Kimi K3 : guide complet du modèle phare 2.8T de Moonshot

Moonshot AI a lancé Kimi K3 à la mi-juillet 2026, mais dans l'ordre inverse des habitudes : la documentation API, la page des tarifs et un identifiant de modèle kimi-k3 fonctionnel sont apparus avant le moindre tableau de benchmarks, article technique ou publication des poids^[1]. Une semaine de discussions fondées sur des fuites a comblé le vide, avec presque toujours au moins une donnée erronée. Ce guide rassemble la version issue de la propre documentation de Moonshot : ce qui est confirmé, ce qui est volontairement fixe et ce qui reste inédit.

Notre point de vue est aussi précis : Kimi K3 est disponible sur la passerelle reAPI. Les sections suivantes expliquent donc autant le modèle que son utilisation réelle — les paramètres qui font rejeter une requête, le comportement du cache qui détermine la facture et les pièges qui attendent le code K2.x lors d'une migration.

En bref

• Kimi K3 est un modèle phare de 2.8 billions de paramètres, fondé sur Kimi Delta Attention, un mécanisme hybride d'attention linéaire, et Attention Residuals. Son Stable LatentMoE active 16 experts parmi 896 pour chaque token^[1][3].
• La fenêtre de contexte atteint 1 048 576 tokens avec un tarif uniforme, sans palier pour le contexte long. L'API native de Moonshot fixe le plafond de sortie par défaut à 131 072 et accepte jusqu'à 1 048 576, à condition que l'entrée plus ce plafond tiennent dans la fenêtre^[1][2][9].
• Le raisonnement est toujours actif. Le seul réglage est reasoning_effort, à trois niveaux (low / high / max, sans medium), avec max par défaut^[4].
• L'échantillonnage est verrouillé : temperature 1.0, top_p 0.95, n 1 et les deux pénalités à 0. Toute autre valeur provoque une erreur^[1].
• Le tarif publié de Moonshot est de $3.00 en entrée / $15.00 en sortie par 1M tokens (entrée trouvée en cache $0.30), vérifié le 23 octobre 2026 ; les écritures ont des tarifs distincts selon le TTL. reAPI affiche actuellement $2.50 en entrée et $0.25 en lecture du cache. Le montant de sortie reAPI de $12.00 de ce guide est conservé de juillet 2026 ; ce n’est pas une cotation actuelle^[2][8].
• La vision est native pour les images et les vidéos, mais les URL d'images publiques sont refusées : utilisez du base64 ou une référence de fichier importé^[5].

Kimi K3 en un coup d'œil

Toutes les données de ce tableau viennent de la documentation API de Moonshot, consultée le 26 juillet 2026 :

Deux chiffres méritent un second regard. Avec 2.8T paramètres, K3 entre dans une catégorie encore jamais occupée par un modèle à poids ouverts. Moonshot s'est engagé à publier ses poids, ce qui en ferait le premier modèle open source de la classe des 3 billions^[3]. Puis il y a le tarif : à $3.00 / $15.00, K3 coûte trois à quatre fois plus que la gamme K2. Moonshot le positionne en modèle phare de pointe et non en option économique, contrairement à ce qu'évoquait auparavant le nom Kimi, tout en restant moins cher que les modèles fermés de pointe en entrée comme en sortie.

Le lancement : l'API d'abord, les preuves ensuite

L'ordre du déploiement explique les informations contradictoires encore en circulation. Avant le lancement, des observateurs ont vu une page promotionnelle apparaître brièvement sur la plateforme Moonshot et des sélecteurs bêta dans l'application Kimi. Les fuites ont convergé vers « environ 2.5T paramètres et 1M de contexte ». C'était proche, mais le chiffre officiel est 2.8T. Une vidéo muette publiée par le compte officiel de Moonshot a suivi, puis le produit a devancé le cycle médiatique : documentation API, guide de démarrage et page de prix ont été mis en ligne le jour des premiers articles financiers sur le lancement^[1][2].

Cette séquence — API et documentation avant benchmarks et poids — inverse celle des modèles phares K2, tous lancés avec un article technique complet et des poids ouverts dès le premier jour. Conséquence pratique : pendant la première semaine de K3, la documentation constituait l'unique source fiable ; tout le reste relevait de l'inférence.

