Kimi K3.1 Pro : Moonshot ouvre un MoE de 2 800 milliards de paramètres avec un contexte d'un million de tokens
🔎 Moonshot tient sa promesse — et elle était grosse
Le 4 novembre 2026, Moonshot AI a livré exactement ce qu'elle avait annoncé : les poids de Kimi K3.1 Pro sont en téléchargement libre sur Hugging Face, dans un dépôt public non gated. Pas de formulaire, pas de liste d'attente, pas de clause de vérification d'identité. Vous cliquez, vous téléchargez.
Les chiffres donnent le vertige : un MoE de 2 800 milliards de paramètres totaux, dont environ 104 milliards activés par token, une fenêtre de contexte de 1 048 576 tokens et un encoder vision natif. Pendant qu'OpenAI et Anthropic gardent jalousement leurs poids fermés, Moonshot lâche dans la nature un modèle de classe frontière.
Mais l'histoire ne s'arrête pas au communiqué. Entre les claims de benchmarks à prendre avec des pincettes, une licence avec une clause à 700 millions d'utilisateurs et 1,56 To de données à télécharger, ce lancement mérite une lecture attentive. C'est exactement ce qu'on fait ici.
L'essentiel
- Architecture : MoE de 2 800 milliards de paramètres totaux, ~104 milliards activés par token, 896 experts (16 sélectionnés + 2 partagés par token), 93 couches — selon la fiche modèle officielle (novembre 2026).
- Contexte : 1 048 576 tokens, rendu moins cher par le passage des couches full-attention au Gated DSA — le seul changement d'architecture par rapport à Kimi K3.
- Multimodal natif : encoder vision MoonViT-V2 de 401 M de paramètres, intégré au modèle.
- Poids ouverts : dépôt non gated créé le 2 novembre, 96 shards safetensors, 1,56 To au total, en précision MXFP4 avec activations MXFP8 (quantization-aware training).
- Inférence recommandée par Moonshot : vLLM, SGLang ou TokenSpeed.
- Benchmarks : Moonshot affirme battre Opus 5.5 et GPT-6 Astra sur le papier ; les tests indépendants de MindStudio racontent une histoire « plus compliquée, et moins chère ».
- Licence : usage commercial libre sous 700 millions d'utilisateurs actifs mensuels ; au-delà, accord séparé obligatoire avec Moonshot.
Outils recommandés
| Outil | Usage principal | Prix (novembre 2026) | Idéal pour |
|---|---|---|---|
| vLLM | Serving production du MoE | Open source (le coût réel = GPU) | Équipes avec cluster datacenter |
| SGLang | Inférence haute concurrence | Open source | Serving long contexte |
| TokenSpeed | Déploiement simplifié | Open source | Tests et prototypes |
| Hugging Face | Téléchargement des poids (1,56 To) | Gratuit | Récupérer les 96 shards safetensors |
Un MoE de 2 800 milliards, mais seulement 104 milliards allumés à la fois
Kimi K3.1 Pro n'est pas un modèle dense géant : c'est un mélange d'experts extrêmement sparse. Sur les 2 800 milliards de paramètres totaux, seuls ~104 milliards sont activés à chaque token. Concrètement, chaque requête pioche 16 experts parmi 896, auxquels s'ajoutent 2 experts partagés — une architecture classique chez les très grands MoE qui stabilise l'entraînement.
Le tout repose sur 93 couches, avec une attention hybride qui fait tout l'intérêt du modèle : 69 couches en Kimi Delta Attention (KDA) et 24 couches en Gated DSA. On y revient plus bas, mais retenez que cette hybridation est la clé du contexte d'un million de tokens.
Côté multimodal, Moonshot ne fait pas semblant : l'encoder vision MoonViT-V2 (401 M de paramètres) est nativement intégré. Ce n'est pas un module greffé après coup, c'est une brique du modèle depuis le départ — une approche dans la lignée de ce que fait la lignée Kimi depuis K3, lui aussi nativement multimodal avec un contexte d'1 M de tokens selon la fiche de K3.
La lignée K3, en accéléré
K3.1 Pro est un post-entraînement de Kimi K3, le modèle de base de 2,8 T de Moonshot, avec du renforcement (RL) joint à grande échelle sur des centaines de domaines. Moonshot avait déjà montré sa cadence avec Kimi K2.7-Code, le modèle coding 1T paramètres open-source qui coupe 30% des tokens de raisonnement et bat Opus en tool use. La stratégie est cohérente : une base massive, des déclinaisons spécialisées, et une ouverture systématique des poids.
