Kimi K3.1 Pro et l'écart de 0,7 point : lire la fiche de lancement avant les poids du 4 novembre

Points clés

• Kimi K3.1 Pro obtient 65,7 % sur Terminal-Bench 4.0 — 0,7 point derrière les 66,4 % que le fournisseur a mesurés pour Claude Opus 5.5 sur le même harness, et 7,5 points devant GPT-6 Astra à 58,2 % (publication de lancement de Moonshot).
• Le taux d'hallucination au niveau des affirmations est passé de 23,4 % pour K3 à 8,3 % pour K3.1 Pro — sous les 15,0 % d'Opus 5.5 — avec l'avertissement du test de stress imprimé dans le même paragraphe (publication de lancement).
• Les tarifs de l'API sont vérifiés sur la page même de la plateforme : 2,00 $/10,00 $ par MTok avec des entrées mises en cache à 0,20 $ — une remise de cache publiée de 90 % — et les écritures de cache sont facturées séparément par TTL à 2,00 $ (5 minutes) ou 4,00 $ (1 heure) (tarifs de l'API Kimi).
• Moonshot a retiré les données d'attaque cyber des deux étapes d'entraînement — le corpus de mid-training et le mix d'environnements RL — avant la publication des poids ouverts (publication de lancement, section cybersécurité).
• Les poids complets sont confirmés par le fournisseur pour le 4 novembre ; jusque-là Artificial Analysis étiquette toujours le modèle propriétaire à 2 800 milliards de paramètres, et la licence des poids reste innommée (page du modèle chez Artificial Analysis).

Deux chiffres sur la même page de lancement décident l'essentiel de cette analyse : 65,7 et 66,4. Kimi K3.1 Pro, premier modèle de la série K3.1 de Moonshot, qualifié par la société de « modèle ouvert le plus capable de classe 3T à ce jour » avec une fenêtre de contexte d'un million de tokens, a obtenu 65,7 % sur Terminal-Bench 4.0 — et la même fiche imprime Claude Opus 5.5 à 66,4 %, mesuré sur le harness propre de Kimi, et GPT-6 Astra à 58,2 % (publication de lancement). Le lancement s'ouvre sur la ligne qu'il perd de justesse. La fiche imprime aussi un taux d'hallucination au niveau des affirmations passé de 23,4 % pour K3 à 8,3 % pour K3.1 Pro, une page de tarifs dont les chiffres se recoupent ligne par ligne, et une date du 4 novembre pour les poids complets. Cet article lit le lancement comme le lirait un acheteur : ce que la fiche a déjà tranché — classe de capacité, prix, adéquation au workload —, ce que seuls les poids peuvent répondre — licence, calibration, reproductibilité — et l'audit en cinq points à exécuter le 4 novembre, avec la méthode du weights day, qui étend cet audit à un lancement arrivé fiche d'abord.

Le comparateur qu'elle imprime contre elle-même

Les trois lignes Terminal-Bench 4.0 sont la divulgation. K3.1 Pro à 65,7, Claude Opus 5.5 à 66,4 tel que mesuré par Moonshot sur son propre harness — la note de bas de page de la fiche attribue le score d'Opus à la fiche système d'Anthropic comme source des comparateurs — et GPT-6 Astra à 58,2. Un écart de 0,7 point tombe dans toute marge de bruit raisonnable, et c'est bien le propos : aucun acheteur ne devrait changer de stack pour un écart aussi mince, mais la fiche supprime la tentation de prétendre que le modèle devance le fer de lance d'Anthropic. Cette distinction compte en langage achats. Un avance de 7,5 points sur le fer de lance agentique d'OpenAI est une colonne de capacité réelle ; une affirmation de parité ou de supériorité face à la frontière d'Anthropic serait une fabrication que l'index indépendant réfute immédiatement — le composite d'Artificial Analysis place K3.1 Pro à un Intelligence Index de 55, quatrième sur 215 modèles, dans le même cluster frontalier qu'occupent les leaders propriétaires. Les notes de bas de page du fournisseur renvoient ses comparateurs à des sources primaires — la page OpenAI pour Astra, la fiche système d'Anthropic pour Opus 5.5 —, si bien que la provenance de la fiche est vérifiable, non simplement affirmée.