Architecture : Kimi Delta Attention, LatentMoE et Attention Residuals

La phrase la plus intéressante techniquement dans la documentation indique que K3 est « construit sur Kimi Delta Attention, un mécanisme hybride d'attention linéaire, et Attention Residuals »^[3]. Ce n'est pas du vocabulaire marketing : il s'agit du déploiement en production de la recherche Kimi Linear publiée par Moonshot fin 2025. La comprendre explique à la fois la fenêtre de 1M tokens et le tarif uniforme qui la rend exploitable^[6].

Kimi Delta Attention (KDA) est un mécanisme d'attention linéaire, dérivé de Gated DeltaNet avec un contrôle plus fin. Le cache clé-valeur de l'attention softmax standard grandit linéairement avec la séquence, rendant les contextes d'un million de tokens extrêmement chers. L'attention linéaire conserve à la place un état récurrent de taille fixe. Historiquement, la qualité en souffrait : l'attention purement linéaire perd en rappel précis dans les longs documents.

La disposition hybride résout ce compromis dans l'article Kimi Linear : elle alterne couches KDA et couches d'attention complète selon un ratio 3:1. Trois couches sur quatre utilisent le mécanisme linéaire économique, tandis que la quatrième conserve une attention globale exacte. Dans les résultats publiés, cette configuration dépasse l'attention complète sur les benchmarks de qualité, réduit la mémoire du KV-cache jusqu'à 75% et accélère le décodage jusqu'à 6x avec un contexte de 1M tokens^[6].

Stable LatentMoE est la configuration sparse mixture-of-experts : 896 experts, dont 16 actifs par token^[3]. Cette parcimonie rend un modèle de 2.8T exploitable : le calcul actif pour chaque token ne représente qu'une petite partie des paramètres totaux.

Attention Residuals reste le seul composant sans article publié ; le terme apparaît pour la première fois dans la documentation de K3. Avant un rapport technique, la position honnête consiste à dire que nous connaissons son nom, pas son mécanisme.

Pourquoi cela compte en pratique : une fenêtre de 1M tokens ne vaut que si son coût reste viable. La plupart des fournisseurs augmentent leurs tarifs pour les contextes très longs ou dégradent discrètement le service. La documentation de K3 affirme qu'il n'existe aucun palier : le tarif par token reste identique avec 5,000 ou 900,000 tokens^[2]. Cette décision n'est rationnelle que si le coût marginal du contexte long s'est réellement effondré, précisément le rôle de KDA. L'architecture raconte l'histoire du prix.

Ce que l'API fournit réellement

L'API K3 impose des choix qui surprendront les équipes venant de K2.x ou de modèles au format OpenAI. Il s'agit de contraintes documentées, pas de simples observations^[1] :

• Le raisonnement est toujours actif. Aucun mode sans réflexion : à la question « comment désactiver la chaîne de pensée », la FAQ de Moonshot répond simplement que c'est impossible. Le champ racine reasoning_effort propose low, high et max. Il n'existe pas de medium, et le niveau le plus coûteux, max, est utilisé par défaut^[4].
• L'échantillonnage est fixe. temperature vaut toujours 1.0, top_p 0.95, n 1 et les deux paramètres de pénalité 0. Toute autre valeur déclenche une erreur ; mieux vaut donc les omettre. Si votre pipeline ajuste la température par tâche, ce levier disparaît.
• Le budget de sortie doit tenir dans la fenêtre avec l'entrée. L'API native de Moonshot fixe max_completion_tokens à 131 072 par défaut et accepte jusqu'à 1 048 576. Si l'entrée plus ce plafond dépassent la fenêtre, elle renvoie invalid_request_error. Le plus grand paramètre ne garantit pas une réponse finale d'un million de tokens. Fixez explicitement le plafond et gardez de la place pour l'entrée, le raisonnement et la réponse^[9].
• Le streaming sépare raisonnement et réponse. Les réponses en flux transmettent des deltas reasoning_content distincts des deltas content, ce qui permet à une interface d'afficher séparément la réflexion et la réponse finale.
• La conservation du raisonnement est obligatoire. Dans les boucles multi-tours et d'appels d'outils, le message assistant complet — reasoning_content et tool_calls inclus — doit être renvoyé sans modification dans messages. Ne conserver que content, habitude fréquente du code inspiré d'OpenAI, dégrade silencieusement le modèle.
• La vision comporte des limites nettes. Images et vidéos sont acceptées nativement, mais pas les URL d'images publiques. Envoyez des URI de données base64 ou importez un fichier et utilisez son ID^[5].
• La sortie structurée est native. Un JSON Schema avec strict: true contraint le champ de réponse finale, mais pas le raisonnement en prose.

