Kimi K3 vs Claude Fable 5 : quel modèle d'IA est le meilleur pour le code et le travail agentique ?

Kimi K3 et Claude Fable 5 ont été conçus pour une même catégorie de tâches difficiles : les grandes bases de code, les agents qui travaillent longtemps, la recherche complexe, les workflows fortement dépendants d'outils et les problèmes impossibles à résoudre de manière fiable en une seule réponse courte.

Ils poursuivent toutefois cet objectif au moyen de stratégies produit très différentes.

Anthropic propose Claude Fable 5 comme son modèle largement disponible le plus puissant. Il est propriétaire, coûteux, accessible sur plusieurs grandes plateformes cloud et entouré d'un écosystème agentique mature dominé par Claude Code. Son raisonnement adaptatif est toujours activé, et Anthropic le destine aux tâches de programmation et de travail intellectuel les plus exigeantes.

Moonshot AI oppose à cette approche Kimi K3, un modèle Mixture of Experts de 2,8 billions de paramètres, doté d'une fenêtre de contexte d'un million de tokens, d'une compréhension native des images et des vidéos, d'une API compatible avec OpenAI et d'un tarif très inférieur à celui de Fable 5. Moonshot a également promis de publier l'intégralité des poids du modèle au plus tard le 27 juillet 2026.

Le principal enseignement n'est donc pas qu'un modèle gagne partout.

Claude Fable 5 demeure le modèle globalement le plus puissant et le choix par défaut le plus sûr lorsque la qualité maximale, la maturité des outils et un comportement prévisible sur de longues trajectoires sont prioritaires. Kimi K3 est le choix le plus disruptif lorsque le coût, le contexte long, le développement visuel, la compatibilité API et le contrôle futur des poids du modèle comptent davantage.

Comparaison rapide

Catégorie	Kimi K3	Claude Fable 5
Développeur	Moonshot AI	Anthropic
Identifiant API	kimi-k3	claude-fable-5
Lancement public	Juillet 2026	9 juin 2026 ; accès rétabli le 1er juillet
Taille du modèle	2,8 billions de paramètres	Non communiquée
Architecture	MoE, KDA, AttnRes, Stable LatentMoE	Non communiquée
Experts actifs	16 sur 896	Non communiqué
Fenêtre de contexte	1 million de tokens	1 million de tokens
Sortie maximale	Environ 131 000 tokens selon la valeur par défaut ou la configuration API	Jusqu'à 128 000 tokens
Entrée texte	Oui	Oui
Entrée image	Oui	Oui
Entrée vidéo	Oui	Aucune modalité vidéo directe indiquée
Sortie	Texte	Texte
Raisonnement	Toujours actif ; uniquement max actuellement	Raisonnement adaptatif toujours actif ; low, medium, high, xhigh, max
Prix standard de l'entrée	3 USD / 1 M de tokens	10 USD / 1 M de tokens
Prix de l'entrée en cache	0,30 USD / 1 M de tokens	1 USD / 1 M de tokens
Prix de la sortie	15 USD / 1 M de tokens	50 USD / 1 M de tokens
Tarif Batch	Non comparé ici	5 USD en entrée / 25 USD en sortie par 1 M
Appel d'outils	Oui	Oui
Sorties structurées	Oui	Oui
Agent de code propriétaire	Kimi Code	Claude Code
Style d'API	Chat Completions compatible OpenAI	Anthropic Messages API
Poids publics	Annoncés, non publiés lors de la vérification	Non
Auto-hébergement	Prévu, mais extrêmement exigeant en matériel	Non
Conservation des données	Dépend du produit Kimi et du contrat	30 jours pour Fable ; pas de ZDR
Repli de sécurité	Aucun repli équivalent vers un autre modèle n'est documenté	Peut basculer vers Claude Opus 4.8

Le tableau reflète la documentation officielle disponible le 17 juillet 2026. Des fonctionnalités portant des noms similaires peuvent se comporter différemment, et les résultats de benchmarks obtenus avec différents frameworks agentiques ne sont pas directement interchangeables.

