Kimi K2, K2 Thinking et K3 en détail : la gamme de modèles de Moonshot AI expliquée

Quiconque s’intéresse plus en détail à la gamme de modèles de Moonshot AI tombe rapidement sur toute une série de dénominations : Kimi K2, Kimi K2 Thinking, K2.5, K2.6, K2.7 Code et enfin K3. Contrairement à de nombreux fournisseurs occidentaux, qui divulguent rarement leurs versions de modèles, Moonshot AI publie pour chaque version majeure des rapports techniques ainsi que les poids de modèles eux-mêmes en téléchargement. Pour les personnes intéressées du secteur immobilier et financier, un examen plus approfondi en vaut la peine, car derrière les numéros de version se cachent des différences concrètes en matière de fenêtre de contexte, de charge de calcul et de capacités d’agent – et donc aussi sur la question de savoir à quoi un modèle sert réellement dans le travail quotidien.

Du modèle de recherche au poids lourd : la gamme Kimi K2

Kimi K2 : la base technique

La version originale de Kimi K2 a été présentée en juillet 2025 et décrite en détail dans un rapport technique (« Kimi K2 : Open Agentic Intelligence »). Techniquement, il s’agit d’un modèle dit à mélange d’experts (Mixture-of-Experts, MoE) : au lieu d’un seul réseau neuronal continuellement actif, le modèle se compose de nombreux sous-réseaux spécialisés (« experts »), dont seule une petite partie est effectivement activée par requête. Pour Kimi K2, selon Moonshot AI, il s’agit au total d’environ mille milliards de paramètres, dont environ 32 milliards sont réellement utilisés à chaque requête. Le modèle se répartit sur 384 experts, dont 8 sont sélectionnés spécifiquement par segment de texte, complétés par un expert « partagé » toujours actif.

Cette architecture explique pourquoi Kimi K2, malgré sa taille totale énorme, peut être exploité de manière relativement économique : il n’est pas nécessaire de calculer l’ensemble des mille milliards de paramètres pour chaque requête, mais seulement une petite partie sélectionnée. Selon Moonshot AI, le modèle a été entraîné avec une méthode d’optimisation spécialement développée (MuonClip), censée améliorer la stabilité de l’entraînement pour des modèles MoE aussi vastes. La version de base originale offrait une fenêtre de contexte de 128 000 tokens, tandis que la version Instruct publiée simultanément (pour les dialogues et les instructions) a été étendue à 256 000 tokens.

Kimi K2 Thinking : réfléchir et agir dans un seul modèle

À l’automne 2025, selon des rapports concordants de novembre 2025, Moonshot AI a présenté avec « Kimi K2 Thinking » une variante intégrant en plus une réflexion approfondie et à plusieurs étapes avant la réponse proprement dite, pouvant déjà, pendant ce processus de réflexion, faire appel à des outils (par exemple une recherche web ou une calculatrice). Selon les données de benchmark disponibles, le modèle a atteint une valeur d’environ 71 % sur le test de programmation connu « SWE-Bench Verified » et a pu, dans des scénarios de test, effectuer de manière autonome plusieurs centaines d’appels d’outils consécutifs pour résoudre des tâches complexes et de longue durée. Moonshot AI s’est ainsi positionné délibérément dans le domaine des modèles dits agents, qui ne se contentent pas de répondre, mais planifient et exécutent de manière autonome des tâches à plusieurs étapes.

Le développement de 2026 : K2.5, K2.6 et K3

Au cours de l’année 2026, Moonshot AI a publié plusieurs nouvelles étapes de développement. Selon des sources concordantes mais pas toujours uniformes, K2.5 est paru, suivi en avril 2026 de K2.6 avec une fenêtre de contexte étendue à 256 000 tokens et des capacités de programmation améliorées, puis d’une variante spécialisée dans les tâches de programmation nommée K2.7 Code. En juillet 2026 a finalement suivi Kimi K3, qui, selon le fabricant, se présente avec une fenêtre de contexte agrandie à environ 1 million de tokens et un traitement d’image natif (vision) – selon Moonshot AI, quatre fois plus grande que la fenêtre de contexte de K2.6. Concernant la taille exacte des paramètres de K3, différentes sources circulent avec des indications divergentes (parfois de l’ordre de deux à trois mille milliards de paramètres au total) ; un chiffre officiel uniforme et définitif ne peut actuellement pas être confirmé avec une certitude absolue, c’est pourquoi on parle ici délibérément d’un ordre de grandeur plutôt que d’un chiffre exact.

Qu’est-ce qui rend les modèles Kimi particuliers techniquement et stratégiquement ?

Poids ouverts avec condition commerciale

Moonshot AI publie les poids de modèles de K2 et de ses successeurs sous une licence MIT modifiée, formulée par l’entreprise elle-même. Il s’agit essentiellement d’une licence open source très libre, qui autorise également une utilisation commerciale. Une particularité : quiconque exploite un produit ou un service basé sur ces modèles avec plus de 100 millions d’utilisateurs actifs par mois ou plus de 20 millions de dollars américains de chiffre d’affaires mensuel doit afficher visiblement la mention « Kimi K2 » dans sa propre interface. Pour la grande majorité des cas d’usage plus petits et moyens – y compris dans le secteur immobilier – cette clause n’a pratiquement aucun effet en pratique, mais elle montre que « ouvert » chez Kimi n’est pas tout à fait sans conditions.