La nouvelle pile d'appel d'outils

Deux fonctions apparaissent avec K3. Elles répondent au même problème : les agents qui disposent de nombreux outils gaspillent du contexte dans leurs définitions^[1].

tool_choice: "required" impose au moins un appel d'outil pendant le tour. Cela empêche l'agent de répondre de mémoire quand il devait effectuer une recherche. Les modèles K2 refusent cette valeur ; K3 l'accepte.

Le chargement dynamique d'outils est plus original : placez une définition complète d'outil dans un message system au milieu de la conversation, avec un champ tools et sans content. L'outil devient alors disponible. Au lieu d'ajouter d'emblée 80 schémas à chaque requête, l'orchestrateur les injecte lorsque la phase du workflow les exige. Attention : le serveur ne conserve pas l'outil chargé ; gardez ce message system dans l'historique, sinon l'outil disparaît au tour suivant.

Un avertissement de la documentation mérite d'être repris : l'outil web_search intégré de Moonshot est signalé comme en cours de mise à jour et n'est pas recommandé en production. Apportez votre propre recherche si votre agent en a besoin.

Cache de contexte automatique

Le cache actuel de K3 chez Moonshot est automatique, avec un TTL par défaut de 5m et un TTL facultatif de 1h défini par prompt_cache_options.ttl. Aux tarifs en USD vérifiés le 23 octobre 2026, les écritures en cache coûtent $3.00 par 1M tokens pour 5m ou $6.00 pour 1h ; les lectures coûtent $0.30, et le reste de l’entrée hors cache $3.00. Chaque succès renouvelle le TTL initial sans nouveaux frais d’écriture. Le tarif de lecture est inférieur de 90% au tarif d’entrée ordinaire, mais cette réduction concerne la partie trouvée en cache, pas la requête ou la facture entière.^[10]

Dans l’usage Chat Completions de Moonshot, les lectures du cache, les écritures et le reste de l’entrée hors cache sont des parties mutuellement exclusives du total d’entrée. N’ajoutez pas le tarif d’entrée ordinaire aux tokens déjà comptés comme écritures en cache. Le coût des tokens, avec toutes les quantités en millions, se calcule ainsi :

USD cost = uncached input × $3.00
         + 5m cache writes × $3.00
         + 1h cache writes × $6.00
         + cache reads × $0.30
         + output × $15.00

Le TTL est fixé lors de la première écriture d’une entrée ; pour le modifier, il faut laisser expirer l’entrée existante avant une nouvelle écriture. Les blocs partiels qui ne peuvent pas être stockés sont facturés comme entrée hors cache. Il s’agit des règles de facturation de l’API directe de Moonshot. La page du modèle reAPI affiche séparément $0.25 par 1M tokens de lecture du cache ; ne supposez pas que le tarif d’écriture de Moonshot s’applique également chez reAPI.^[10][8]

La documentation de juillet 2026 décrivait aussi un seuil supérieur à 256 tokens pour le prompt précédent et l’invalidation du cache lorsque reasoning_effort change^[4]. Ces anciennes conditions ne décrivent pas entièrement le cache actuel : le TTL, la correspondance des préfixes et les règles de blocs ci-dessus régissent aussi la réutilisation. Gardez le préfixe et l’effort stables, et contrôlez l’usage réel du cache au lieu de présumer un succès.

