Le Kimi K2 Thinking chinois accélère le rythme de l’IA open source et dépasse GPT 5 sur des tests clés

Un modèle ouvert puissant met les systèmes de pointe au défi

Moonshot AI a lancé Kimi K2 Thinking, un modèle à poids ouverts qui vise directement le plus haut niveau des systèmes de raisonnement. L’entreprise affirme que le modèle surpasse les principaux systèmes propriétaires dans plusieurs évaluations exigeantes, qui mesurent le raisonnement étape par étape, la navigation web par des agents et l’ingénierie logicielle. K2 Thinking est accessible sur la plateforme de Moonshot et sur Kimi.com, et ses poids sont publiés sur des plateformes publiques pour l’auto-hébergement, sous une licence MIT modifiée autorisant l’utilisation commerciale avec une simple obligation d’attribution pour les déploiements de très grande ampleur.

La conception du modèle allie échelle et efficacité. K2 Thinking repose sur une architecture Mixture of Experts, avec un total annoncé d’un billion de paramètres, dont seuls environ 32 milliards sont activés pour chaque jeton généré. Il prend en charge une fenêtre de contexte de 256 000 jetons et a été entraîné pour une inférence native en INT4 grâce à un entraînement tenant compte de la quantification. Cette configuration réduit la latence et les besoins en mémoire, ce qui contribue à expliquer ses tarifs compétitifs. Au-delà des scores bruts, cette sortie fait progresser les modèles ouverts vers des comportements d’agent. K2 Thinking montre des capacités de planification à long terme et d’utilisation structurée d’outils sur 200 à 300 appels consécutifs, et peut produire des traces de raisonnement transparentes permettant d’examiner les étapes intermédiaires. Associées à des coûts plus faibles, ces capacités accentuent la pression sur ses concurrents propriétaires.

Qu’est-ce que K2 Thinking et comment fonctionne-t-il ?

K2 Thinking est un transformeur fondé sur une architecture Mixture of Experts. Un vaste ensemble de modules experts spécialisés est piloté par un routeur qui en sélectionne un petit sous-ensemble pour chaque jeton, ce qui réduit les calculs nécessaires tout en préservant la capacité du modèle. Moonshot décrit une architecture composée de 61 couches, de 384 experts, dont huit sont sélectionnés par jeton, de 64 têtes d’attention, d’une dimension cachée de 7168 et d’un vocabulaire de 160 000 éléments. Seuls environ 32 milliards de paramètres sont actifs à un instant donné, ce qui rend l’inférence gérable malgré une capacité totale très élevée. Le mécanisme d’attention est décrit comme une attention latente multi-têtes avec activation SwiGLU. Cette approche concentre l’entraînement et l’inférence sur les experts les plus pertinents pour le contenu du contexte, ce qui améliore à la fois le débit et la précision.

Des experts clairsemés pour plus d’efficacité

La Mixture of Experts permet à un modèle d’atteindre un billion de paramètres sans devoir exécuter chacun d’entre eux pour chaque jeton. En pratique, le modèle peut ainsi offrir un raisonnement plus approfondi et des connaissances plus étendues, tandis que son empreinte mémoire et le temps de traitement par étape restent compatibles avec les accélérateurs actuels. La fenêtre de contexte de 256 000 jetons lui permet d’ingérer de grandes bases de code ou de longs dossiers de recherche, puis de planifier sur de nombreuses étapes tout en faisant appel à des outils. Cette conception convient particulièrement aux tâches d’agent, dans lesquelles un système peut effectuer des recherches, lire, rédiger et vérifier des résultats au fil de dizaines, voire de centaines d’actions.

INT4 natif et entraînement tenant compte de la quantification

Moonshot a entraîné K2 Thinking à l’aide de méthodes tenant compte de la quantification, afin qu’il puisse fonctionner nativement en INT4 pour le stockage des poids et l’inférence. L’INT4 utilise quatre bits pour chaque valeur de paramètre, au lieu de formats de précision supérieure, ce qui réduit les besoins en mémoire et accélère la génération. L’entreprise fait état d’une vitesse de génération environ deux fois supérieure, avec une perte de qualité minime par rapport aux formats de précision supérieure. Tous les scores de référence ont été obtenus en INT4. C’est un facteur important pour les coûts et l’accessibilité. Des testeurs de la communauté indiquent que le modèle fonctionne sur des ordinateurs de bureau haut de gamme, et Moonshot recommande des moteurs tels que vLLM, SGLang et KTransformers. Le modèle est également compatible avec les API d’OpenAI et d’Anthropic, ce qui simplifie son intégration pour les équipes qui utilisent déjà ces formats.