Qu'est-ce que Kimi K3 ?

Kimi K3 est le modèle le plus puissant de Moonshot AI à ce jour. Il contient 2,8 billions de paramètres et utilise une architecture Mixture of Experts parcimonieuse. Selon Moonshot, le modèle active 16 experts parmi 896 lors de l'inférence, au lieu d'utiliser l'intégralité du réseau pour chaque token.

Son architecture associe plusieurs technologies développées par Moonshot :

• Kimi Delta Attention, conçu pour améliorer l'efficacité de l'attention sur de longues séquences ;
• Attention Residuals, qui récupère sélectivement des représentations à différentes profondeurs du modèle ;
• Stable LatentMoE, utilisé pour mettre à l'échelle le routage parcimonieux des experts ;
• un entraînement tenant compte de la quantification avec des poids MXFP4 et des activations MXFP8.

Moonshot affirme que ces changements offrent une efficacité de mise à l'échelle environ 2,5 fois supérieure à celle de Kimi K2. Il s'agit d'une affirmation du fournisseur, à considérer comme telle jusqu'à la publication du rapport technique complet et de détails d'implémentation reproductibles.

K3 est conçu pour :

• les tâches de génie logiciel de longue durée ;
• la navigation et la modification de très grands dépôts ;
• l'orchestration du terminal et des outils ;
• le développement visuel à partir de captures d'écran ;
• les workflows frontend, jeux vidéo et CAO ;
• la recherche combinant littérature, code et données ;
• l'analyse de documents, d'images et de vidéos ;
• le travail de connaissance multi-agents.

Le modèle est disponible via Kimi, Kimi Work, Kimi Code et l'API Kimi.

Qu'est-ce que Claude Fable 5 ?

Claude Fable 5 est le modèle largement disponible le plus puissant d'Anthropic. L'entreprise le décrit comme un modèle de classe Mythos conçu pour le raisonnement exigeant, le génie logiciel et les tâches agentiques de longue durée.

Fable 5 et Claude Mythos 5, accessible de manière limitée, partagent les mêmes capacités fondamentales et les mêmes tarifs. La différence principale est que Fable intègre des classificateurs de sécurité destinés à la production. Lorsqu'une requête déclenche l'un d'eux, l'API peut renvoyer un refus ou transmettre la tâche à Claude Opus 4.8 si un mécanisme de repli a été configuré.

Claude Fable 5 prend en charge :

• une fenêtre de contexte d'un million de tokens ;
• jusqu'à 128 000 tokens de sortie ;
• le texte et les images en entrée ;
• un raisonnement adaptatif toujours actif ;
• le contrôle de l'effort de low à max ;
• l'utilisation d'outils et leur appel programmatique ;
• l'exécution de code ;
• la mémoire ;
• les budgets de tâches ;
• l'édition et la compaction du contexte ;
• la vision ;
• la gestion du repli côté serveur et côté client.

Il est disponible via l'API Claude, Amazon Bedrock, Claude Platform on AWS, Google Cloud et Microsoft Foundry.

Avertissement sur les benchmarks : le framework agentique fait partie du résultat

Un score de benchmark de programmation ne dépend pas uniquement du modèle.

Le résultat final dépend également :

• de l'agent de code ou du harness utilisé ;
• des outils mis à la disposition du modèle ;
• de la manière dont le contexte du dépôt est sélectionné ;
• de la conservation ou non des blocs de raisonnement précédents ;
• des budgets de temps et de tokens ;
• des règles de nouvelle tentative ;
• du comportement du mécanisme de repli ;
• du nombre d'exécutions de l'évaluation ;
• de l'évaluateur et de l'environnement de test.

Le tableau de lancement de K3 publié par Moonshot mélange des résultats obtenus avec Kimi Code, Claude Code, Codex, Terminus et d'autres harnesses officiels. Moonshot documente ces différences, mais cela signifie tout de même qu'il ne s'agit pas d'une comparaison parfaitement contrôlée des modèles seuls.

