Kimi K3.1 Pro est le modèle à poids ouverts le plus performant de Moonshot AI à ce jour. Le 23 octobre 2026, Moonshot AI a présenté Kimi K3.1 Pro sur le blog officiel de Kimi : premier modèle de la série K3.1 : un modèle de classe 3T avec une fenêtre de contexte d'un million de tokens, conçu pour le code, la génération 3D, la recherche financière et d'autres capacités agentiques. Disponible dès maintenant sur Kimi.com, Kimi Work, Kimi Code et l'API Kimi ; les poids complets seront publiés d'ici le 4 novembre.
Résultats en code : 65,7 % sur Terminal-Bench, devant GPT-6 Astra
Le code arrive en tête du palmarès officiel : sur Terminal-Bench 4.0 (tests stricts des agents de code en environnement terminal), K3.1 Pro a obtenu 65,7 %, devant GPT-6 Astra (58,2 %) et juste derrière Claude Opus 5.5 (66,4 %) ; sur le benchmark maison Kimi Code Bench 3.0 (tâches de longue haleine), il atteint 61,2 %, contre 55,95 % pour K3. Un modèle à poids ouverts joue désormais dans la cour des modèles propriétaires les plus puissants sur du vrai travail en terminal.
3D et finance : deux axes sous-estimés
La génération 3D est l'autre pilier : 92,7 % avec outils sur BenchCAD (reconstruction 3D à partir de rendus multi-vues via du code CAO), proche de Claude Opus 5.5 (96,2 %) et GPT-6 Astra (95,9 %) ; avec 3D Make, lancé en parallèle, on prévisualise et modifie des modèles 3D sur kimi.com et dans l'app Kimi, puis on les exporte pour l'impression 3D. En finance, 64,4 sur OfficeQA Pro v2 (raisonnement numérique multi-étapes sur de vrais documents financiers), présenté comme l'état de l'art ; le taux d'erreurs factuelles sur le test interne d'hallucinations Kimi Hallu Bench Hard est passé de 23,4 % (K3) à 8,3 %.
Comment il a été construit : K3 avec un post-entraînement amplifié
K3.1 Pro est pour l'essentiel un K3 post-entraîné : un calcul de post-entraînement nettement supérieur, plus un apprentissage par renforcement conjoint à grande échelle sur des centaines de domaines en aval. Selon Moonshot AI, le framework RL, l'inférence à long contexte, l'efficacité d'entraînement et l'infrastructure sandbox ont été optimisés pour que chaque incrément de calcul RL apporte des gains stables et prévisibles. Une variante Highspeed sort en parallèle, 2 à 3 fois plus rapide pour des interactions plus réactives.
Le compromis des poids ouverts : d'abord la soustraction de sécurité
Détail notable : avant la publication des poids, Moonshot AI a délibérément réduit les capacités en retirant les données liées à la cybersécurité du mid-training et du RL. Sur son test interne xdev-bench-hard (découverte et exploitation de vulnérabilités), le K3.1 Pro final atteint 81,0 %, sous le checkpoint sans retrait de données (90,5 %) et sous les modèles propriétaires de pointe publics depuis au moins trois mois. Le principe affiché : les poids ouverts ne doivent pas repousser davantage la frontière des capacités cyber offensives, tout en préservant l'utilité générale à des fins défensives.
Trois choses à surveiller ensuite
D'abord, la publication des poids d'ici le 4 novembre — la licence, les versions quantifiées et l'écosystème de fine-tuning communautaire décideront d'un éventuel moment open-weight à la DeepSeek. Ensuite, le prix réel et les performances API de la version Highspeed : la vitesse 2 à 3 fois supérieure s'accompagne-t-elle d'une baisse de qualité ? Enfin, les agents de code en terminal deviennent le terrain obligé des poids ouverts ; la barre étant relevée, la question est de savoir qui suivra.