Les premières mesures tierces indiquent que le mécanisme fonctionne : les statistiques en direct d'OpenRouter pour K3 ont affiché plus de 75% de cache touché, ramenant le prix moyen pondéré de l'entrée nettement sous le tiers du tarif catalogue^[7].

kimi k3 pricing

Selon la vérification du 23 octobre 2026, les tarifs API de Moonshot en USD sont de $3.00 en entrée, $0.30 en entrée trouvée en cache et $15.00 en sortie par 1M tokens ; les écritures utilisent les tarifs distincts de 5m et 1h indiqués plus haut. La page actuelle de reAPI affiche $2.50 en entrée et $0.25 en lecture du cache par 1M tokens. Le tarif de sortie reAPI de $12.00 ci-dessous est une cotation historique de juillet 2026, conservée de l’instantané tarifaire initial de ce guide ; ce n’est pas le tarif de sortie actuel. Consultez la page du modèle Kimi K3 pour vérifier le tarif en vigueur avant d’établir votre budget.^[2][8]

La plateforme chinoise de Moonshot publie une grille distincte en RMB : ¥20.00 en entrée hors cache, ¥2.00 en entrée trouvée en cache et ¥100.00 en sortie par 1M tokens. Les écritures coûtent ¥20.00 pour 5m ou ¥40.00 pour 1h par 1M tokens. Ce sont des prix publiés en RMB, pas une conversion de la grille en USD. Utilisez le tarif et la devise de la plateforme qui facture votre compte.^[11]

Moonshot précise qu’aucun palier tarifaire ne dépend de la longueur du contexte : le tarif par token n’augmente pas pour un prompt plus long, même si davantage de tokens coûtent davantage. Ses tarifs en USD excluent les taxes applicables. L’inférence API est facturée à l’usage et reste distincte des abonnements Kimi ou Kimi Code.^[1][2]

La comparaison suivante avec la famille et les modèles de pointe conserve l’instantané tarifaire de juillet 2026 de ce guide (USD par 1M tokens, entrée hors cache). C’est un contexte historique, pas une cotation actuelle entre fournisseurs :

Dans cette comparaison de juillet 2026, K3 coûtait trois à quatre fois plus que les modèles de sa famille et 40–50% moins que les modèles fermés de pointe cités. Moonshot mise sur une fenêtre de 1M tokens, l’entrée vidéo native et des capacités de pointe pour justifier une catégorie premium parmi les modèles à poids ouverts.

La vitesse est l'astérisque honnête. Les premières mesures tierces donnent K3 à environ 28 tokens par seconde et quatre secondes avant le premier token^[7]. Rien d'étonnant pour un modèle de cette taille avec raisonnement permanent, mais c'est lent. K3 privilégie la profondeur par appel, pas les appels par minute ; les boucles interactives sensibles à la latence nécessitent un autre modèle.

Dernier point : Moonshot réduit fortement sa gamme. La série historique moonshot-v1 et d'anciennes variantes K2.x sont fermées aux nouveaux utilisateurs, avec un arrêt complet de la plateforme annoncé pour fin août 2026. Moonshot veut faire migrer tout le monde vers K3.

Migrer depuis K2.x : liste pratique

Si vous utilisez K2.6 ou K2.7-Code, la migration reste limitée mais réelle :

1. Remplacez l'ID du modèle par kimi-k3 ; l'API reste compatible OpenAI.
2. Remplacez le paramètre thinking par reasoning_effort à la racine. L'objet thinking de K2 n'existe pas dans K3 et déclenche une erreur.
3. Supprimez les paramètres d'échantillonnage. Retirez temperature, top_p et les pénalités des requêtes K3 : le serveur les fixe et toute autre valeur est rejetée.
4. Choisissez l'effort consciemment. max est le niveau par défaut et le plus coûteux ; les tokens de raisonnement sont facturés en sortie. Passez à high ou low si la tâche ne mérite pas ce coût, sans changer pendant la conversation pour ne pas invalider le cache.
5. Recalculez vos coûts. Au tarif catalogue, les tokens de sortie coûtent 3.75x le prix de K2.6 et le raisonnement permanent en augmente le volume. Compensez avec le cache automatique : préfixe stable au début, suffixe variable à la fin.
6. Adaptez l'ingestion visuelle si vous utilisiez des URL d'images publiques. K3 n'accepte que le base64 ou des références de fichiers importés^[5].
7. Renvoyez chaque message assistant au complet, avec reasoning_content et tool_calls, à chaque tour.

À qui K3 convient-il aujourd'hui ?