Fable ajoute une complication supplémentaire : certains résultats publiés peuvent inclure un éventuel repli vers Claude Opus 4.8 lorsqu'un classificateur de sécurité refuse une requête. Dans ces cas, le produit mesuré est en réalité Fable accompagné de sa politique de repli, et pas toujours Fable seul.

L'interprétation correcte est donc la suivante :

Les résultats d'un benchmark indiquent comment une configuration réunissant un modèle et un agent s'est comportée selon une méthodologie donnée. Ils ne garantissent pas que le même modèle obtiendra le même résultat dans votre dépôt, votre chaîne d'outils ou votre environnement de sécurité.

Évaluations globales indépendantes

Les évaluations indépendantes placent actuellement Fable légèrement devant, mais Kimi est suffisamment proche pour constituer un concurrent crédible de classe frontier.

Évaluation	Kimi K3	Claude Fable 5	Leader
Artificial Analysis Intelligence Index	57	60	Fable
Vals Index	74,7 %	75,1 %	Fable
Arena Text Overall, instantané du 16 juillet	Derrière Fable	1er	Fable
Arena Instruction Following, instantané du 16 juillet	Derrière Fable	1er	Fable
Arena WebDev Overall, instantané du 16 juillet	1er provisoire	Juste derrière	Kimi

Artificial Analysis indique également que Kimi a produit environ 130 millions de tokens de sortie durant l'évaluation complète de son Intelligence Index, contre environ 87 millions pour Fable. Ce point est important, car le tarif inférieur de Kimi par token peut être partiellement compensé s'il consomme nettement plus de tokens pour résoudre une catégorie de tâches comparable.

Le Vals Index est particulièrement notable, car l'écart n'est que d'environ quatre dixièmes de point de pourcentage. Cela suggère que Kimi n'est pas seulement une option bon marché. Sur certaines tâches financières et de programmation économiquement pertinentes, il fonctionne à un niveau très proche de Fable.

Les résultats d'Arena révèlent une répartition utile. Fable est meilleur dans les évaluations générales de préférence textuelle et de suivi des instructions, tandis que Kimi a atteint la première place provisoire du classement WebDev dans l'instantané du 16 juillet. Cela confirme un schéma visible dans les résultats des fournisseurs : Fable est plus régulièrement performant dans l'ensemble, alors que Kimi peut être exceptionnel dans les workflows de développement visuels et fortement orientés vers l'implémentation.

Benchmarks de programmation

Moonshot a publié la comparaison directe suivante dans les documents de lancement de Kimi K3. Tous les modèles ont été exécutés à leur niveau de raisonnement maximal déclaré, mais les harnesses variaient selon les benchmarks.

Benchmark de programmation	Kimi K3	Claude Fable 5	Leader
DeepSWE	67,5	70,0	Fable
ProgramBench	77,8	76,8	Kimi
Terminal-Bench 2.1	88,3	84,6	Kimi
FrontierSWE	81,2	86,6	Fable
SWE Marathon	42,0	35,0	Kimi
PostTrain Bench	36,6	41,4	Fable
MLS Bench	48,3	49,9	Fable
Kimi Code Bench 2.0, interne	72,9	76,9	Fable

Le résultat n'est pas unilatéral.

Domaines où Fable paraît plus fort

Fable mène sur :

• DeepSWE, centré sur les tâches logicielles difficiles à l'échelle d'un dépôt ;
• FrontierSWE, avec un avantage supérieur à cinq points ;
• PostTrain Bench ;
• MLS Bench ;
• le benchmark interne de Moonshot Kimi Code Bench 2.0.

Le résultat du benchmark interne Kimi Code Bench est particulièrement intéressant, car Moonshot rapporte que Fable devance Kimi dans un test développé par l'équipe Kimi. Cela va à l'encontre d'une lecture des documents de lancement comme une simple opération marketing destinée à faire gagner K3 partout.

Anthropic publie séparément d'excellents résultats pour Fable sur SWE-bench Pro et Terminal-Bench. Son tableau de lancement indique 80,3 % sur SWE-bench Pro et 88,0 % sur Terminal-Bench 2.1. Ces chiffres ne doivent pas être fusionnés directement avec le tableau de Moonshot, car les méthodologies diffèrent, mais ils renforcent la conclusion selon laquelle Fable est un agent de dépôt et de terminal extrêmement performant.

