Kimi K3.1 Pro monte en puissance sur le code et la sécurité

Moonshot AI a présenté le 24 octobre 2026 Kimi K3.1 Pro, premier modèle de sa série K3.1, avec une déclinaison Kimi K3.1 Pro Highspeed censée aller deux à trois fois plus vite à capacités identiques. Le modèle est annoncé comme le plus avancé des modèles open-weight « 3T-class » de l’entreprise, avec une fenêtre de contexte d’1 million de tokens. Autrement dit, de quoi faire entrer un très gros dossier dans la mémoire de travail sans pousser le bureau par la fenêtre.

Un modèle pensé pour les longs enchaînements, pas pour les slogans

La promesse centrale tient dans la combinaison entre longueur de contexte et capacité de raisonnement. Moonshot AI présente K3.1 Pro comme une version post-entraînée de Kimi K3, appuyée sur un compute de post-training nettement plus important et sur une pile technique retravaillée à tous les étages : renforcement, inférence long contexte, efficacité d’entraînement, infrastructure sandbox et planification des rollouts.

Dans les usages, le modèle arrive partout où l’entreprise diffuse Kimi : sur Kimi.ai, dans les applications mobiles iOS, Android et HarmonyOS, dans Kimi Work pour Windows et les Mac Apple silicon, dans Kimi Code via la commande /model, et via l’API sous les noms kimi-k3.1-pro et kimi-k3.1-pro-highspeed. Les administrateurs Enterprise peuvent l’activer pour leur organisation, mais l’accès reste désactivé par défaut au lancement.

Des résultats élevés, mais surtout très ciblés

Moonshot AI met en avant plusieurs scores sur des benchmarks spécialisés. Sur Terminal-Bench 4.0, qui teste des agents de codage dans des tâches terminales réalistes et contraintes en ressources, K3.1 Pro atteint 65,7 %, devant GPT-6 Astra à 58,2 % et juste derrière Claude Opus 5.5 à 66,4 %. Sur Kimi Code Bench 3.0 Long-horizon, il monte à 61,2 %, contre 55,95 % pour K3. Sur BenchCAD, orienté reconstruction 3D et génération de code CAD, le modèle affiche 92,7 % avec outils, proche de Claude Opus 5.5 à 96,2 % et de GPT-6 Astra à 95,9 %.

L’entreprise dit aussi voir des gains nets sur la finance et sur la réduction des erreurs factuelles. K3.1 Pro atteint 64,4 sur OfficeQA Pro v2, un test d’analyse de données fiscales à partir de documents financiers réels, et progresse de 7,2 points sur Financial Modeling, de 11,6 points sur Financial Research, ainsi que d’environ 4,2 fois sur Business Operation par rapport à K3. Sur Kimi Hallu Bench Hard, le taux d’hallucination au niveau des affirmations tombe de 23,4 % à 8,3 %, tandis que la part de réponses contenant au moins une erreur factuelle diminue à 42,4 % du niveau du modèle précédent. Moonshot précise que ce banc d’essai vise des situations particulièrement sensibles aux erreurs et ne reflète pas le taux d’erreur global en usage courant.

La cybersécurité, angle sensible d’un lancement open-weight

Le point le plus délicat du lancement n’est pas la vitesse, mais la sécurité. Moonshot AI explique avoir observé une montée régulière des performances en recherche de vulnérabilités à mesure que le post-training s’étoffait, notamment à cause de contenus cyber intégrés dans le corpus général et dans le mix des tâches de renforcement. Pour la version open-weight de K3.1 Pro, l’entreprise dit avoir retiré ces données des deux phases d’entraînement tout en conservant les tâches de codage généralistes nécessaires à l’utilité du modèle.

Sur son benchmark interne xdev-bench-hard, un checkpoint entraîné sans ces mesures de réduction des risques résout 90,5 % des problèmes en pass@3, contre 81,0 % pour le modèle final. Moonshot en déduit que le retrait des données réduit bien la capacité cyber par rapport à ce que la même chaîne d’entraînement produirait sinon. La société ajoute que K3.1 Pro reste en deçà des modèles propriétaires frontaliers publiquement disponibles depuis au moins trois mois [à vérifier].

Pourquoi Moonshot encadre autant sa sortie

Le message de fond est assez clair : Moonshot veut diffuser largement un modèle ouvert, mais sans pousser trop loin la capacité offensive en cybersécurité. L’entreprise dit ne pas vouloir publier de poids ouverts qui prolongeraient la frontière absolue des capacités cyber, tout en voulant relever progressivement le niveau disponible dans les modèles open-weight. Sa logique est aussi défensive : rendre l’audit de code plus accessible, y compris pour des systèmes anciens qui reçoivent rarement des revues de sécurité dédiées.

Les documents Kimi Code précisent aussi le cadre d’usage. Le modèle k3.1-pro est décrit comme un flagship 3T-parameter avec une fenêtre de contexte pouvant aller jusqu’à 1 048 576 tokens pour les membres des niveaux supérieurs. La version Highspeed consomme à peu près deux fois plus de quota, mais conserve les mêmes capacités. Les modèles n’acceptent que le mode thinking ; toute requête sans raisonnement est rejetée avec une erreur HTTP 400. Ils prennent aussi en charge des réglages reasoning_effort de low, high ou max, ce dernier étant le réglage par défaut.

Moonshot recommande de repartir sur une nouvelle session plutôt que de basculer au milieu d’un échange, et de passer par les API natives pour obtenir le rendu le plus stable. Enfin, les identifiants doivent être saisis exactement dans les outils tiers, faute de quoi la requête peut retomber sur K2.8 Preview sans réflexion. Les poids complets de Kimi K3.1 Pro doivent être publiés au plus tard le 4 novembre 2026.