D'après les seuls faits confirmés, K3 convient aujourd'hui aux travaux longs où la qualité par tâche prime sur le prix par token : agents de programmation actifs plusieurs heures dans de grands dépôts, corpus d'un million de tokens interrogés à répétition avec un préfixe en cache et tâches multimodales réunissant images, vidéo et code dans un même contexte.

Ce n'est pas le bon choix pour les produits interactifs sensibles à la latence — 28 tokens/sec correspondent à un autre type d'outil —, les pipelines qui exigent un échantillonnage réglable, puisque tout est verrouillé, ou l'optimisation pure des coûts, réservée aux niveaux moins chers.

Exécuter Kimi K3 avec reAPI

La route actuelle de K3 chez reAPI utilise Chat Completions compatible OpenAI à l’adresse https://reapi.ai/api/v1/chat/completions. Définissez l’URL de base du SDK sur https://reapi.ai/api/v1, envoyez une clé API de l’espace de travail reAPI comme jeton bearer et utilisez kimi-k3. Cette clé et ce solde sont distincts de la console historique api.reapi.ai utilisée pour GLM-5.2. Définissez un budget de sortie explicite, comme dans l’exemple, au lieu de supposer que la valeur native par défaut de Moonshot s’applique à reAPI.^[8]

curl https://reapi.ai/api/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "kimi-k3",
    "messages": [
      { "role": "user", "content": "Refactor this module and add tests." }
    ],
    "max_completion_tokens": 16384,
    "reasoning_effort": "high",
    "stream": true
  }'

Deux points à vérifier pour évaluer K3 via reAPI :

• Prix. reAPI affiche actuellement $2.50 en entrée et $0.25 en lecture du cache par 1M tokens. Le montant de sortie de $12.00 conservé ici date de juillet 2026 ; utilisez le tarif actuel de la page du modèle pour estimer la facture d’aujourd’hui. Le raisonnement ajoute à l’usage de sortie : comparez donc toute la répartition des entrées et le budget de sortie au lieu de reprendre l’ancien pourcentage de réduction sur la sortie.^[8]
• Intégration de l’espace de travail. K3 utilise la clé et le solde de crédits de l’espace de travail reAPI. Vérifiez l’endpoint et les identifiants documentés de chaque autre modèle avant de l’intégrer au même client ou à la même logique de repli ; la passerelle GLM séparée api.reapi.ai ne partage pas cette clé.

La totalité de l'interface — paramètres fixes, conditions du cache, format des parties vision et catalogue d'erreurs — figure dans notre documentation de l'API Kimi K3, et les tarifs actuels sont sur la page du modèle.

FAQ

Kimi K3 est-il open source ?

Moonshot présente K3 comme une version open source et s'est engagé à publier les poids, ce qui en ferait le premier modèle ouvert de la classe des 3 billions de paramètres^[3]. À l'heure où ces lignes sont écrites, leur publication est imminente, mais l'API reste la voie d'accès principale.

Peut-on désactiver ou réduire le raisonnement de K3 ?

Impossible de le désactiver : il reste toujours actif. Vous pouvez le réduire avec reasoning_effort, qui accepte low, high et max, avec max par défaut^[4]. low sert précisément lorsque le raisonnement coûte plus que la réponse ne vaut.

Le contexte de 1M coûte-t-il plus cher ?

Non. Le tarif par token reste fixe quelle que soit la longueur : un prompt de 900K tokens est facturé au même taux qu'un prompt de 9K^[2]. En direct chez Moonshot, l'entrée avec cache tombe à $0.30 par 1M tokens.

Pourquoi K3 renvoie-t-il une erreur sur la température ?

temperature, top_p, n et les deux pénalités sont fixés côté serveur. Toute autre valeur provoque une erreur plutôt que de remplacer le réglage^[1]. Supprimez-les de la requête. Même règle pour l'objet thinking de K2 : utilisez reasoning_effort à la racine.

Puis-je utiliser K3 dans Claude Code, Codex ou Cline ?