Domaines où Kimi paraît plus fort

Kimi mène sur :

• Terminal-Bench 2.1 dans la comparaison de Moonshot ;
• ProgramBench avec une faible avance ;
• SWE Marathon avec sept points d'avance.

SWE Marathon est pertinent parce qu'il cherche à mesurer une activité de génie logiciel soutenue plutôt qu'un correctif isolé. L'avance de Kimi soutient le positionnement de K3 comme un modèle entraîné pour de longues trajectoires difficiles.

Moonshot indique aussi que K3 s'est montré compétitif avec Fable lors d'un test d'optimisation de kernels GPU d'une durée de 24 heures. La tâche impliquait de profiler, réécrire et benchmarker des kernels sur plusieurs architectures et cibles matérielles. Il s'agissait d'une étude de cas conçue par le fournisseur plutôt que d'un classement public indépendant, mais elle illustre le type de travail d'ingénierie prolongé pour lequel K3 a été conçu.

Ce que les résultats de programmation signifient en pratique

Fable semble plus fiable lorsque la tâche concerne :

• un problème difficile à l'échelle du dépôt ;
• une refactorisation étendue comportant de nombreuses contraintes cachées ;
• une migration exigeant une vérification minutieuse ;
• un projet long dans lequel le suivi des instructions et le jugement comptent davantage que le débit brut ;
• un travail déjà intégré à Claude Code.

Kimi devient particulièrement attrayant lorsque la tâche est :

• fortement centrée sur le terminal et itérative ;
• évaluée visuellement à partir de captures d'écran ;
• liée au frontend, aux jeux ou à la CAO ;
• un long essai nécessitant de nombreuses tentatives ;
• trop coûteuse à répéter plusieurs fois avec Fable ;
• exécutée via une intégration existante compatible OpenAI.

Benchmarks agentiques et de travail intellectuel

Le même tableau de Moonshot donne une image partagée, mais globalement favorable à Fable pour les tâches agentiques plus générales.

Benchmark agentique	Kimi K3	Claude Fable 5	Leader
GDPval-AA v2, Elo	1668	1760	Fable
BrowseComp	91,2	88,0	Kimi
Toolathlon-Verified	73,2	77,9	Fable
MCP Atlas	84,2	84,7	Fable
AutomationBench	30,8	29,1	Kimi
JobBench	52,9	57,4	Fable
AA-Briefcase, Elo	1548	1583	Fable
APEX-Agents	37,6	43,3	Fable
SpreadsheetBench 2	34,8	34,7	Égalité pratique

Fable remporte davantage de lignes, notamment pour le travail professionnel représenté par GDPval-AA, JobBench, AA-Briefcase et APEX-Agents.

Kimi obtient d'excellents résultats sur BrowseComp et AutomationBench. BrowseComp mesure une recherche d'information difficile, dans laquelle les agents doivent rechercher, combiner des preuves et persévérer au fil de longues chaînes d'exploration. Le résultat de Kimi correspond aux démonstrations de Moonshot portant sur de vastes workflows de recherche comprenant des milliers de recherches et d'opérations sur des documents.

La conclusion générale est la suivante :

Fable possède le profil agentique général le plus fort. Kimi est très compétitif et peut prendre l'avantage dans les workflows intensifs en recherche, en automatisation et en implémentation.

Contrôle du raisonnement

Les deux modèles raisonnent à chaque requête, mais Fable donne beaucoup plus de contrôle aux développeurs.

Kimi K3

Kimi K3 prend actuellement en charge :

reasoning_effort="max"

Le raisonnement est toujours activé. Moonshot indique que les modes low et high seront ajoutés ultérieurement, mais ils n'étaient pas disponibles à la date de vérification.

Cette approche simplifie la configuration de K3 pour les tâches complexes, mais elle est inefficace pour les demandes routinières. Une courte extraction ou classification peut quand même recevoir le comportement d'un modèle utilisant un effort de raisonnement maximal.