Les tests de référence où K2 Thinking se distingue

Dans les évaluations publiques, le modèle obtient des résultats qui le placent parmi les meilleurs systèmes de raisonnement disponibles et, dans plusieurs cas, en tête du classement. Les scores annoncés comprennent 44,9 % à Humanity’s Last Exam avec les outils activés, 23,9 % en mode texte seul et 51,0 % dans une configuration intensive ; 60,2 % à BrowseComp pour les agents de navigation web ; 71,3 % à SWE Bench Verified pour la correction de bogues logiciels avec des outils ; 83,1 % à LiveCodeBench v6 ; et 56,3 % à Seal 0. En mathématiques et en sciences, le modèle atteint 94,5 % à AIME25 sans outils, 99,1 % à AIME25 lorsqu’il peut exécuter du code Python, 89,4 % à HMMT25 sans outils et environ 85 à 86 % au test de connaissances scientifiques GPQA Diamond. Des scores sont également annoncés de 87,0 à Frames, de 47,4 à FinSearchComp T3 et de 61,1 à SWE Multilingual. Dans nombre de ces catégories, K2 Thinking égale ou dépasse GPT 5, et son score à BrowseComp creuse nettement l’écart avec Claude Sonnet 4.5.

Tâches de recherche et de navigation par agent

BrowseComp évalue la capacité d’un modèle à planifier, à effectuer des recherches sur le web, à suivre des liens, à synthétiser les résultats et à vérifier ses réponses. Le score de 60,2 % obtenu par K2 Thinking à BrowseComp dépasse les 54,9 % annoncés pour GPT 5 et surclasse largement les 24,1 % de Claude Sonnet 4.5. Le modèle réalise également de bons scores à Seal 0 et à Frames, qui mesurent la collecte d’informations, la planification et la cohérence lors de l’utilisation d’outils. Ces résultats correspondent aux objectifs de conception du modèle. Le raisonnement entrelacé permet au modèle de marquer une pause, de raisonner, d’appeler un outil, puis de mettre à jour son plan. La prise en charge de 200 à 300 appels consécutifs l’aide à conserver son état au fil de nombreuses étapes, tandis que la grande fenêtre de contexte lui permet de garder en mémoire les informations utiles à la tâche.

Programmation et ingénierie logicielle

SWE Bench Verified évalue la capacité d’un modèle à lire des tickets dans un dépôt, à produire un correctif et à faire réussir les tests. K2 Thinking annonce un score de 71,3 % avec des outils, un résultat solide pour un système à poids ouverts. Il atteint 83,1 % à LiveCodeBench v6 et obtient 61,1 % à SWE Multilingual. Des démonstrations de la communauté montrent qu’il peut créer des projets fonctionnels à partir d’une seule consigne, notamment des jeux et des applications web complètes, puis apporter des corrections par des appels répétés aux outils. Le long contexte facilite la navigation dans le code, tandis que l’inférence INT4 réduit la latence lors des longues sessions de développement.

Tarifs, accès et licence

K2 Thinking est publié sous une licence MIT modifiée. L’utilisation commerciale est autorisée, et les déploiements de très grande ampleur doivent mentionner le modèle. Le modèle est disponible sur Kimi.com pour les conversations et accessible par API sur la plateforme Kimi Open Platform. Pour l’auto-hébergement, les équipes peuvent obtenir les poids sur des plateformes publiques comme Hugging Face, à l’adresse huggingface.co/moonshotai/Kimi-K2-Thinking. La documentation de la plateforme est disponible à l’adresse platform.moonshot.ai.

