Kimi K3 : poids ouverts, mais surtout l'usine à agents mise à nu
— AGENTS
Moonshot AI publie les poids complets de son modèle de 2 800 milliards de paramètres et ouvre trois briques de son infrastructure, dont un système de sandboxes capables de reprendre en une cinquantaine de millisecondes. L'essentiel de l'annonce se joue moins dans les scores que dans la mécanique industrielle pensée pour faire tourner des agents à très grande échelle.
Ce qui sort de Moonshot AI le 27 juillet n'est pas un simple dépôt de poids de plus dans la course à l'open source. C'est une infrastructure entière qui se retrouve sur la table : les kernels d'attention maison, la bibliothèque de communication pour répartir le calcul entre les sous-modèles spécialisés, et surtout AgentENV, le système de sandboxes conçu pour faire tourner des agents à grande échelle. Publier un modèle, tout le monde sait faire depuis deux ans. Publier la tuyauterie qui permet de le faire tourner et de l'évaluer en continu, c'est une autre proposition.
Le terrain ici, c'est l'ingénierie d'infrastructure pour laboratoires d'IA et équipes qui construisent des agents à grande échelle, pas la création visuelle ou sonore. Le détail qui mérite l'attention, c'est le chiffre de sandboxes créées pendant l'entraînement et l'évaluation : plus de cinquante et un millions. Ces environnements isolés reprennent leur exécution en une cinquantaine de millisecondes, peuvent se mettre en pause sans coût pendant qu'un agent patiente, ou se dupliquer pour tester une hypothèse sans risque. Autrement dit, la difficulté que Moonshot a réellement résolue n'est pas de faire parler un modèle, mais de faire tourner des milliers d'agents en parallèle sans que l'un fasse planter les autres.
Reste que l'entreprise ne maquille pas ses propres limites. Sur les évaluations tierces citées, l'indice d'intelligence obtenu chez Artificial Analysis et le score sur l'index de Vals placent Kimi K3 dans le haut du panier des modèles ouverts, avec une première place au classement WebDev Arena fondé sur la préférence humaine. Mais Moonshot admet lui-même rester en deçà des modèles propriétaires les plus puissants, en particulier sur le raisonnement de niveau recherche. Un modèle ouvert qui reconnaît ses propres plafonds, c'est plus rare qu'un modèle ouvert qui claironne des scores.
La vraie portée de l'annonce se joue moins sur les benchmarks que sur la reproductibilité. Ouvrir les poids sans ouvrir l'infrastructure qui les fait vivre, c'était jusqu'ici la norme dans l'open source chinois comme occidental : n'importe qui pouvait télécharger un modèle, presque personne ne pouvait recréer les conditions de son entraînement ou de son déploiement à grande échelle. En livrant aussi les kernels et le système de sandboxes, Moonshot change la nature du geste : ce n'est plus seulement un modèle qu'on distribue, c'est une méthode de travail qu'on rend copiable.
Pour les laboratoires qui bâtissent leurs propres agents, la question qui se pose dès maintenant n'est plus de savoir si un modèle ouvert peut rivaliser sur le papier, mais si son infrastructure encaisse la charge réelle d'une production continue.