Les scores avec outils sont imprimés deux fois, et l'écart est la leçon. Sur BenchCAD, qui teste la reconstruction 3D via la génération de code CAD, K3.1 Pro obtient 92,7 avec outils, proche des 96,2 d'Opus 5.5 et des 95,9 de GPT-6 Astra — et 72,8 sans outils, face aux 73,0 d'Opus 5.5 (publication de lancement). Dix-neuf points du score publié dépendent du harness d'outils. Le même motif tient sur le banc d'hallucination : 8,3 % avec outils, 5,4 % sans. Une équipe qui sait que son propre stack de serving attache des outils à tout doit lire la colonne avec outils ; une équipe qui évalue le comportement d'un modèle en standalone doit lire l'autre. Imprimer les deux est la divulgation qui rend le choix lisible.

La colonne indépendante met un prix au travail, et il n'est pas gratuit. La ligne composite d'Artificial Analysis — mesurée sur l'API de Kimi — ajoute les effets de bord qu'un tableau de capacité omet : 2,11 $ par tâche sur l'Intelligence Index, une vitesse de sortie de 57,5 tokens par seconde face à une médiane de 82,3, et une verbosité de 150M tokens de sortie sur le run d'index face à une médiane de 87M. La verbosité est une facture — le même mécanisme qu'a isolé l'analyse d'économie d'effort de Sonnet 5.5 : un agent qui pense en plus de tokens coûte plus cher à faire penser. Pour les workloads toujours actifs, la vitesse de sortie plus lente est une taxe de latence interactive ; le time-to-first-token de 3,07 s bat la médiane de 3,90 s, ce qui l'amortit. La réponse de Moonshot à cette taxe est un second niveau : K3.1 Pro Highspeed délivre deux à trois fois la vitesse de K3.1 Pro pour la même classe d'interaction, à 4,00 $/20,00 $ par MTok sur la page de tarifs.

La réduction de moitié des hallucinations, étiquetée stress

D'abord les chiffres honnêtes, puis l'étiquette honnête. Sur le set Kimi Hallucination Benchmark Hard — taux d'hallucination au niveau des affirmations évalué par des agents fact-checkers sur des prompts pratiques désidentifiés et volontairement piégés —, le taux de K3.1 Pro est passé de 23,4 % pour K3 à 8,3 %, et la part des réponses contenant au moins une erreur factuelle est tombée à 42,4 % du taux de son prédécesseur (publication de lancement). En colonne avec outils, les 8,3 % de K3.1 Pro se tiennent sous les 15,0 % d'Opus 5.5, loin sous les 22,6 % de GLM-5.3 et les 23,3 % de DeepSeek-V4.1-Flash-1017, seuls les 5,5 % de GPT-6 Astra devançant. Et la publication porte son propre garde-fou dans la même section : l'évaluation est un test de stress pour l'exactitude factuelle, les exemples sondent les situations où les modèles sont sujettes aux erreurs, et les taux publiés « ne représentent pas les taux d'erreur globaux en usage quotidien ». Un acheteur qui cite les 8,3 % sans cette étiquette déforme le propos du fournisseur.

La lecture opérationnelle reste solide pour le travail centré documents. OfficeQA Pro v2 — analyse de documents fiscaux par retrieval, vérification croisée entre documents et raisonnement numérique multi-étapes — affiche un état de l'art déclaré de 64,4 pour K3.1 Pro, et les bancs financiers internes du fournisseur gagnent 7,2 points en modélisation financière, 11,6 points en recherche financière, et un multiple de 4,2× sur les opérations métier de long horizon par rapport à K3 (publication de lancement). Pour un agent de rapprochement de devis ou d'audit de factures, diviser par deux le taux d'erreur au niveau des affirmations sur un banc de stress tout en imprimant l'avertissement, c'est la différence entre un modèle qui exige une couche de vérification sur chaque retrieval ouvert et un qui ne l'exige que sur les prompts adverses. L'économie des agents toujours actifs chiffre le reste.

