Kimi est un assistant IA conversationnel développé par Moonshot AI, capable de traiter de très longs contextes de texte. Par exemple, Kimi 1.5 peut analyser des documents de plus de 128 000 tokens en une seule requête.
Un utilisateur a post-entraîné un modèle pour simuler correctement un lancer de dé (chaque face ~1/6), révélant que les LLM frontière (Claude, GPT, Kimi) répondent systématiquement « 4 ». Il utilise ce problème jouet pour explorer l'exploration en RL versus l'exploitation de stratégies connues.
Unsloth publie une version GGUF quantifiée du modèle Kimi-K2.7-Code sur Hugging Face. Le modèle est en cours de téléchargement.
Moonshot AI lance Kimi K2.7 Code, modèle open-weights d'1 trillion de paramètres pour la programmation. Moins performant que GPT-5.5 et Claude Opus 4.8 sur les benchmarks, il coûte jusqu'à 12x moins cher par token, offrant un meilleur rapport qualité-prix pour les budgets limités.
Kimi K2.7-Code, modèle agentic spécialisé en codage, améliore les tâches longues et complexes d'ingénierie logicielle. Réduction de 30% de l'usage de tokens de réflexion par rapport à K2.6.
Kimi K2.7 Code de Moonshot AI est désormais disponible sur Vercel AI Gateway. Ce modèle de codage supporte les tâches de programmation longue horizon (frontend, DevOps, optimisation) avec architecture multimodale texte+vision et mode thinking natif.
Moonshot AI, éditeur du chatbot Kimi, vise une valorisation de 30 milliards de dollars dans un nouveau tour de financement, soit plus de six fois sa valeur de fin 2025.
Minimax M3 commence à être déployé sur l'API. Le modèle a été repéré il y a environ 15 minutes sur une capture d'écran.
Les agents de recherche IA comme GPT-5.4 et Kimi K2.6 confirment surtout leurs connaissances d'entraînement au lieu de vraiment explorer le web. Des chercheurs de l'Institut de technologie de Harbin ont démontré cela avec LiveBrowseComp, un benchmark basé sur des événements des 90 derniers jours. Sans accès à la mémoire d'entraînement, les performances s'effondrent.
Développeur cherche la meilleure infrastructure (~100-150k$) pour servir localement Kimi K2.6 et DeepSeek V4 en équipe de 5 (coding agentic). Compare dual GH200 NVL2 (1.2TB mémoire unifiée, 95k$) vs 8x RTX 6000 Blackwell (768GB VRAM, 140k$). Test GH200 seul : 23 tok/s en décodage 2-bit, mais préfill lent et modèles débordent en mémoire lente.
Hy-MT2 est une famille de modèles de traduction multilingue (1.8B, 7B, 30B-MoE) supportant 33 langues. Le modèle 1.8B quantifié à 1.25-bit pèse 440 MB et accélère l'inférence de 1.5x. Les modèles 7B et 30B surpassent DeepSeek-V4-Pro et Kimi K2.6 en mode fast-thinking; le 1.8B dépasse les APIs commerciales Microsoft et Doubao.
Tencent lance Hy-MT2, famille de modèles de traduction multilingue en trois tailles (1.8B, 7B, 30B-MoE) supportant 33 langues. Le modèle 1.8B compressé à 440 MB via quantization 1.25-bit surpasse les APIs commerciales Microsoft/Doubao. Les 7B et 30B dépassent DeepSeek-V4-Pro et Kimi K2.6. Benchmark IFMTBench et intégration WMT26 inclus.
Cursor lance Composer 2.5, un modèle de code basé sur Kimi K2.5 et entraîné sur 25x plus de tâches synthétiques. Il égale les performances d'Opus 4.7 et GPT-5.5 sur les benchmarks à un coût nettement inférieur.
Mois chargé avec plusieurs sorties majeures : Gemma 4, DeepSeek V4, Kimi K2.6, MiMo 2.5, GLM-5.1. Nathan Lambert couvre aussi l'évaluation V4 de CAISI sur ces modèles open-source.
Kimi K2.6 de Moonshot AI est disponible sur Vercel AI Gateway. Le modèle excelle sur les tâches de codage long-horizon (Rust, Go, Python, front-end, DevOps) et peut générer des interfaces complètes à partir de prompts simples. Optimisé pour les agents autonomes avec meilleure stabilité et sécurité.
Hugging Face analyse l'expansion mondiale des modèles IA chinois (Deepseek, Qwen, Kimi). Ces modèles gagnent des parts de marché en Europe et Asie du Sud-Est grâce à des performances compétitives et des coûts réduits. Les entreprises chinoises investissent massivement dans l'infrastructure et les partenariats régionaux.