Test de Kimi K3 : benchmarks, prix de l’API et démos communautaires

Kimi K3 est le modèle phare à 2,8 billions de paramètres de Moonshot AI pour le codage à long horizon, le travail de connaissance, le raisonnement multimodal et les tâches d’agent. Cette revue couvre ses spécifications, les benchmarks Kimi K3, le prix de l’API, la configuration TokenHub et OpenCode, les démos communautaires et des comparaisons ciblées avec Claude Fable 5, Opus 4.8 et GLM-5.2.

En bref : la fenêtre de contexte d’un million de jetons de Kimi K3, la vision native et les premiers résultats de référence en font un modèle à tester pour les grandes bases de code, les documents longs, le développement visuel et la recherche. Une décision de production dépendra toujours de la qualité des tâches, de la latence, du coût et de la fiabilité dans votre propre flux de travail.

Accès rapide : essayez Kimi K3 via TokenHub en utilisant une seule clé API et un point de terminaison compatible OpenAI.

Qu’est-ce que Kimi K3 ?

Sorti le 16 juillet 2026, Kimi K3 est le modèle le plus performant de Moonshot AI au moment de cette évaluation. Sa conception de mélange d’experts sparse active 16 des 896 experts par jeton plutôt que d’utiliser les 2,8 billions de paramètres pour chaque requête. Kimi Delta Attention et Attention Residuals sont conçus pour améliorer l’efficacité sur les longues séquences et la profondeur du modèle.

Spécifications et détails de lancement de Kimi K3

Moonshot indique que la nouvelle architecture et la recette d’entraînement offrent une efficacité de mise à l’échelle globale environ 2.5 fois supérieure à celle de Kimi K2. Kimi K3 utilise également un entraînement sensible à la quantification avec des poids MXFP4 et des activations MXFP8. Malgré son activation éparse, l’auto-hébergement d’un modèle de cette taille reste un projet lourd en infrastructure plutôt qu’une configuration locale de LLM typique.

Benchmarks de Kimi K3 : ce que montrent les premiers chiffres

La page du modèle TokenHub répertorie actuellement les métriques suivantes, provenant d’Artificial Analysis :

L’évaluation de lancement de Moonshot fait également état de 88.3 sur Terminal-Bench 2.1, 91.2 sur BrowseComp, 95.0 sur DeepSearchQA et 93.5% sur GPQA Diamond. Ces scores indiquent les points forts visés par le modèle, mais Kimi K3 a généralement été testé avec un effort de raisonnement maximal, et certaines comparaisons de modèles ont utilisé différents harnais d’agent. Considérez les petites différences de score comme indicatives plutôt que comme une preuve de supériorité universelle.

Comment utiliser Kimi K3 sur TokenHub

Pour les développeurs qui souhaitent savoir comment utiliser Kimi K3 sans créer une autre intégration spécifique à un fournisseur, TokenHub propose le modèle via sa passerelle API unifiée.

1. Créez un espace de travail TokenHub

Ouvrez la console TokenHub et créez un espace de travail avec une authentification par e-mail ou via Google.

2. Ajoutez un solde d’utilisation

TokenHub utilise un solde d’espace de travail partagé entre les fournisseurs et modèles pris en charge. Ajoutez suffisamment de solde pour la charge de test que vous prévoyez d’exécuter.

3. Générez une clé API TokenHub

Créez une clé de passerelle dans la console TokenHub. Stockez la clé comme variable d’environnement plutôt que de la coder en dur dans votre application.

export TOKENHUB_API_KEY="YOUR_TOKENHUB_API_KEY"

4. Envoyez une requête avec le SDK OpenAI

TokenHub fournit une API compatible OpenAI. Le code existant du SDK OpenAI peut utiliser Kimi K3 en modifiant l’URL de base, la clé API et l’ID du modèle.

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://us-api.tokenhub.com/v1",
    api_key=os.environ["TOKENHUB_API_KEY"],
)

response = client.chat.completions.create(
    model="kimi-k3",
    messages=[
        {
            "role": "user",
            "content": "Review this function and identify any concurrency bugs.",
        }
    ],
)

print(response.choices[0].message.content)

Sur TokenHub, l’identifiant du modèle est kimi-k3. Ne le remplacez pas par k3 identifiant utilisé dans certaines intégrations Kimi Code, sauf si la documentation du point de terminaison vous demande explicitement de le faire.