Pourquoi 104 milliards de paramètres actifs changent l'équation économique
Un MoE sparse, c'est un compromis calcul/mémoire. Le calcul par token reste celui d'un modèle de ~100 milliards — raisonnable sur un cluster moderne. La mémoire, elle, doit héberger les 2 800 milliards de paramètres complets. C'est là que la précision choisie par Moonshot devient décisive.
Les poids sont publiés en MXFP4 avec activations MXFP8, une précision issue d'un quantization-aware training. Traduction : ce n'est pas une version compressée après coup, c'est la précision avec laquelle Moonshot sert elle-même le modèle. Résultat : l'ensemble tient dans 1,56 To répartis sur 96 shards safetensors.
Pour les équipes qui déploient, ça change deux choses. D'abord, le coût par token d'inférence self-hosted devient compétitif face aux API fermées — c'est précisément ce que suggèrent les tests indépendants, qui décrivent un modèle « moins cher » à qualité comparable sur plusieurs usages. Ensuite, la barrière d'entrée reste élevée : il faut de la mémoire HBM par centaines de gigaoctets, typiquement plusieurs nœuds de GPU datacenter. Ce n'est pas un modèle qu'on fait tourner sur sa station de travail.
C'est le vrai pari de Moonshot : rendre l'inférence économique à l'échelle, pas accessible au particulier. Pour ça, il faut un cluster — et pour le moment, peu d'acteurs open weights jouent dans cette cour.
Un million de tokens de contexte, rendu viable par le Gated DSA
Le contexte de 1 048 576 tokens n'est pas un simple chiffre marketing : c'est le seul changement d'architecture par rapport à K3 qui le rend économiquement soutenable. Les 24 couches qui étaient en full-attention sur K3 passent en Gated DSA, une attention clairsemée qui réduit drastiquement le coût du long contexte.
Pourquoi c'est important ? Parce qu'à 1 M de tokens, l'attention full quadratique devient le poste de dépense dominant. Un modèle qui garde de la full-attention sur toutes ses couches brûle du GPU sur les longs contextes ; un modèle qui hybride KDA (69 couches) et Gated DSA (24 couches) amortit cette dépense. Moonshot ne revendique pas une prouesse de recherche ici, mais un arbitrage d'ingénierie : même architecture, long contexte moins cher.
Pour les cas d'usage, c'est le genre de modèle fait pour les agents qui avalent des bases de code entières, des corpus juridiques ou des historiques de conversation de plusieurs semaines. Si vous explorez ce terrain, notre guide des meilleurs LLM pour les agents IA détaille ce qu'on attend d'un modèle pour du tool use longue haleine.
Benchmarks : les claims de Moonshot face au test indépendant
Moonshot affirme que K3.1 Pro passe devant GPT-6 Astra et Claude Opus 5.5 sur ses benchmarks internes, dont le Terminal-Bench 4.0. On en avait détaillé les chiffres dans notre article sur la victoire de Moonshot sur Terminal-Bench 4.0 et l'ouverture des poids le 4 novembre.
Mais les tests indépendants racontent une autre histoire. L'analyse de MindStudio (novembre 2026) est sans détour : les claims « bat Opus 5.5 et GPT-6 Astra » sont vrais sur le papier, mais les évaluations menées en dehors de Moonshot décrivent un modèle « plus compliqué, et moins cher ». Autrement dit : pas un modèle qui écrase la concurrence fermée partout, mais un modèle qui offre 90-95 % de la performance frontière pour une fraction du coût d'inférence.
Notre lecture : c'est déjà énorme. Le vrai adversaire de K3.1 Pro n'est pas GPT-6 Astra, c'est le rapport qualité/prix des API fermées. Sur ce terrain, un MoE ouvert de 104 Md actifs est redoutable — surtout pour les entreprises qui veulent garder la maîtrise de leur stack d'inférence.
Un point d'incertitude à signaler : Moonshot évoque une version « K3.1 Pro Highspeed », présentée comme 2 à 3 fois plus rapide. Aucun dépôt Highspeed n'apparaît sur Hugging Face à ce stade. Checkpoint séparé ou simple mode de serving ? Personne ne sait. On vous tiendra au courant.