K3 exige également que le message complet de l'assistant, y compris les champs liés au raisonnement, soit retransmis dans les conversations à plusieurs tours. Moonshot avertit que la qualité peut devenir instable lorsqu'un harness supprime cet historique ou bascule vers K3 en cours de session.

Claude Fable 5

Fable utilise un raisonnement adaptatif à chaque requête et ne permet pas de le désactiver. Les développeurs peuvent contrôler la profondeur et l'utilisation des tokens avec :

low
medium
high
xhigh
max

La valeur par défaut est high. Anthropic recommande :

• low pour les tâches routinières à grand volume ou les sous-agents ;
• medium pour équilibrer coût et capacité ;
• high pour le code et le raisonnement difficiles ;
• xhigh pour les longues tâches agentiques ;
• max pour les problèmes les plus difficiles et sensibles au niveau maximal de capacité.

Il s'agit d'un avantage notable en production. Une équipe peut utiliser le même endpoint Fable pour des sous-agents routiniers et des tâches frontier, en adaptant dynamiquement l'effort sans changer de modèle.

Outils et écosystèmes agentiques

Kimi K3 et Kimi Code

Kimi Code peut :

• lire et modifier des fichiers ;
• exécuter des commandes shell ;
• rechercher dans une base de code ;
• récupérer des pages web ;
• utiliser des outils ;
• créer des sous-agents pour travailler en parallèle.

L'API Kimi prend en charge :

• l'appel de fonctions ;
• tool_choice ;
• le chargement dynamique d'outils ;
• les sorties structurées via JSON Schema ;
• le streaming ;
• la mise en cache automatique du contexte ;
• la complétion partielle ;
• la compatibilité avec le SDK OpenAI.

La compatibilité avec l'API OpenAI constitue un avantage pratique majeur. Une application existante peut souvent tester Kimi en modifiant uniquement la clé API, l'URL de base et le nom du modèle, sans réécrire toute sa couche cliente.

Moonshot avertit néanmoins que sa fonctionnalité officielle de recherche web était en cours de mise à jour à la date de vérification et n'était pas recommandée pour un usage de production à court terme.

Claude Fable 5 et Claude Code

La plateforme Claude propose actuellement un ensemble plus large et mieux documenté d'outils de production et de fonctionnalités de gestion du contexte :

• Claude Code ;
• l'exécution de code ;
• la recherche web et la récupération de pages ;
• la mémoire ;
• l'appel programmatique d'outils ;
• les budgets de tâches ;
• la compaction ;
• l'édition du contexte et la suppression des résultats d'outils ;
• l'utilisation stricte des outils ;
• la prise en charge de MCP ;
• le repli côté serveur ;
• des modèles d'agents gérés et d'orchestration.

Claude Code propose également des workflows multi-agents. Son mode ultracode n'est pas un niveau d'effort API distinct : Anthropic le décrit comme le niveau xhigh associé à une autorisation permanente de lancer des workflows multi-agents.

Pour les équipes qui ont besoin d'une plateforme agentique mature et documentée, plutôt que d'un simple endpoint de modèle puissant, Claude conserve actuellement l'avantage.

Contexte, cache et multimodalité

Les deux modèles prennent en charge environ un million de tokens de contexte.

Cela suffit pour contenir :

• un vaste instantané de dépôt ;
• des centaines de pages de documentation ;
• un long historique d'agent ;
• plusieurs rapports et jeux de données ;
• une grande collection de résultats d'outils.

Il ne faut pas supposer que l'un ou l'autre modèle utilisera parfaitement l'ensemble du contexte. La précision de récupération, la conservation des instructions et la résistance aux informations contradictoires doivent être testées sur la charge réelle.

Kimi

Kimi propose une mise en cache automatique des préfixes. Le développeur n'a pas besoin de créer un identifiant de cache ni de définir manuellement une durée de vie. Le maintien d'un long préfixe inchangé permet aux requêtes ultérieures de tenter automatiquement une lecture depuis le cache.