TokenHub répertorie également une API compatible Anthropic /v1/messages route. Utilisez le style d’endpoint et de SDK qui correspond au reste de votre application.

Utilisation de Kimi K3 avec OpenCode

Kimi K3 peut alimenter OpenCode via le site officiel de Kimi Kimi For Coding connexion ou via TokenHub. La route officielle utilise une clé API Kimi et l’ID de modèle k3; la route TokenHub ci-dessous utilise une clé API TokenHub et kimi-k3.

Configuration de Kimi K3 OpenCode via TokenHub

Étant donné que TokenHub expose un endpoint compatible OpenAI, il peut être ajouté en tant que fournisseur OpenCode personnalisé. Tout d’abord, stockez la clé API de manière sécurisée:

export TOKENHUB_API_KEY="YOUR_TOKENHUB_API_KEY"

Ensuite, ajoutez un fournisseur personnalisé à opencode.json:

{
  "$schema": "https://opencode.ai/config.json",
  "provider": {
    "tokenhub": {
      "npm": "@ai-sdk/openai-compatible",
      "name": "TokenHub",
      "options": {
        "baseURL": "https://us-api.tokenhub.com/v1",
        "apiKey": "{env:TOKENHUB_API_KEY}"
      },
      "models": {
        "kimi-k3": {
          "name": "Kimi K3",
          "limit": {
            "context": 1048576,
            "output": 131072
          }
        }
      }
    }
  }
}

Démarrez OpenCode et exécutez /models pour sélectionner TokenHub / Kimi K3. La configuration du fournisseur d’OpenCode peut changer, alors confirmez la syntaxe actuelle du fournisseur personnalisé dans la documentation OpenCode si le modèle n’apparaît pas.

Présentations communautaires de Kimi K3

Les projets communautaires offrent une vue plus concrète de ce que les gens tentent avec Kimi K3 que les seuls tableaux de référence. Ces exemples sont des démonstrations plutôt que des évaluations contrôlées : les invites originales, le nombre d’itérations, les modifications manuelles, les outils et le travail d’hébergement peuvent ne pas être documentés publiquement.

Génération de pages front-end : une expérience Web Windows XP

Largement partagé, un post X par AB Kuai.Dong met en avant une reconstitution de Windows XP dans le navigateur, prétendument construite avec Kimi K3. Le post renvoie vers windows-xp.kimi.site et montre un bureau Windows XP familier avec des fenêtres interactives. Sa vidéo d’accompagnement démontre Grand Theft Auto: Vice City fonctionnant dans l’expérience web et indique que le projet peut également exécuter Command & Conquer: Red Alert 2.

L’auteur de la publication présente le projet comme une étape au-delà d’une autre page web de style macOS créée par la communauté. Au moment de l’examen, la publication X affichait environ 441,000 vues, 2,489 j’aime et 1,013 signets, ce qui suggère un fort intérêt pour les capacités de génération front-end de Kimi K3.

Ce que démontre la présentation

• Recréation d’une interface de système d’exploitation de bureau reconnaissable
• Plusieurs fenêtres superposées et des états d’interface utilisateur interactifs
• Intégration d’expériences de jeu jouables ou diffusées en streaming dans la page web
• La capacité à coordonner la conception visuelle, la logique applicative et une base de code front-end plus vaste

Ce que cela ne prouve pas

Le post public ne divulgue pas l’historique complet des prompts, le code source, le nombre de générations, les corrections manuelles, ni la contribution éventuelle d’autres modèles et outils. Il est donc préférable de le considérer comme une vitrine communautaire du développement front-end assisté par Kimi K3 — et non comme un benchmark indépendant de Kimi K3 ou une preuve que le modèle a généré l’intégralité du projet en une seule tentative.

Génération de scène 3D interactive : un environnement lacustre

Une autre publication communautaire de gimu montre un environnement lacustre 3D créé dans le cadre des tests de performance de l’auteur sur Kimi K3. La vidéo présente un paysage navigable avec une eau réfléchissante, des arbres denses, des montagnes environnantes et un panneau d’atmosphère à l’écran pour ajuster les paramètres environnementaux.

Le créateur affirme que la qualité du lac, de la forêt et du paysage montagneux a dépassé ses attentes et conclut que le résultat est meilleur qu’une précédente expérience de lac avec Claude Fable 5 incluse dans le même post. Au moment de l’examen, le post Kimi K3 affichait environ 212 000 vues, 1 268 likes et 555 signets.