Licence : le vrai piège n'est pas celui que vous croyez
La licence « Kimi K3.1 Pro » est identique, au mot près, à celle de K3. Et elle contient une clause qui fait tiquer au premier regard : tout usage dépassant 700 millions d'utilisateurs actifs mensuels nécessite un accord séparé avec Moonshot.
Soyons clairs : pour 99,99 % des entreprises, cette clause est cosmétique. Si vous construisez un SaaS, un agent ou un produit vertical, vous n'approcherez jamais 700 millions de MAU — seuil qui vise explicitement les hyperscalers et les géants du consumer. C'est une police d'assurance contre le scénario où un acteur de la taille de Meta ou Google embarque le modèle dans son produit à l'échelle planétaire sans négocier.
Le vrai piège est ailleurs, et il est plus discret : c'est l'absence de checkpoint Highspeed confirmé. Si vous dimensionnez une infrastructure sur la base d'une promesse de vitesse 2-3x supérieure qui n'existe pas encore sous forme de poids téléchargeables, vous prenez un risque d'architecture. Notre conseil : dimensionnez sur K3.1 Pro standard, et traitez Highspeed comme un bonus futur.
Autre subtilité : la licence est permissive pour l'usage commercial standard, mais elle n'est pas une licence académique classique type Apache ou MIT. Faites relire le texte par votre juridique si votre cas d'usage sort des clous — redistribution, sous-licenciement, usage en concurrence directe avec les produits Moonshot.
Open weights : la Chine prend clairement la tête de la course
Kimi K3.1 Pro ne sort pas dans un vide. Il s'inscrit dans une séquence où les labos chinois ont pris le contrôle du récit open weights. Moonshot a levé 2 milliards de dollars dans la foulée, comme on le détaillait dans notre article sur la levée de fonds de 2 milliards et la domination open-weight de Kimi K2.6.
Les concurrents ne restent pas immobiles. Tencent a ouvert HY4, un modèle de 770 Md de paramètres avec vision native et computer use, dont on a couvert la sortie dans notre article sur Tencent HY4 en open weights. NVIDIA pousse de son côté Nemotron 3.5 Super Lightning, des MoE hybrides Mamba-Transformer qu'on analyse dans notre article sur Nemotron 3.5 Super Lightning.
Dans notre comparatif mensuel des meilleurs LLM, on le constate chaque mois : DeepSeek V4 Pro, GLM-5.1 et les Kimi occupent le haut du tableau open weights, avec des scores qui talonnent les modèles fermés. Le point commun de tous ces acteurs : ils publient leurs poids, quand les labos américains de premier plan ne le font plus.
C'est le renversement le plus intéressant de 2026. Il y a deux ans, l'open weights était un mouvement de rattrapage. Aujourd'hui, c'est le front d'innovation — et il est majoritairement chinois.
Qui peut vraiment faire tourner 1,56 To ?
Réponse directe : pas vous, pas moi, sauf si votre entreprise loue des nœuds GPU datacenter. Avec 1,56 To de poids en MXFP4, il faut de la mémoire HBM en quantité industrielle — typiquement plusieurs nœuds 8x GPU haut de gamme. Le modèle est pensé pour du serving cloud, pas pour du local.
Le processus, en revanche, est d'une simplicité désarmante. Le dépôt est non gated : pas de validation Hugging Face, pas d'accord de licence à signer en ligne. Vous téléchargez les 96 shards, vous montez un serving vLLM ou SGLang, et vous êtes en production. Moonshot recommande explicitement vLLM, SGLang ou TokenSpeed comme moteurs d'inférence.
Une nuance importante pour les bricoleurs : n'espérez pas re-quantifier les poids en fp8 ou en int4 « pour gagner de la place ». La précision MXFP4/MXFP8 est native, issue d'un quantization-aware training. C'est la précision de référence, celle que Moonshot sert elle-même. Toute re-quantification supplémentaire partira d'un modèle déjà quantisé, avec la dégradation de qualité que ça implique.
Et si votre cas d'usage ne justifie pas un cluster ? Soyez lucide : des modèles ouverts plus petits couvrent 80 % des besoins. Notre guide des meilleurs LLM à run en local et notre tutoriel pour installer un LLM local avec Ollama ou LM Studio couvrent les options réalistes pour une machine mono-GPU.