Les tarifs sont conçus pour être inférieurs à ceux des solutions propriétaires. Moonshot annonce environ 0.15 dollar par million de jetons pour les accès au cache, environ 0.60 dollar par million de jetons en cas de défaut de cache et environ 2.50 dollars par million de jetons en sortie. À titre de comparaison, GPT 5 coûte environ 1.25 dollar par million de jetons en entrée et 10 dollars par million de jetons en sortie. La prise en charge native de l’INT4 par K2 Thinking réduit les coûts d’exécution, et l’architecture Mixture of Experts garantit que seul un sous-ensemble du réseau fonctionne à la fois. Sur Kimi.com, le mode de conversation standard utilise un ensemble d’outils limité pour alléger l’expérience ; les résultats obtenus sur le site peuvent donc différer des performances de référence des agents jusqu’au déploiement complet du mode Agent.

Pourquoi cela compte dans la course à l’IA

Les modèles ouverts rattrapent les meilleurs systèmes propriétaires. Les bons résultats de K2 Thinking aux évaluations indiquent que la recherche ouverte peut désormais rivaliser au plus haut niveau en matière de raisonnement, de programmation et de tâches d’agent. Les éditeurs de modèles propriétaires sont ainsi poussés à se différencier par la fiabilité, les outils de sécurité, l’assistance aux entreprises et l’intégration de leurs produits, plutôt que par les seuls scores mis en avant. Pour les entreprises, les poids ouverts offrent un meilleur contrôle des données, de la conformité et de l’infrastructure de déploiement. Pour les développeurs, ils permettent d’expérimenter des comportements d’agent avancés sans payer des tarifs élevés pour chaque jeton.

La présence croissante de la Chine dans l’IA

Les laboratoires chinois accélèrent et occupent une place grandissante dans le débat. DeepSeek, Qwen, MiniMax et Kimi, entre autres, se sont imposés dans le paysage, avec des publications qui s’enchaînent à un rythme soutenu. Le modèle précédent de MiniMax avait donné le ton en matière de tests de référence ouverts et fixé un seuil de coûts plus bas. K2 Thinking va désormais plus loin dans le raisonnement à long terme et l’utilisation d’outils par des agents. Selon des analystes, les équipes chinoises raccourcissent leurs cycles de retour, s’appuient sur la mise à l’échelle au moment du test et tirent parti du rythme de leurs publications, même si les meilleurs systèmes propriétaires conservent l’avantage sur certaines tâches. La concurrence se déplace également des conversations vers l’intelligence agentique, où un système peut planifier, utiliser des outils et accomplir des objectifs complexes. K2 Thinking vise précisément cette évolution.

Capacités et exemples concrets

Les démonstrations de Moonshot et les tests d’utilisateurs montrent comment le modèle mène à bien des tâches longues. Dans une démonstration, le système résout une question de mathématiques de niveau doctoral en parcourant des articles, en en extrayant des formules, en exécutant du code Python et en vérifiant ses résultats au fil de plus de vingt étapes de raisonnement et d’utilisation d’outils, avant de fournir une solution finale. Une autre démonstration montre le modèle enchaîner les recherches pour identifier l’acteur Jimmy Gary Jr. et confirmer un rôle précis dans un film, une tâche qui exigeait de vérifier soigneusement les sources sur de nombreuses pages web. Lors de sessions de programmation, des testeurs rapportent que K2 Thinking peut produire en une seule passe un jeu fonctionnel inspiré de Space Invaders, puis l’améliorer par des appels répétés aux outils. D’autres démonstrations le montrent concevant des sites web complets, créant des composants d’interface et reproduisant même une interface de bureau pour gérer des fichiers et des menus.

Ce que constatent les développeurs

Des testeurs indépendants sur des forums de développeurs décrivent un bon équilibre entre vitesse et contrôle. Un utilisateur expérimenté a exécuté le modèle sur du matériel grand public et fait état d’un comportement régulier, y compris lors de longues séquences d’utilisation d’outils et avec de longues requêtes. L’évaluateur a ajouté que le mode natif INT4 améliorait la vitesse sans altérer la qualité.

Lors de mes tests, il a géré jusqu’à 300 appels consécutifs à des outils sans perdre en cohérence, une nette amélioration par rapport aux modèles précédents.

