Kimi K3 bat DeepSeek et GLM — mais coûte 17× plus cher
Le meilleur modèle open-weight de l'été facture comme un modèle propriétaire. DeepSeek fait presque aussi bien pour 20× moins cher.
Moonshot AI a posé Kimi K3 sur la table le 14 juillet : 2 800 milliards de paramètres, premier modèle open-weight au classement code, et une facture d'API qui ressemble à s'y méprendre à celle d'un modèle propriétaire. Pendant ce temps, DeepSeek V4 Pro abat à peu près le même travail pour vingt fois moins cher. Pour un dirigeant ou une équipe tech qui misait sur l'open source chinois afin de couper la note d'IA, le calcul vient de se compliquer.
Trois poids lourds chinois lâchés en une quinzaine
Juillet 2026 restera comme le mois où la Chine a saturé le haut du classement open-weight. Trois modèles à architecture Mixture of Experts (MoE), trois fenêtres de contexte à un million de tokens, trois façons de jouer le même pari : rattraper OpenAI et Anthropic sans les prix d'OpenAI et d'Anthropic.
- Kimi K3 (Moonshot AI) : 2,8 trillions de paramètres au total, mais seulement 16 experts activés sur 896 par token — une sparsité deux fois supérieure à la génération précédente. Contexte 1M, vision native.
- DeepSeek V4 Pro : 1,6 trillion de paramètres, 49 milliards actifs. Sortie plafonnée à 384K tokens.
- GLM-5.2 (Zhipu) : 744 milliards de paramètres, ~40 milliards actifs. Le plus léger des trois, et de loin le plus rapide.
Le timing n'a rien d'anodin. Le 17 juillet, Xi Jinping a tenu une conférence sur l'IA appelant à ne pas brider le secteur par des restrictions de sécurité « excessives » — lecture à peine voilée des contrôles américains sur les puces. Les labos chinois répondent par les faits : des modèles au niveau des meilleurs, publiés en poids ouverts, pour occuper le terrain que Washington cherche à leur fermer. Le Grand Continent parle d'un modèle « à la frontière de l'open source ». La formule est bien choisie — on va voir pourquoi.
Kimi K3 vs DeepSeek V4 Pro vs GLM-5.2 : le tableau des prix qui pique
Commençons par ce qui tranche vraiment en PME : la facture. Voici les tarifs d'API publiés, par million de tokens.
| Modèle | Entrée /M | Sortie /M | Débit | Coût moyen/tâche |
|---|---|---|---|---|
| Kimi K3 | 3,00 $ | 15,00 $ | ~62 t/s | ~0,94 $ |
| DeepSeek V4 Pro | 0,435 $ | 0,87 $ | ~62 t/s | ~0,04 $ |
| GLM-5.2 | 1,40 $ | 4,40 $ | ~168 t/s | — |
Relisez la colonne « sortie ». Kimi K3 facture 15 dollars le million de tokens générés, contre 0,87 pour DeepSeek : un rapport de 17. Sur le coût moyen par tâche mesuré par Artificial Analysis, l'écart grimpe à ~24 (0,94 $ contre 0,04 $). GLM-5.2 se glisse au milieu — 4,40 $ en sortie — mais rachète sa position avec le débit : ~168 tokens par seconde, presque trois fois Kimi et DeepSeek. Pour du streaming conversationnel ou un agent qui doit répondre vite, ça pèse autant que le prix affiché.
Combien coûte Kimi K3 face à GPT-5.6 Sol ?
C'est là que le positionnement devient étrange. À ~0,94 $ la tâche, Kimi K3 ne se compare plus à ses cousins open source : il tape dans la fourchette de GPT-5.6 Sol, à ~1,04 $ la tâche. Autrement dit, Moonshot vend un modèle « ouvert » au prix d'un modèle fermé américain. L'argument historique de l'open source chinois — la même qualité pour une misère — ne tient plus avec Kimi. Il tient encore, et très fort, avec DeepSeek.