Dernier point pratique : si vous construisez un produit au-dessus de K3.1 Pro, séparez les couches. L'inférence tourne sur votre cluster GPU ; le frontend, l'API et la logique métier peuvent tourner sur un hébergement web classique comme Hostinger — inutile de payer du GPU datacenter pour servir du HTML.
❌ Erreurs courantes
Erreur 1 : confondre paramètres totaux et paramètres actifs
« 2 800 milliards » ne veut pas dire que chaque requête mobilise 2 800 milliards de paramètres. Seuls ~104 milliards sont activés par token. Confondre les deux mène à surestimer le coût d'inférence par requête — et à écarter un modèle pourtant compétitif. Lisez toujours les deux chiffres.
Erre 2 : dimensionner son infra sur la version Highspeed
La version « 2-3x plus rapide » n'a aucun dépôt confirmé sur Hugging Face à ce jour. Si vous architectez votre serving sur cette promesse, vous prenez un risque technique gratuit. Dimensionnez sur le checkpoint standard, publiez, et migrez si Highspeed sort vraiment.
Erreur 3 : re-quantifier les poids MXFP4 « pour économiser »
Les poids sont déjà en MXFP4 avec activations MXFP8, une précision native entraînée en quantization-aware. Re-quantifier un modèle déjà quantisé dégrade la qualité sans gain réel. Si 1,56 To ne rentre pas dans votre budget GPU, prenez un modèle plus petit — pas une version mutilée de celui-ci.
Erreur 4 : ignorer la clause des 700 millions d'utilisateurs
Ce n'est pas un piège pour vous, mais c'est un engagement contractuel réel. Si votre produit a une trajectoire hypercroissance type consumer, faites chiffrer le scénario par votre juridique dès maintenant. Négocier un accord avec Moonshot le jour où vous dépassez le seuil est bien plus difficile que de l'anticiper.
❓ Questions fréquentes
Kimi K3.1 Pro est-il vraiment gratuit ?
Oui, pour le téléchargement et l'usage commercial standard : les poids sont en accès libre sur un dépôt non gated. Le coût réel, c'est l'infrastructure — 1,56 To de poids MXFP4 exigent un cluster GPU datacenter. La seule restriction de licence concerne les usages au-delà de 700 millions d'utilisateurs actifs mensuels, qui requièrent un accord séparé avec Moonshot.
Peut-on le faire tourner sur un PC local ?
Non, pas en l'état. Avec 1,56 To de poids, même une station multi-GPU haut de gamme est loin du compte. Ce modèle cible les clusters datacenter servés par vLLM, SGLang ou TokenSpeed. Pour du local, regardez des modèles de 7 à 70 milliards de paramètres : notre sélection des meilleurs LLM locaux vous orientera vers des options réalistes.
K3.1 Pro bat-il vraiment GPT-6 Astra ?
Sur les benchmarks publiés par Moonshot, oui — notamment Terminal-Bench 4.0. Mais les tests indépendants de MindStudio (novembre 2026) nuancent fortement : le modèle est décrit comme « plus compliqué, et moins cher » que ne le suggèrent les claims. La valeur réelle est dans le rapport performance/prix, pas dans une domination frontière universelle.
Quelle différence avec Kimi K3 ?
K3.1 Pro est un post-entraînement de K3 avec du RL joint à grande échelle sur des centaines de domaines. L'unique changement d'architecture : les couches full-attention deviennent des Gated DSA, pour un long contexte moins cher. La licence est identique au mot près, et les chiffres du MoE (2,8 T / 104 Md actifs) sont inchangés.
La clause des 700 millions d'utilisateurs me concerne-t-elle ?
Quasiment certain que non. Ce seuil vise les plateformes d'échelle planétaire — pensez aux géants du consumer. Pour un SaaS, un agent métier ou un produit vertical, même un succès retentissant reste des ordres de grandeur en dessous. C'est une clause de protection stratégique pour Moonshot, pas un piège pour l'écosystème.
✅ Conclusion
Avec Kimi K3.1 Pro, Moonshot prouve qu'un labo peut publier des poids frontière de 2,8 T sans rien cacher — ni sur l'architecture, ni sur la précision, ni sur la licence — et que l'inférence économique à grande échelle n'est plus l'apanage des modèles fermés. Pour savoir où ce MoE se place face à la concurrence ce mois-ci, direction notre comparatif mensuel des meilleurs LLM.