Le tarif officiel d'un token d'entrée trouvé dans le cache est de 0,30 dollar par million.

Kimi prend directement en charge les images et les vidéos en entrée. Il est donc particulièrement utile pour :

• la correction du frontend à partir de captures d'écran ;
• l'analyse vidéo ;
• l'assurance qualité visuelle ;
• les boucles de rétroaction en développement de jeux ;
• la vérification d'animations et de motion design.

Fable

Fable prend en charge la mise en cache des prompts avec un contrôle automatique ou explicite. Les tarifs officiels sont :

• 12,50 dollars par million de tokens pour une écriture en cache de cinq minutes ;
• 20 dollars par million pour une écriture d'une heure ;
• 1 dollar par million pour les lectures du cache.

Fable accepte le texte et les images. Anthropic ne mentionne pas d'entrée vidéo directe pour le modèle. Les workflows vidéo exigent donc généralement des images extraites, des transcriptions ou une autre couche de prétraitement.

Tarifs API

Catégorie de tokens	Kimi K3	Claude Fable 5
Entrée non mise en cache	3 USD / 1 M	10 USD / 1 M
Lecture d'entrée en cache	0,30 USD / 1 M	1 USD / 1 M
Écriture en cache de cinq minutes	Cache automatique ; aucun tarif d'écriture K3 séparé n'est indiqué	12,50 USD / 1 M
Écriture en cache d'une heure	Aucun niveau manuel équivalent n'est indiqué	20 USD / 1 M
Sortie	15 USD / 1 M	50 USD / 1 M
Entrée Batch	Non incluse dans cette comparaison	5 USD / 1 M
Sortie Batch	Non incluse dans cette comparaison	25 USD / 1 M

Au tarif catalogue, Kimi est 70 % moins cher pour l'entrée non mise en cache et pour la sortie.

Exemple de coût 1 : tâche sur un dépôt

Hypothèses :

• 100 000 tokens d'entrée non mis en cache ;
• 10 000 tokens de sortie.

Modèle	Entrée	Sortie	Total
Kimi K3	0,30 USD	0,15 USD	0,45 USD
Claude Fable 5	1,00 USD	0,50 USD	1,50 USD

Kimi est 70 % moins cher dans cet exemple.

Exemple de coût 2 : grand contexte réutilisé avec lecture du cache

Hypothèses :

• 500 000 tokens d'entrée en cache ;
• 20 000 tokens de sortie ;
• le coût d'écriture du cache est exclu, car il dépend de son cycle de vie et du nombre de réutilisations.

Modèle	Entrée en cache	Sortie	Total
Kimi K3	0,15 USD	0,30 USD	0,45 USD
Claude Fable 5	0,50 USD	1,00 USD	1,50 USD

Là encore, Kimi est 70 % moins cher selon les tarifs de lecture et de sortie.

Le prix par token n'est pas le coût par tâche résolue

Artificial Analysis a observé que Kimi avait généré environ 130 millions de tokens de sortie pendant son Intelligence Index, contre environ 87 millions pour Fable.

Cela ne signifie pas que Kimi utilisera toujours 49 % de tokens supplémentaires en production. Cela signifie toutefois qu'une évaluation réaliste des coûts doit mesurer :

• tous les tokens d'entrée ;
• le taux de lecture du cache ;
• les tokens de raisonnement et de sortie ;
• les nouvelles tentatives ;
• les appels d'outils ;
• les exécutions échouées ;
• le temps de révision humaine ;
• le taux de réussite.

Un modèle qui coûte trois fois moins cher par token ne coûte pas forcément trois fois moins cher par résultat accepté s'il a besoin de trajectoires plus longues ou de davantage de tentatives.

Poids ouverts et auto-hébergement

La publication prévue des poids de Kimi constitue l'une des principales différences stratégiques entre les modèles.

Moonshot affirme que les poids complets de K3 seront publiés au plus tard le 27 juillet 2026. Lors de la vérification de cet article, les poids, la licence finale et le rapport technique complet n'étaient pas encore accessibles au public.