La conclusion “meilleur que Fable 5” est l’évaluation subjective du créateur. Le post ne publie pas de méthode de notation standardisée, les prompts complets, le code source, les paramètres de génération ou la quantité de travail manuel impliquée ; il ne doit donc pas être considéré comme un benchmark contrôlé entre Kimi K3 et Fable 5.

Flux de travail de conception web : de la recherche visuelle à une page d’atterrissage terminée

Dans une tutoriel communautaire partagé par Viktor Oddy, Kimi K3 est utilisé dans un flux de travail d’environ 13 minutes pour créer ce que l’auteur décrit comme un site web « primé ». La vidéo montre le créateur rassemblant des références visuelles et travaillant sur le processus de conception avant de présenter un concept de page d’atterrissage soigné avec une typographie audacieuse, une illustration monochrome sobre, une navigation claire et des appels à l’action bien visibles.

C’est une conception web Kimi K3 vitrine car elle présente plus qu’une simple capture d’écran finale. Elle montre un flux de travail pratique qui passe de la direction visuelle et de la collecte de références à la génération et à l’itération de pages, ce qui le rend pertinent pour les concepteurs, les développeurs créatifs et les équipes utilisant l’IA pour le prototypage rapide de sites web.

Au moment de l’examen, la publication affichait environ 107 000 vues, 1 689 mentions J’aime et 2 223 favoris. Le nombre de favoris inhabituellement élevé suggère que les lecteurs ont trouvé le tutoriel utile en tant que flux de travail reproductible plutôt que comme une simple démonstration visuelle.

Kimi K3 contre Claude, Fable 5, Opus 4.8 et GLM-5.2

Ce tableau fournit un contexte d’appui pour l’évaluation. Les démos communautaires et les scores de référence sont des signaux utiles, mais les décisions de production nécessitent toujours des tests contrôlés sur votre propre charge de travail.

Kimi K3 vs Fable 5

Pour des recherches telles que Kimi K3 vs Fable ou Kimi K3 vs Fable 5, le positionnement de lancement de Moonshot affirme que Fable 5 reste globalement plus fort. Kimi K3 peut être plus attrayant lorsque les poids ouverts, une fenêtre de contexte documentée de 1M, le développement multimodal ou l’économie des API importent davantage ; testez les deux sur le flux de travail cible plutôt que de supposer qu’un seul gagne à chaque tâche.

Kimi K3 vs Claude

« Kimi K3 vs Claude » est une comparaison large car Claude comprend plusieurs gammes de modèles. Claude a un écosystème mature et des flux de travail de codage établis, tandis que Kimi K3 met l’accent sur les poids ouverts, la vision native, un contexte de 1M et des tâches d’agent de longue durée. Comparez le taux de réussite, la latence, la fiabilité des outils et le coût par tâche accomplie—et non pas seulement le prix des tokens.

Kimi K3 vs Opus 4.8

Dans Kimi K3 contre Opus 4.8, Opus est le choix de production le plus établi pour l’ingénierie logicielle avancée et le raisonnement agentique. Kimi K3 est en concurrence étroite ou en tête sur certains benchmarks de lancement, mais c’est l’option la plus récente pour les équipes privilégiant un contexte long, la multimodalité et une plus grande ouverture du modèle.

Kimi K3 contre GLM-5.2

La Kimi K3 contre GLM 5.2 comparaison est pertinente car les deux ciblent un travail à long horizon et prennent en charge un contexte de 1M de jetons. GLM-5.2 propose des poids sous licence MIT et des niveaux d’effort sélectionnables ; Kimi K3 est beaucoup plus grand et met l’accent sur la vision native et un travail de connaissances plus large. Leurs rapports de lancement indiquent respectivement 81,0 et 88,3 sur Terminal-Bench 2.1, mais des détails d’évaluation différents empêchent de considérer cet écart comme un résultat de comparaison directe clair.

Prix de l’API Kimi K3 : API officielle contre TokenHub

Le prix de l’API Kimi K3 dépend de l’endroit où l’on accède au modèle.

TokenHub répertorie actuellement des prix effectifs légèrement inférieurs à ceux de l’API officielle Kimi. Les prix peuvent changer, alors vérifiez la page du modèle en direct avant de calculer les budgets de production.