Ce même testeur a souligné la fenêtre de contexte de 256 000 jetons, capable de traiter de grands projets de code, les solides capacités de programmation multilingue et les gains concrets pour les tâches d’interface. Sur des ordinateurs de bureau haut de gamme, le débit annoncé allait de plusieurs dizaines à plusieurs centaines de jetons par seconde, selon les paramètres, ce qui rend les boucles d’agent suffisamment réactives pour le développement.

Le point de vue d’un expert

Nathan Lambert, chercheur en IA qui suit les modèles ouverts et les systèmes d’agent, estime que K2 Thinking marque un tournant pour les modèles à poids ouverts au plus haut niveau de performance. Il souligne également le rythme des publications des laboratoires basés en Chine.

Cette sortie est considérée comme le rapprochement le plus marqué des modèles ouverts avec les performances des systèmes propriétaires de pointe.

Lambert relève également la rapidité avec laquelle les systèmes et leurs nouvelles versions sont publiés dans l’écosystème ouvert, même si les modèles propriétaires conservent l’avantage dans certains domaines.

Les modèles ouverts sortent plus vite. Les laboratoires chinois publient leurs modèles beaucoup plus rapidement que les laboratoires occidentaux.

Ce que K2 Thinking doit encore démontrer

Dominer les évaluations ne signifie pas être supérieur en tout point en production. Certains utilisateurs signalent des pertes occasionnelles de rappel dans les contextes très longs, un problème courant pour les systèmes à grande fenêtre de contexte. Les critères d’évaluation diffèrent également quant au nombre d’outils autorisés et aux limites de jetons de raisonnement ; les comparaisons peuvent donc dépendre du niveau de mise à l’échelle au moment du test appliqué par chaque équipe. L’exécution de centaines d’appels à des outils lors d’une seule session pose aussi des défis d’hébergement : les fournisseurs doivent gérer davantage d’état, plus d’appels réseau et des journaux plus volumineux.

Les entreprises suivront la stabilité d’une version à l’autre, la reproductibilité des résultats avec des paramètres fixes et la compatibilité des outils de sécurité avec leurs processus existants. La production de traces de raisonnement constitue une avancée utile, car elle permet aux équipes d’examiner les étapes intermédiaires ; elle implique toutefois que les opérateurs décident de la quantité de raisonnement à consigner et des moments où masquer les informations sensibles. Enfin, la conception ouverte du modèle favorise les itérations rapides de la communauté, ce qui est un atout, mais signifie aussi que de nombreuses variantes apparaîtront, avec différents compromis entre vitesse, mémoire et qualité. Les premiers résultats sont prometteurs, et des tests continus dans différentes langues, différents domaines et sur différents matériels permettront aux développeurs de déterminer les points forts de K2 Thinking.

L’essentiel

• Moonshot AI a lancé Kimi K2 Thinking en accès libre aux poids, sous une licence MIT modifiée autorisant l’utilisation commerciale.
• Le modèle utilise une architecture Mixture of Experts totalisant un billion de paramètres, dont environ 32 milliards sont actifs par jeton.
• L’inférence native INT4 issue d’un entraînement tenant compte de la quantification réduit les coûts et la latence tout en préservant la qualité.
• K2 Thinking annonce 44,9 % à Humanity’s Last Exam avec des outils et 60,2 % à BrowseComp, où il dépasse GPT 5 dans ce test d’agent.
• Ses scores en programmation comprennent 71,3 % à SWE Bench Verified et 83,1 % à LiveCodeBench v6.
• Le système prend en charge une fenêtre de contexte de 256 000 jetons et peut effectuer de 200 à 300 appels consécutifs à des outils.
• Les tarifs sont d’environ 0.15 dollar par million de jetons pour les accès au cache, 0.60 dollar en cas de défaut de cache et 2.50 dollars en sortie, bien en dessous de ceux de GPT 5.
• Le modèle est accessible sur Kimi.com, par API sur la plateforme Kimi Open Platform et sur des plateformes publiques comme Hugging Face.
• Les modèles ouverts chinois, dont Kimi, DeepSeek, Qwen et MiniMax, accélèrent le rythme des publications et obtiennent de meilleurs scores aux évaluations.
• Les points à surveiller comprennent la fiabilité sur les longs contextes, la prise en charge de longues séquences d’utilisation d’outils par les infrastructures d’hébergement et les performances réelles en conditions de production.