La seule compatibilité avec Chat Completions ne suffit pas. Le Codex actuel exige le protocole Responses, tandis que la connexion de Claude Code par passerelle avec ANTHROPIC_BASE_URL exige Anthropic Messages. La route reAPI de K3 documentée ici est Chat Completions ; une URL de base et une clé personnalisées ne prouvent donc la compatibilité native avec aucun de ces deux outils. Pour Cline, RooCode ou OpenCode, évaluez l’intégration uniquement si le client prend explicitement en charge le format des requêtes et les paramètres de ce service ; ce guide ne prétend pas que tous les clients fonctionnent. Les endpoints de protocole propres à Moonshot constituent une intégration distincte de la route reAPI.^[12]

Comment K3 se compare-t-il à Claude Opus 4.8 ou GPT-5.5 sur les benchmarks ?

Moonshot n'a encore publié aucun tableau d'évaluation officiel pour K3 : ni SWE-Bench, ni Terminal-Bench, ni résultat vérifiable indépendamment. Considérez les chiffres précis des réseaux sociaux comme non vérifiés jusqu'à la publication des benchmarks et du rapport technique.

Références

1. Moonshot AI. Démarrage rapide Kimi K3 — documentation API officielle : ID, échantillonnage fixe, limites de sortie, outils et cache. Consulté en juillet 2026 sur platform.kimi.ai/docs/guide/kimi-k3-quickstart
2. Moonshot AI. Tarifs de Kimi K3 : $3.00 / $15.00 par 1M tokens, $0.30 en entrée trouvée en cache, sans palier de contexte. Revérifié le 23 octobre 2026 ; la grille actuelle inclut des paliers d’écriture en cache. https://platform.kimi.ai/docs/pricing/chat
3. Moonshot AI. Vue d'ensemble — 2.8T paramètres, Kimi Delta Attention + Attention Residuals, Stable LatentMoE (16 experts sur 896), engagement open source. Consulté en juillet 2026 sur platform.kimi.ai/docs/api/models-overview
4. Moonshot AI. Utiliser reasoning_effort — trois niveaux (low / high / max), max par défaut et invalidation du cache lors d'un changement. Consulté en juillet 2026 sur platform.kimi.ai/docs/guide/use-reasoning-effort
5. Moonshot AI. Utiliser les modèles de vision Kimi — images et vidéos, base64 et fichiers, sans URL publique. Consulté en juillet 2026 sur platform.kimi.ai/docs/guide/use-kimi-vision-model
6. Moonshot AI. Kimi Linear: An Expressive, Efficient Attention Architecture (arXiv:2510.26692) — KDA, disposition hybride 3:1, résultats du KV-cache et du décodage. Consulté en juillet 2026 sur arxiv.org/abs/2510.26692
7. OpenRouter. MoonshotAI: Kimi K3 — télémétrie en direct : cache, prix pondéré, débit et TTFT. Consulté en juillet 2026 sur openrouter.ai/moonshotai/kimi-k3
8. reAPI. Kimi K3 : tarifs de la page du modèle et authentification actuelle de Chat Completions. Revérifié le 23 octobre 2026. La cotation de sortie de $12.00 conservée dans cet article provient de son instantané de juillet 2026. Page du modèle; Documentation API.
9. Moonshot AI. Chat Completions API — output cap and input-plus-cap validation. Retrieved September 8, 2026 from platform.kimi.ai/docs/api/chat
10. Moonshot AI. Cache de contexte : TTL, catégories d’usage mutuellement exclusives et comptabilisation des écritures. Vérifié le 23 octobre 2026. https://platform.kimi.ai/docs/guide/context-caching
11. Moonshot AI. Tarifs des modèles de la plateforme chinoise : grille en RMB. Vérifié le 23 octobre 2026. https://platform.kimi.com/docs/pricing/chat
12. OpenAI et Anthropic. Exigences du protocole fournisseur de Codex et du protocole de passerelle de Claude Code. Vérifié le 23 octobre 2026. https://learn.chatgpt.com/docs/config-file/config-reference ; https://code.claude.com/docs/en/llm-gateway-protocol

Pour aller plus loin

• reAPI. Documentation de l'API Kimi K3. reapi.ai/docs/kimi-k3
• reAPI. Page du modèle Kimi K3 — tarifs actuels. reapi.ai/models/kimi-k3
• reAPI. Qu'est-ce que Claude Opus 4.8 ? Le nouveau modèle d'Anthropic expliqué. reapi.ai/blog/what-is-claude-opus-4-8
• reAPI. Qu'est-ce que reAPI ? reapi.ai/blog/what-is-reapi