Leur publication pourrait permettre aux organisations :

• d'inspecter et de modifier le modèle ;
• de l'exécuter dans une infrastructure contrôlée ;
• d'éviter une dépendance permanente envers un unique fournisseur d'API ;
• de l'ajuster ou de le quantifier ;
• de l'intégrer à des piles d'inférence privées.

« Poids ouverts » ne signifie toutefois pas « facile à exécuter ».

Moonshot recommande des déploiements sur des supernœuds comprenant 64 accélérateurs ou plus. Un modèle parcimonieux de 2,8 billions de paramètres reste un projet d'infrastructure colossal, même si seule une partie du réseau est activée pour chaque token.

Pour la plupart des entreprises, Kimi restera un produit API. L'option des poids ouverts concerne surtout les hyperscalers, les fournisseurs d'infrastructures nationales, les grands laboratoires d'IA et les organisations disposant de matériel d'inférence spécialisé.

Fable est entièrement propriétaire. Anthropic n'a pas divulgué son nombre de paramètres ni son architecture et ne propose aucune voie d'auto-hébergement.

Sécurité, refus et conservation des données

Claude Fable 5

Fable intègre des classificateurs de sécurité pour des domaines sensibles comme la cybersécurité et la biologie. Anthropic affirme qu'ils se déclenchent en moyenne dans moins de 5 % des sessions, tout en reconnaissant que des requêtes inoffensives peuvent également être bloquées.

Lorsqu'une requête est refusée :

• l'API peut renvoyer un statut HTTP 200 avec stop_reason: "refusal" ;
• la réponse identifie le classificateur concerné ;
• les applications peuvent réessayer via un repli côté serveur, côté client ou manuel ;
• un repli configuré peut utiliser Claude Opus 4.8 ;
• les requêtes refusées avant la génération de sortie ne sont pas facturées ;
• Anthropic propose un mécanisme de crédit de repli afin d'éviter de payer deux fois le coût de changement du cache de prompt.

Cette architecture est plus sûre pour un large déploiement public, mais elle peut réduire la reproductibilité. Deux tâches de programmation apparemment similaires peuvent être traitées par des modèles sous-jacents différents si l'une d'elles déclenche un classificateur.

Fable impose une conservation des données de 30 jours et n'est pas disponible avec Zero Data Retention. Cette limitation peut être déterminante pour les charges réglementées ou hautement confidentielles.

Kimi K3

Kimi ne documente pas dans l'API K3 de mécanisme automatique équivalent permettant de basculer vers un autre modèle.

Moonshot décrit toutefois deux limites comportementales pratiques :

1. Sensibilité à l'historique de raisonnement. Si l'agent ne conserve pas le message complet de l'assistant ou change de modèle au milieu d'une session, la qualité peut devenir instable.
2. Proactivité excessive. K3 peut prendre des décisions inattendues lorsque les instructions sont ambiguës, car il est entraîné à poursuivre de manière autonome des tâches longues et difficiles.

Moonshot recommande de définir des contraintes explicites dans le prompt système ou dans AGENTS.md lorsque l'agent doit rester dans des limites strictes.

Le traitement des données par Kimi doit être évalué en fonction du produit et du contrat précis utilisés. Les équipes traitant des informations confidentielles devraient obtenir des conditions écrites concernant la conservation, l'utilisation pour l'entraînement, la localisation des données, la suppression et la gestion des incidents.

Quel modèle choisir ?

Choisissez Kimi K3 lorsque :

• le coût de l'API est une contrainte majeure ;
• vous devez exécuter de nombreuses expériences longues ou répétées ;
• la charge utilise des contextes très volumineux ;
• l'agent travaille avec des captures d'écran ou des vidéos ;
• le frontend, les jeux ou l'itération visuelle sont essentiels ;
• vous utilisez déjà un client compatible OpenAI ;
• l'accès futur à des poids ouverts est important ;
• vous pouvez valider le comportement de l'agent avec des tests et des sandbox ;
• vous acceptez de gérer un écosystème plus jeune.

