Kimi K2
Modèle open-weight de Moonshot AI, ici dans sa version K2.6 sortie en avril 2026 (la génération K3 a suivi en juillet). Architecture MoE de 1000 milliards de paramètres dont 32 milliards actifs par token, fenêtre de 256K, licence MIT modifiée, quantification INT4 native. Sur SWE-Bench Pro (résolution de vrais bugs GitHub), Moonshot annonce 58,6, devant GPT-5.4 (57,7) et Claude Opus 4.6 (53,4). Ce qui le distingue le plus, c'est l'essaim : il est entraîné à découper un long travail entre jusqu'à 300 sous-agents en parallèle, sur 4 000 étapes coordonnées (contre 100 et 1 500 pour K2.5), et Moonshot montre des exécutions autonomes de plus de douze heures d'affilée. Tu peux l'appeler via l'API Moonshot ou le charger en local pour les usages agentiques et le coding.
Forces
- Open-weight sérieux : devance GPT-5.4 et Claude Opus 4.6 sur SWE-Bench Pro selon Moonshot (58,6 contre 57,7 et 53,4), pas un modèle jouet
- Environ 80% moins cher par token que les flagships propriétaires équivalents, ce qui change la donne à fort volume
- MoE 1T/32B actifs avec INT4 natif : tu charges un très gros modèle sans la facture VRAM dense
- Licence MIT modifiée et poids ouverts : self-host possible, pas de lock-in fournisseur
Limites
- Héberger 1T de paramètres en local demande du matériel sérieux ou un provider dédié, pas pour un laptop
- Écosystème outillage (SDK, intégrations agentiques) moins mûr que côté Anthropic ou OpenAI
- Modèle récent qui itère vite (K2.6) : peu de recul production, à valider sur ton vrai cas avant de t'engager
- L'essaim de 300 sous-agents multiplie aussi les tokens consommés : un prix unitaire bas ne garantit pas une facture basse si tu lances tout en parallèle
Pour qui
- Équipes qui font de la génération de code à fort volume et veulent réduire la facture LLM sans perdre en qualité
- Builders d'agents qui veulent un modèle open-weight sérieux à router pour les tâches coûteuses en tokens
- Tech leads qui évaluent une stratégie multi-modèles pour échapper au lock-in propriétaire