Ce que la page de tarifs s'engage à couvrir

Chaque nombre dont un modèle de coûts a besoin est sur la page de tarifs de la plateforme elle-même, vérifiée cette semaine. kimi-k3.1-pro facture à 2,00 $ par MTok en entrée et 10,00 $ par MTok en sortie, avec des entrées mises en cache à 0,20 $ ; le niveau Highspeed double les deux prix publiés et conserve le même taux caché de 0,20 $ ; tous les modèles de la série K portent une fenêtre de contexte de 1 048 576 tokens (tarifs de l'API Kimi). La facturation est flat pay-as-you-go sans palier selon la longueur de contexte, et — la ligne qui change l'arithmétique — les écritures de cache sont facturées séparément par TTL : 2,00 $ par MTok pour le niveau 5 minutes et 4,00 $ par MTok pour le niveau 1 heure. L'API active le context caching pour les préfixes de requêtes répétés avec un TTL par défaut de 5 minutes. Une écriture de cache à 1 heure coûte exactement le double du prix d'entrée ; une écriture à 5 minutes coûte le prix d'entrée. Les sessions d'agents à longue vie devraient acheter le niveau bon marché et recalculer, non supposer un coût de cache unique.

Le taux de cache est la troisième ligne publiée à côté des niveaux flash — à une classe de taille différente. MiniMax M3.1 Flash affiche des entrées mises en cache à 0,015 $ par MTok (la lecture du jour de lancement), et l'instantané 1017 de DeepSeek se calcule à environ 0,017 $ d'entrée effective à son taux de hit de cache observé (l'agent 0,017 $). Les 0,20 $ de Kimi sont dix fois supérieurs en absolu — et c'est une ligne à l'échelle fer de lance (Artificial Analysis dénombre 2,8T de paramètres totaux), pas un produit de niveau flash, avec la remise publiée à 90 %. La comparaison qu'un acheteur mid-market doit mener est par tâche à son taux de hit à son workload, pas au prix affiché par token.

La fiche porte aussi l'horloge de migration. Les modèles de la série K2 ferment aux nouveaux utilisateurs le 31 octobre 2026, et la plateforme prévoit de tous les retirer d'ici fin décembre (avis de tarifs) — chaque déploiement K2 sur la plateforme hérite d'une migration vers K3.1 avec échéance. Un autre levier de coût est documenté dans les docs de la plateforme : l'effort de raisonnement se configure par requête à low, high ou max (défaut max) et le thinking ne peut jamais être entièrement désactivé — l'effort, pas un interrupteur, est le contrôle de coût par tâche (quickstart K3.1 Pro).

La porte de publication qu'on peut déjà lire

Le retrait des données cyber est énoncé avec son mécanisme, pas seulement en slogan. Moonshot a observé une capacité de recherche de vulnérabilités qui monte à mesure que le post-training s'étend, a retracé du contenu cyber enfoui dans le corpus général de mid-training et des tâches cyber dans le mix d'environnements RL, et a constaté en expériences préliminaires que « sans retrait des données, que ce soit à l'étape de mid-training ou de RL, la capacité cyber en aval augmenterait substantiellement ». Pour la publication des poids ouverts, la société a retiré les données liées à la cybersécurité des deux étapes d'entraînement tout en conservant les tâches de code généralistes (publication de lancement, section cybersécurité). C'est le même schéma de porte que GLM-5.3 a appliqué à sa publication par étapes — des poids après une pause de sécurité (le précédent de publication par étapes) — avec une différence structurelle : K3.1 Pro a publié la fiche de détails complète au lancement et fixé une date pour les poids, sans pause par étapes entre les deux.

Les publications de poids ouverts d'octobre forment désormais trois playbooks lisibles. MiniMax a livré ses poids quatre jours après le lancement de son API et laissé au fichier de licence le soin de porter les conditions d'achat — une ligne de revenus de 20 millions de dollars avec attribution. GLM-5.3 a posé sa publication derrière une pause de sécurité. Kimi K3.1 Pro a lancé une publication fiche-d'abord, avec le gate de sécurité appliqué en amont et les poids fixés au 4 novembre. Ce qui varie n'est pas l'affirmation de capacité ; c'est quels artefacts arrivent d'abord, et l'audit de l'acheteur doit suivre les artefacts.