Choisissez Claude Fable 5 lorsque :

• la capacité générale maximale compte plus que le prix par token ;
• les tâches difficiles à l'échelle d'un dépôt représentent la charge principale ;
• le suivi des instructions et le jugement doivent rester solides durant de longues sessions ;
• votre équipe utilise déjà Claude Code ;
• vous avez besoin de mécanismes matures de gestion du contexte et d'outils agentiques ;
• la disponibilité multi-cloud est importante ;
• vous souhaitez adapter dynamiquement l'effort de low à max ;
• un repli de sécurité est acceptable ou souhaitable ;
• une conservation des données de 30 jours ne bloque pas le projet.

Utilisez les deux lorsque :

Une stratégie de routage hybride peut être la meilleure décision d'ingénierie.

Kimi peut gérer :

• les premières tentatives d'implémentation ;
• le travail visuel sur le frontend ;
• l'exploration large des dépôts ;
• la génération de code à grand volume ;
• le prétraitement de contextes très longs ;
• plusieurs solutions candidates en parallèle.

Fable peut gérer :

• la révision architecturale finale ;
• l'escalade des bogues difficiles ;
• la vérification des changements risqués ;
• les migrations complexes ;
• les tâches très sensibles aux instructions ;
• les problèmes de longue durée les plus difficiles.

Cette approche exploite l'avantage tarifaire de Kimi sans le considérer comme un remplacement universel de Fable.

Verdict

Claude Fable 5 est globalement le modèle le plus puissant pour le code et le travail agentique.

Il mène dans l'indice indépendant Artificial Analysis Intelligence Index, devance légèrement Kimi dans le Vals Index, occupe la tête des classements généraux de texte et de suivi des instructions, et remporte davantage de benchmarks agentiques généraux publiés par Moonshot. Ses contrôles de raisonnement, l'écosystème Claude Code, les fonctions de gestion du contexte et la disponibilité multi-cloud en font le choix par défaut le plus sûr pour les équipes qui privilégient la capacité et la maturité opérationnelle.

Kimi K3 offre cependant le meilleur rapport valeur-prix.

Il atteint une performance proche de la frontière pour environ 30 % du prix standard par token de Fable, mène dans plusieurs benchmarks de programmation et d'automatisation, accepte directement les vidéos, s'intègre via le SDK OpenAI et pourrait bientôt proposer des poids complets téléchargeables. Il est particulièrement intéressant pour le développement visuel, les longues expériences, les très grands contextes et les charges pour lesquelles le coût de Fable limiterait le nombre d'itérations.

La conclusion honnête est la suivante :

Choisissez Claude Fable 5 pour maximiser la probabilité de réussite sur les tâches d'ingénierie les plus difficiles et les plus sensibles aux instructions. Choisissez Kimi K3 lorsque vous avez besoin de performances de classe frontier à un prix nettement inférieur et que vous pouvez compenser par des évaluations, des sandbox et des contrôles de workflow plus stricts.

Ne sélectionnez aucun modèle à partir d'une seule ligne de classement. Testez-les tous les deux sur un ensemble d'évaluation privé composé de vrais problèmes de dépôt, d'appels d'outils attendus, de contraintes de sécurité et d'un coût acceptable par tâche terminée.

Sources

• Moonshot AI, Kimi K3: Open Frontier Intelligence
• Kimi API Platform, démarrage rapide et fonctions API de Kimi K3
• Kimi API Platform, tarifs de Kimi K3
• Moonshot AI, Kimi Code
• Anthropic, Claude Fable 5 et Claude Mythos 5
• Claude Platform Docs, présentation de Claude Fable 5 et Claude Mythos 5
• Claude Platform Docs, contrôle de l'effort
• Claude Platform Docs, tarifs de l'API
• Claude Platform Docs, mise en cache des prompts
• Anthropic, fiche système de Claude Fable 5 et Claude Mythos 5
• Artificial Analysis, évaluation de Kimi K3
• Artificial Analysis, évaluation de Claude Fable 5
• Vals AI, Vals Index
• Arena, classement WebDev
• Arena, classement texte