Benchmarks : qui code vraiment le mieux
Sur le papier, Kimi K3 justifie sa prime. Il pointe à 57 à l'Artificial Analysis Intelligence Index, devant GLM-5.2 (51) et DeepSeek V4 Pro (44), et se hisse autour de la 3e-4e place mondiale toutes catégories confondues — pas loin de Claude Fable 5 (60) et GPT-5.6 Sol (59). En code, il prend la tête des poids ouverts : 81,45 de moyenne sur LiveBench Coding, 57,58 en agentique. Le comparatif de MarkTechPost note que « K3 dépasse GLM-5.2 sur chaque benchmark partagé, par des marges larges ».
Mais DeepSeek garde un argument massue : 80,6 % au SWE-bench Verified, meilleur score open-weight à sa sortie, à quelques dixièmes seulement de Kimi sur la tâche qui compte le plus pour du vrai travail de dev — résoudre des tickets GitHub réels. Traduction : sur la correction de bugs et les patchs, l'écart de qualité entre le modèle à 15 $ et celui à 0,87 $ se mesure en points, pas en classes. Pour un cas agentique long — un agent qui enchaîne dix appels d'outils sans dériver — Kimi reprend l'avantage. Pour tout le reste, la prime ne se rembourse pas.
« Open source » ne veut dire ni gratuit, ni téléchargeable
Voilà le piège que beaucoup vont manquer. Au 23 juillet, les poids de Kimi K3 ne sont pas disponibles. Moonshot a promis de les publier le 27 juillet — API uniquement d'ici là. DeepSeek V4 Pro et GLM-5.2, eux, sont déjà sur Hugging Face sous licence MIT, téléchargeables et auto-hébergeables sans condition.
Et quand les poids de Kimi sortiront, ce sera sous une MIT modifiée : clause d'attribution obligatoire au-delà de 100 millions d'utilisateurs. Rien de bloquant pour une PME, mais ce n'est déjà plus le MIT pur — d'où la « frontière de l'open source ». Deuxième réalité que les slides marketing oublient : auto-héberger un modèle de 2,8 trillions de paramètres, personne ne le fait dans un placard. Il faut un cluster GPU à plusieurs centaines de milliers d'euros. En pratique, 99 % des PME consommeront ces modèles via une API — celle de Moonshot, de DeepSeek, ou d'un revendeur type OpenRouter. Et là, la question n'est plus le prix mais la localisation des données.
Kimi K3 pour une PME française : dans quels cas ?
Découpons par usage, parce que « le meilleur modèle » ne veut rien dire hors contexte.
- Volume massif, budget serré (résumés, classification, RAG, extraction documentaire) : DeepSeek V4 Pro, sans hésiter. À 0,04 $ la tâche et un SWE-bench à 80,6 %, il couvre l'écrasante majorité des besoins pour une fraction du prix.
- Latence critique (chatbot temps réel, agent vocal, streaming) : GLM-5.2 et ses 168 t/s, le meilleur ratio vitesse/qualité des trois.
- Agentique complexe et code long (agent qui pilote plusieurs outils, contexte de 1M à digérer d'un bloc) : Kimi K3 — si, et seulement si, vous butez réellement sur un plafond de qualité que DeepSeek ne franchit pas. Sinon vous payez 17× pour un gain marginal.
Un dernier réflexe avant de tout miser sur l'open-weight chinois : le support et la conformité. Aucun de ces trois labos ne vous signera un DPA solide ni un SLA opposable en France. Pour une équipe qui a besoin d'un interlocuteur, d'une garantie de données en Europe et d'une roadmap stable, un modèle frontière occidental comme Claude reste souvent le choix par défaut — plus cher au token, moins cher en tranquillité.
Kimi K3, DeepSeek ou GLM-5.2 : notre verdict
Kimi K3 est une vraie performance technique — le meilleur poids ouvert pour coder à ce jour, sans discussion. Mais c'est d'abord une démonstration de force géopolitique, pas un bon plan pour PME. Son prix le range à côté de GPT-5.6, ses poids n'arrivent que le 27 juillet, et sur 95 % des tâches réelles, DeepSeek V4 Pro fait le boulot à un vingtième du coût. Notre reco : DeepSeek par défaut, GLM-5.2 quand la vitesse prime, Kimi K3 en dernier recours pour les agents qui saturent tout le reste. Et pour tout ce qui touche des données sensibles, aucun des trois via API directe — hébergement européen ou modèle occidental, point final.