Ce qui reste ouvert jusqu'au 4 novembre — et l'audit à mener

La fiche répond à la capacité, au prix et à l'adéquation au workload. Quatre choses lui échappent, et la méthode du weights day en cinq points les couvre comme elle a couvert MiniMax :

1. La licence est innommée. Le weights day de MiniMax a inscrit un seuil de revenus et une exigence d'attribution dans l'auto-hébergement commercial ; les conditions de K3.1 Pro restent le point ouvert majeur du 4 novembre, et aucun plan d'auto-hébergement ne devrait être chiffré avant la lecture du fichier de licence.
2. Aucune colonne de calibration indépendante n'existe. Le composite d'Artificial Analysis mesure la capacité (2,11 $ par tâche à l'index 55), pas le défaut de l'erreur confiant — la ligne de classe AA-Omniscience qui a montré le niveau flash de MiniMax à 92,8 % de réponses erronées données avec confiance (l'audit du weights day). En retrieval factuel ouvert sans couche de vérification, cette colonne est celle que la fiche ne peut jamais imprimer sur elle-même.
3. La reproductibilité sous harness tiers. Le composite exécute déjà Terminal-Bench 4.0 comme l'une de ses dix évaluations ; quand les poids arrivent, les lectures communautaires du harness reproduiront le 65,7 de la fiche ou forceront une note de bas de page de harness — le même recoupement que la table de MiniMax a invité.
4. Paramètres au niveau de la carte et recettes de serving. Le cadrage « classe 3T » et le décompte de 2,8T d'Artificial Analysis exigent la déclaration de la carte de modèle elle-même ; les recettes de serving pour des stacks de type vLLM et SGLang sont ce qui transforme un téléchargement en déploiement.

Artificial Analysis étiquette toujours K3.1 Pro propriétaire — un statut que la livraison du 4 novembre remplace, et l'espèce d'obsolescence de surface que tout acheteur doit attendre pendant des jours après tout weights event.

Le diagramme d'une minute sépare le tranché de ce qui reste en suspens :

Les deux panneaux sont la frontière que la fiche trace : le côté ambré est ce que le 23 octobre a tranché avec des chiffres vérifiables, le côté violet ce à quoi seuls les poids du 4 novembre répondent, et la bande corail l'événement qui referme l'écart.

Lectures associées

• La ligne de 20 millions de dollars dans la licence : le weights day audit MiniMax M3.1 Flash — l'audit sœur que cette fiche-première lecture étend : la méthode en cinq points, exécutée sur un lancement où les poids sont arrivés d'abord
• Économie de l'inférence : pourquoi les agents de production toujours actifs sont devenus abordables — le cadre de coût par tâche qui traduit les niveaux de cache publiés par Kimi en décision de workload
• L'agent 0,017 $ : l'instantané 1017 de DeepSeek coupe le coût par tâche sans baisser les prix — l'autre ligne d'économie de cache à côté des 0,20 $ de Kimi : le taux de hit, pas la grille de prix, fixe le coût effectif de l'agent

Une mise en œuvre représentative

Une société B2B de 400 personnes fait tourner une flotte d'agents de revue de code et d'audit documentaire qui a exécuté environ 12 000 tâches d'agent la semaine dernière sur un pool mixte de modèles, facturées sur ses intégrations repository et ERP MCP de bout en bout. La fiche de lancement déplace deux workloads cette semaine : des tâches de code de long horizon orientées vers K3.1 Pro dans la classe 65,7 avec outils par les proxys Terminal-Bench 4.0, où le taux caché d'entrée à 0,20 $ et le TTL de cache par défaut de 5 minutes s'accordent avec leur trafic de préfixes répétés ; et des passages d'audit de documents financiers orientés de la même façon vers K3.1 Pro (chemins proxy de workloads type OfficeQA), avec l'effort de raisonnement épinglé à high plutôt qu'au défaut max après la revue de coût token du team. Le niveau d'écriture de cache à 1 heure est rejeté après le calcul — au double du prix d'entrée, leurs sessions recalculent moins cher qu'elles ne gardent. Le 4 novembre, l'équipe plateforme exécute l'audit en cinq points avant tout plan d'auto-hébergement : le fichier de licence d'abord, puis paramètres, format et recettes, écarts de harness face à la fiche, et calibration — en conservant le checkpoint épinglé même quand le serving continue sur l'API du fournisseur.

Demandez un build à périmètre serré. Une semaine de découverte. Vous obtenez un inventaire système, une carte de workflow et un périmètre fixe — que vous bâtissiez avec nous ou non.