Capacités d’agent et grande fenêtre de contexte

L’accent stratégique des modèles Kimi porte clairement sur les capacités dites d’agent : la possibilité de traiter de manière autonome des tâches à plusieurs étapes avec utilisation d’outils, accès au web et exécution de code, plutôt que de simplement répondre à des questions individuelles. Combinée à une fenêtre de contexte très large – environ un million de tokens pour K3 –, cela permet de traiter en une seule fois de très vastes ensembles de documents, par exemple plusieurs centaines de pages de documents contractuels ou une collection importante de documents relatifs à un bien.

À retenir : la grande fenêtre de contexte permet de lire simultanément un très grand nombre de documents – cela ne remplace toutefois pas un contrôle attentif du résultat, car même une grande fenêtre de contexte ne protège pas contre les erreurs ou les omissions dans le résultat.

Exemples d’application pratiques

1. Résumé automatisé de vastes ensembles de dossiers

Un employé d’une gestion immobilière pourrait faire lire, via l’API, plusieurs centaines de décomptes de charges ou de procès-verbaux d’assemblées de copropriétaires en un seul passage, afin de faire signaler automatiquement des anomalies – par exemple des postes de coûts inhabituellement élevés. La grande fenêtre de contexte de K2.6 ou de K3 rend cela techniquement possible, sans avoir à diviser au préalable les documents en de nombreux petits morceaux.

2. Ébauche et mise en page d’un dossier de vente

En mode agent, un agent immobilier peut faire créer une première version d’ébauche à plusieurs pages d’un dossier de présentation d’un bien, incluant une représentation web simple, qui est ensuite vérifiée manuellement sur le plan rédactionnel et comparée aux données réelles et juridiquement contraignantes du bien.

3. Aide à la programmation pour des outils internes

Comme les modèles Kimi obtiennent des résultats particulièrement solides dans les benchmarks de tâches de programmation, certains services informatiques d’entreprises immobilières utilisent Kimi pour créer de petits scripts d’automatisation internes, par exemple pour comparer des listes de loyers entre deux systèmes logiciels.

4. Recherche et veille de marché

Via la fonction de navigation web du mode agent, un modèle peut être utilisé pour l’observation continue de données de marché publiquement accessibles, par exemple pour résumer l’évolution des taux d’intérêt ou des rapports généralement accessibles sur le marché immobilier – il est important ici de travailler exclusivement avec des sources publiquement disponibles et non personnelles.

5. Communication multilingue

Pour des portefeuilles immobiliers internationaux, un employé financier peut utiliser Kimi pour traduire des lettres standard ou des résumés entre plusieurs langues – ici aussi, cependant, s’applique la restriction décrite précédemment concernant les contenus à caractère personnel.

À retenir : plus la quantité de données qu’un modèle traite en un seul passage est importante, plus la question de savoir où exactement ces données se trouvent pendant le traitement devient importante – performance et protection des données sont deux questions distinctes qui doivent toutes deux recevoir une réponse.

FAQ sur les modèles Kimi

Quelle est la différence entre Kimi K2 et Kimi K2 Thinking ?

Kimi K2 est le modèle de base original, Kimi K2 Thinking est une variante présentée en novembre 2025 qui intègre, avant la réponse, une réflexion plus approfondie et à plusieurs étapes avec utilisation d’outils, et obtient ainsi de meilleurs résultats sur des tâches complexes.

Quelle est la taille de la fenêtre de contexte des modèles actuels ?

Les modèles de la gamme K2 offrent généralement 256 000 tokens de contexte, tandis que Kimi K3, présenté en juillet 2026, est annoncé avec environ un million de tokens.

Les modèles Kimi sont-ils vraiment open source ?

Les poids de modèles sont librement accessibles et publiés sous une licence MIT modifiée très libre. Une particularité est l’obligation d’attribution pour les applications commerciales très importantes (plus de 100 millions d’utilisateurs ou 20 millions de dollars américains de chiffre d’affaires mensuel).

Les modèles se prêtent-ils aux tâches de programmation ?

Oui, la gamme Kimi K2 et en particulier la variante spécialisée K2.7 Code obtiennent des résultats relativement solides dans les benchmarks publics de programmation et sont fréquemment utilisés pour des agents de codage.

Puis-je exploiter les modèles moi-même, plutôt que d’utiliser le site web de Kimi ?

Oui, car les poids sont publiés ouvertement, ils peuvent être exploités via différents fournisseurs cloud ou sur du matériel propre. Cela requiert cependant des connaissances techniques et une capacité de calcul suffisante, car il s’agit de modèles très volumineux.

Les informations de base sur l’entreprise Moonshot AI, les prix et la protection des données se trouvent sur notre page fournisseur. Un comparatif de tous les dix fournisseurs d’IA du cluster se trouve sur la page d’aperçu.