kimi.ai et ses applications mobiles, Kimi Work, Kimi Code et l’API Kimi. Les administrateurs Kimi Enterprise peuvent l’activer pour leur organisation ; l’accès est désactivé par défaut au lancement.
Tarifs de l’API Kimi : environ un tiers de moins que kimi-k3
Les tarifs publiés par Moonshot pour l’API Kimi sont les suivants :
| Type de token | Prix par million de tokens |
|---|---|
| Entrée | $2.00 |
| Sortie | $10.00 |
| Écriture dans le cache | $2.00 |
| Lecture depuis le cache | $0.20 |
Il s’agit des tarifs du fournisseur Kimi, et non des tarifs VEGA.
À titre de comparaison, kimi-k3 affichait un prix de $3.00 pour les tokens d’entrée non mis en cache, de $15.00 pour les tokens de sortie et de $0.30 par million de tokens pour les lectures depuis le cache. K3.1 Pro coûte environ un tiers de moins dans ces trois catégories, ce qui rend certains usages jusqu’alors trop coûteux dignes d’être réévalués.
Benchmarks de Kimi K3.1 Pro : où le modèle progresse
Programmation agentique et tâches dans le terminal
Sur Terminal-Bench 4.0, qui évalue des tâches réalistes dans le terminal avec des tests stricts, K3.1 Pro obtient 65.7 %, contre 58.2 % pour GPT-6 Astra et 66.4 % pour Claude Opus 5.5.
Cette comparaison doit être nuancée : K3.1 Pro a utilisé le harnais Claude Code, tandis que les autres modèles ont été exécutés avec leurs réglages maximaux. Les résultats ne sont donc pas parfaitement contrôlés ni directement comparables.
Dans l’évaluation interne Kimi Code Bench 3.0 Long-horizon de Moonshot, qui porte sur la programmation en plusieurs étapes et l’utilisation d’outils, il atteint 61.2 %, contre 55.95 % pour K3.
Modélisation 3D, CAO et 3D Make
La modélisation paramétrique 3D est un domaine inhabituel pour un modèle phare. À partir de texte, de croquis ou d’images de référence, K3.1 Pro déduit les formes, les proportions et les relations spatiales. Il écrit et exécute des scripts Blender/CAO sans connecteurs MCP, et modifie la géométrie, les matériaux et les scènes.
Les résultats de BenchCAD montrent à la fois ses points forts et les écarts qui subsistent :
| Configuration BenchCAD | K3.1 Pro | Scores comparatifs |
|---|---|---|
| Avec outils | 92.7 | Opus 5.5 : 96.2 ; Astra : 95.9 |
| Sans outils | 72.8 | Opus 5.5 : 73.0 ; Fable 5.1 : 60.6 ; DeepSeek-V4.1-Flash-1017 : 41.2 |
Le résultat avec outils utilise le Voxel IoU sur un sous-échantillon de 1 000 fichiers.
Moonshot propose également un produit abouti dans ce domaine : 3D Make est disponible sur kimi.ai et dans son application, avec des fonctionnalités de prévisualisation, de modification et d’export pour l’impression 3D ou sous forme de vidéo et de Live Photos. Ce produit est disponible uniquement sur les plateformes de Kimi.
Analyse financière et analyse de documents
K3.1 Pro obtient un score de 64.4 sur OfficeQA Pro v2, qui évalue l’analyse de documents financiers, la vérification croisée et les calculs en plusieurs étapes. Moonshot affirme qu’il s’agit du meilleur résultat actuel. L’entreprise annonce également un score de 58.6 sur Frontier Finance, qui couvre des processus d’investissement allant de la sélection des actifs à l’analyse de rentabilité.
Ses résultats financiers internes progressent par rapport à K3 :
| Évaluation | K3.1 Pro | K3 |
|---|---|---|
| Modélisation financière | 57.6 | 50.4 |
| Recherche financière | 70.4 | 58.8 |
| Opérations commerciales | 37 | 8.9 |
Exactitude factuelle
Dans Kimi Hallu Bench Hard, l’évaluation interne de Moonshot, le taux d’hallucinations au niveau des affirmations passe de 23.4 % pour K3 à 8.3 %. La proportion de réponses contenant au moins une erreur factuelle tombe à 42.4 % du niveau atteint par son prédécesseur.
Le graphique avec outils présente ces taux d’erreurs au niveau des affirmations, où un résultat plus faible est préférable :
| Modèle | Taux d’erreur |
|---|---|
| GPT-6 Astra | 5.5% |
| Kimi K3.1 Pro | 8.3% |
| Claude Opus 5.5 | 15.0% |
| GLM-5.3 | 22.6% |
| DeepSeek-V4.1 | 23.3% |
| Claude Fable 5.1 | 23.3% |
Moonshot précise explicitement qu’il s’agit d’un test de résistance sévère, et non d’une estimation des taux d’erreur en situation courante.
Dans les coulisses : apprentissage par renforcement conjoint et cybersécurité
Moonshot attribue ces progrès à un apprentissage par renforcement conjoint couvrant des centaines de domaines en aval, soutenu par une optimisation de l’ensemble de la pile : infrastructure RL, inférence à long contexte, efficacité de l’entraînement, environnements isolés, planification des déploiements et contrôle qualité des environnements.
L’équipe a également constaté que les capacités de recherche de vulnérabilités augmentaient avec l’ampleur du post-entraînement. Pour la publication des poids du modèle, elle a supprimé les données spécifiques à la cybersécurité des étapes de mid-training et de RL tout en conservant les tâches de programmation classiques, puis a mené une évaluation ciblée à l’aide de son benchmark interne xdev-bench-hard.
Essayez Kimi K3.1 Pro sur Vega
Pour les développeurs, c’est actuellement le modèle open-weight le plus performant pour la programmation agentique avec un long contexte. Pour les équipes 3D, testez l’inférence des formes et les scripts de CAO générés ; pour les équipes financières, vérifiez le recoupement de documents et les calculs en plusieurs étapes. Les tarifs plus bas du fournisseur Kimi en font également un bon moment pour réexaminer les usages soumis à des contraintes budgétaires.
Plusieurs résultats sont rapportés par l’entreprise ou issus d’évaluations internes, les conditions d’utilisation des harnais diffèrent et le nombre de paramètres reste inconnu. Effectuez des essais sur vos propres tâches avant de vous engager.
Kimi K3.1 Pro est disponible dans le sélecteur de modèles de vega.chat, et les développeurs peuvent également l’appeler via api.vega.chat, l’API compatible avec OpenRouter.