Fiche modèle
Kimi K3
Moonshot · poids ouverts · sorti le 16/07/2026
Date de sortie, éditeur et accès : Epoch AI, CC BY 4.0. Fiche régénérée le 07/10/2026.
Taille
2 800 Md
104 Md actifs
Scores
Rang parmi les 274 modèles de l’indice ECI évalués par la même source. Un nom de benchmark mène à son explication.
| Benchmark | Score | Rang | Réglage | Source |
|---|---|---|---|---|
| Indice de capacités ECI (Epoch AI)Capacités générales | 157,5155,2–160,0 | 15 / 274 | Epoch AI, CC BY 4.0, non daté par la source, vu publié le 07/10/2026 | |
| LMArena texte, contrôle du styleConversation (préférence humaine) | 1 4881 484–1 493 | 12 / 166 | « kimi-k3-max » | LMArena, CC BY 4.0, publié le 02/10/2026 |
| GPQA Diamond (Epoch AI)Sciences | 93,1 %90,2–96,0 | 18 / 186 | réglage « kimi-k3_max » | Epoch AI, CC BY 4.0, publié le 16/07/2026 |
| FrontierMath, niveaux 1 à 3 (Epoch AI)Maths | 72,2 %67,0–77,4 | 21 / 81 | réglage « kimi-k3_max » | Epoch AI, CC BY 4.0, publié le 17/07/2026 |
| OTIS Mock AIME 2024-2025 (Epoch AI)Maths de concours | 97,2 %95,0–99,4 | 26 / 176 | réglage « kimi-k3_max » | Epoch AI, CC BY 4.0, publié le 16/07/2026 |
| SimpleQA Verified (Epoch AI)Connaissances factuelles | 50,6 %47,5–53,7 | 24 / 77 | réglage « kimi-k3_max » | Epoch AI, CC BY 4.0, publié le 27/08/2026 |
| SWE-bench Verified (Epoch AI) | non évalué par Epoch AI | |||
Sources : Epoch AI, « Capabilities & benchmarking », epoch.ai/benchmarks (CC BY 4.0) ; LMArena, leaderboard-dataset (Hugging Face), CC BY 4.0. Données adaptées : pourcentages, arrondis, meilleur réglage retenu, prix mélangé, rangs et frontière calculés ici.
Prix par fournisseur d’API
| Fournisseur | Entrée $/M | Sortie $/M | Mélangé | Clé LiteLLM |
|---|---|---|---|---|
| Moonshot AIéditeur | 3,00 $ | 15,00 $ | 6,00 $ | moonshot/kimi-k3 |
| Sail | 2,50 $ | 12,50 $ | 5,00 $ | sail/moonshotai/Kimi-K3 |
| Together AI | 2,70 $ | 13,50 $ | 5,40 $ | together_ai/moonshotai/Kimi-K3 |
| DeepInfra | 2,85 $ | 14,25 $ | 5,70 $ | deepinfra/moonshotai/Kimi-K3 |
| Baseten | 3,00 $ | 15,00 $ | 6,00 $ | baseten/moonshotai/Kimi-K3 |
| Databricks | 3,00 $ | 15,00 $ | 6,00 $ | databricks/databricks-kimi-k3 |
| Fireworks AI | 3,00 $ | 15,00 $ | 6,00 $ | fireworks_ai/kimi-k3 |
| Microsoft Azure AI Foundry | 3,00 $ | 15,00 $ | 6,00 $ | azure_ai/FW-Kimi-K3 |
| Nebius | 3,00 $ | 15,00 $ | 6,00 $ | nebius/moonshotai/Kimi-K3 |
| Novita AI | 3,00 $ | 15,00 $ | 6,00 $ | novita/moonshotai/kimi-k3 |
| Perplexity | 3,00 $ | 15,00 $ | 6,00 $ | perplexity/perplexity/kimi-k3 |
| Amazon Bedrock | 3,30 $ | 16,50 $ | 6,60 $ | moonshotai.kimi-k3 |
$ par million de jetons, tarif catalogue sans remise, sans cache ni traitement par lots. 12 offres rapprochées. Écart entre le moins cher (Sail, 5,00 $) et le plus cher : × 1,3. Relevé du 07/10/2026 ; vérifier chez le fournisseur avant de choisir. Sources : Prix : LiteLLM (BerriAI), licence MIT, © 2023 Berri AI. Données adaptées : pourcentages, arrondis, meilleur réglage retenu, prix mélangé, rangs et frontière calculés ici.
L’héberger soi-même
- Accès aux poids
- poids ouverts, usage non commercial (Epoch AI, CC BY 4.0)
- Licence
- Kimi K3 License (carte du dépôt, déclaration de l’éditeur lue le 01/10/2026 ; lire la licence avant tout usage commercial)
- Taille
- 2 800 Md de paramètres, dont 104 Md actifs à chaque jeton (modèle à experts) (Epoch AI, CC BY 4.0 ; confiance d’Epoch : Speculative ; note : « 104 billion active parameters »)
- Poids
- huggingface.co/moonshotai/Kimi-K3 (dépôt rapproché par la table de correspondance, existence vérifiée auprès de Hugging Face le 01/10/2026)
Mémoire nécessaire
| Format des poids | Poids seuls | Ordre de grandeur du matériel |
|---|---|---|
| BF16 (pleine précision usuelle) | 5 600 Go | plusieurs serveurs à huit cartes |
| FP8 / 8 bits | 2 800 Go | plusieurs serveurs à huit cartes |
| 4 bits (GGUF Q4_K_M, environ 4,8 bits par paramètre) | 1 680 Go | plusieurs serveurs à huit cartes |
Calcul du Crible : 2 800 Md de paramètres × 2 octets (BF16), × 1 (FP8), × 0,6 environ (4 bits). Ajouter le cache de contexte, qui grandit avec la longueur des conversations et le nombre d’utilisateurs. Un modèle à experts doit charger tous ses paramètres en mémoire, mais n’en calcule que 104 Md par jeton : il répond plus vite que sa taille ne le laisse penser.
Outils
- vLLM (serveur, cartes graphiques) :
vllm serve moonshotai/Kimi-K3sert le dépôt Hugging Face derrière une API compatible OpenAI. Le modèle doit être pris en charge par la version installée. - llama.cpp (ordinateur, processeur ou carte graphique) : lit les poids au format GGUF, souvent publiés en 4 bits par la communauté. Chercher une version GGUF (rien ne garantit qu’elle existe ni qu’elle est fidèle), puis
llama-server -hf <dépôt GGUF>. - Ollama (le plus simple sur un ordinateur) :
ollama run hf.co/<dépôt GGUF>lance une version GGUF publiée sur Hugging Face.
Commandes d’après la documentation de chaque outil (liens ci-dessus). Les tailles, l’accès et les liens viennent des sources citées ; de Hugging Face, Le Crible ne reprend que l’adresse du dépôt et l’identifiant de licence déclaré sur sa carte. Sources : Epoch AI, « Data on AI models », epoch.ai/data/ai-models (CC BY 4.0) ; LMArena, leaderboard-dataset (Hugging Face), CC BY 4.0. Données adaptées : pourcentages, arrondis, meilleur réglage retenu, prix mélangé, rangs et frontière calculés ici.
Évolution
- 07/10/2026 · Together AI, prix d'entrée : 3,00 $ → 2,70 $
- 07/10/2026 · Together AI, prix de sortie : 15,00 $ → 13,50 $