Par exemple, une requête TokenHub utilisant 100,000 jetons d’entrée non mis en cache et 20,000 jetons de sortie coûterait environ:

• Entrée: 0.1 × $2.8571 = $0.28571
• Sortie: 0.02 × $14.2857 = $0.285714
• Total estimé: environ $0.57

Si les mêmes 100,000 jetons d’entrée sont facturés comme lectures de cache, la part d’entrée tombe à environ $0.02857. Les coûts réels des agents peuvent être plus élevés car le raisonnement, les résultats des outils, les nouvelles tentatives et les longs historiques de conversation augmentent l’utilisation de jetons.

Avantages de Kimi K3

• Contexte de 1M de jetons pour les grands dépôts et collections de documents
• Vision native pour les captures d’écran, les interfaces et le développement visuel
• De solides premiers résultats en codage, recherche, raisonnement et évaluations à long contexte
• Routes compatibles OpenAI et Anthropic via TokenHub
• Mise en cache du contexte et une sortie open-weight annoncée

Limitations de Kimi K3

• Historique de production limité et dépendance significative aux évaluations de la période de lancement
• Les résultats varient selon l’effort de raisonnement, les outils et le harnais d’agent
• Un raisonnement approfondi et un long contexte peuvent augmenter la latence et le coût total
• L’auto-hébergement d’un modèle à 2.8T de paramètres nécessite une infrastructure substantielle
• Les agents à long contexte et utilisant des outils nécessitent toujours des contrôles de récupération, des autorisations, une journalisation et une revue humaine

Qui devrait tester Kimi K3?

Kimi K3 est particulièrement pertinent pour:

• Les développeurs travaillant avec de grands dépôts ou des agents de codage
• Les chercheurs qui synthétisent de longues collections de documents
• Les équipes front-end qui génèrent du code à partir de références visuelles
• Les applications qui réutilisent de manière répétée le contexte en cache
• Équipes évaluant des alternatives open-weight via une passerelle compatible OpenAI

Il peut être inutile pour des tâches courtes de classification, d’extraction ou de chat de routine qui peuvent être gérées par un modèle plus petit et moins cher.

Questions fréquemment posées

Comment utiliser Kimi K3 ?

Utilisez Kimi K3 via les applications Kimi, l’API officielle, Kimi Code, OpenCode ou TokenHub. Sur TokenHub, générez une clé API et appelez kimi-k3 via https://us-api.tokenhub.com/v1.

Kimi K3 est-il gratuit ?

Kimi propose un niveau d’adhésion gratuit, mais l’utilisation de K3 est basée sur des crédits et les limites d’accès dépendent du plan actuel. L’utilisation de l’API n’est pas gratuite : l’API Kimi officielle et TokenHub facturent par jeton. TokenHub exige un solde d’utilisation pour les requêtes de modèles payants, sauf si une promotion distincte ou un crédit d’essai est explicitement proposé.

Où puis-je obtenir une clé API Kimi K3 ?

Pour un accès direct à Moonshot, créez une clé API dans la console API Kimi. Pour accéder à Kimi K3 avec des modèles d’autres fournisseurs, créez une clé API TokenHub dans l’espace de travail TokenHub. Ces clés appartiennent à des services différents et ne sont pas interchangeables.

Quel ID de modèle utilise Kimi K3 ?

TokenHub utilise kimi-k3. Certaines intégrations Kimi Code et Kimi For Coding utilisent k3. Utilisez toujours l’identifiant documenté par le point de terminaison que vous appelez.

Kimi K3 fonctionne-t-il avec OpenCode ?

Oui. Utilisez la connexion officielle de Kimi For Coding ou configurez TokenHub comme fournisseur personnalisé compatible OpenAI avec l’identifiant de modèle kimi-k3.

Verdict final : Devriez-vous essayer Kimi K3 ?

Les spécifications, les premiers benchmarks et les projets communautaires de Kimi K3 justifient de le tester sur des charges de travail exigeantes. La démonstration sur Windows XP illustre son potentiel front-end, mais l’évaluation en production devrait toujours mesurer la réussite des tâches, les affirmations non étayées, la latence, l’utilisation des jetons, la fiabilité des outils et les corrections humaines nécessaires.

Essayez Kimi K3 sur TokenHub et exécutez-le sur votre propre dépôt, documents, images ou workflow d’agent à l’aide d’une clé API unifiée.