Kimi K3 vs DeepSeek V4 : quel modèle d'IA ouvert choisir en 2026 ?

À première vue, Kimi K3 et DeepSeek V4 ressemblent à deux modèles d'IA chinois comparables. Tous deux proposent une fenêtre de contexte d'environ un million de tokens, utilisent une architecture Mixture of Experts, ciblent la programmation et le travail agentique et se présentent comme des alternatives aux modèles propriétaires des fournisseurs américains.

Dans la pratique, les différences sont plus importantes que ne le laissent penser les documents de lancement.

DeepSeek V4 est déjà disponible sous deux variantes principales : V4-Pro et V4-Flash. Les poids des deux modèles peuvent être téléchargés et la licence MIT autorise les usages commerciaux. Kimi K3 est plus récent et nettement plus performant dans plusieurs évaluations indépendantes, mais ses poids complets n'avaient pas encore été publiés lors de la dernière vérification. Moonshot AI a annoncé leur mise à disposition au plus tard le 27 juillet 2026, tandis que la licence définitive n'avait pas encore été communiquée. [1][2][3]

Cela conduit à une première conclusion essentielle :

Si vous avez besoin de poids ouverts téléchargeables et déployables dès aujourd'hui, DeepSeek V4 gagne sans réserve. Si vous utilisez une API et privilégiez la qualité, la multimodalité et le développement d'interfaces, Kimi K3 est actuellement le meilleur candidat.

D'abord, une correction importante : quel modèle est réellement ouvert ?

Dans le secteur de l'IA, les expressions « open source », « modèle ouvert » et « poids ouverts » sont souvent utilisées comme des synonymes alors qu'elles ne désignent pas la même chose.

DeepSeek a publié les fichiers de V4-Pro et V4-Flash sous licence MIT. Celle-ci autorise la modification, le déploiement et l'usage commercial à condition de conserver les mentions exigées. Cela ne rend pas l'ensemble du processus d'entraînement transparent, mais du point de vue du déploiement, DeepSeek V4 est aujourd'hui un modèle dont les poids sont réellement disponibles. [2][3]

Moonshot présente Kimi K3 comme un modèle ouvert d'environ trois billions de paramètres, mais lors de la vérification il n'était utilisable que via les produits et l'API de l'entreprise. Les poids complets et le rapport technique étaient annoncés pour une date ultérieure. Tant que les fichiers et la licence ne sont pas publiés, Kimi K3 doit être décrit comme un modèle dont la publication des poids ouverts a été annoncée, et non comme un modèle prêt à être déployé indépendamment. [1]

Cette distinction n'est pas un détail sémantique. Elle détermine si une organisation peut aujourd'hui :

• télécharger le modèle sans l'autorisation du fournisseur ;
• l'exécuter dans sa propre infrastructure ;
• figer une version précise ;
• ajuster ou quantifier les poids ;
• éviter les futures modifications des tarifs et règles de l'API ;
• vérifier la licence avant d'engager un projet.

Comparaison rapide

Les données d'architecture, de modalité, de limites et de prix proviennent des fiches officielles et de la documentation des API. [1][2][4][5]

Qu'est-ce que Kimi K3 ?

Kimi K3 est le dernier modèle phare de Moonshot AI. Il possède 2,8 billions de paramètres et utilise une architecture Mixture of Experts parcimonieuse. Pendant la génération, il active 16 experts sur 896, ce qui évite de mobiliser l'ensemble du réseau pour chaque token. [1]

Le modèle utilise plusieurs technologies développées par Moonshot :

• Kimi Delta Attention, conçu pour fonctionner efficacement sur de très longues séquences ;
• Attention Residuals, qui récupère sélectivement des représentations de couches antérieures ;
• Stable LatentMoE, utilisé pour mettre à l'échelle plus sûrement le routage des experts ;
• un entraînement tenant compte de poids et d'activations de faible précision.

Moonshot affirme que K3 offre une efficacité de mise à l'échelle environ 2,5 fois supérieure à Kimi K2. Il s'agit d'une déclaration du fournisseur et non d'un résultat indépendant, d'autant que le rapport technique complet n'était pas encore disponible. [1]

K3 vise principalement la programmation de longue durée, la recherche, le travail sur de grands dépôts, la création d'interfaces, les jeux et les projets de CAO. Il accepte nativement les images et les vidéos, ce qui le distingue de la famille DeepSeek V4, orientée texte. [4]

Qu'est-ce que DeepSeek V4 ?

DeepSeek V4 n'est pas un modèle unique, mais une famille comprenant au moins deux variantes importantes.

DeepSeek V4-Pro

V4-Pro possède 1,6 billion de paramètres, dont environ 49 milliards actifs pendant l'inférence. Il a été entraîné sur plus de 32 billions de tokens et prend en charge une fenêtre de contexte d'un million de tokens. DeepSeek le destine à la programmation difficile, au raisonnement, aux agents et à l'utilisation d'outils. [2][3]

V4-Pro est le véritable concurrent de Kimi K3 lorsqu'on compare le modèle le plus puissant de chaque entreprise.

DeepSeek V4-Flash

V4-Flash possède 284 milliards de paramètres, dont environ 13 milliards actifs. Il est moins puissant que V4-Pro, mais bien plus simple et économique à servir. Il conserve une fenêtre de contexte d'un million de tokens, des poids téléchargeables et la même licence MIT. [2][3]

Pour une entreprise ordinaire, Flash peut être plus pertinent que Pro. Il convient au routage de tâches simples, à la classification à grande échelle, à l'extraction, à la génération de code moins complexe et au fonctionnement de nombreux agents parallèles sans les coûts d'un modèle frontier.

Que montrent les benchmarks indépendants ?

La comparaison actuelle la plus utile provient d'Artificial Analysis, qui évalue les modèles avec un ensemble cohérent de tests couvrant le raisonnement, les connaissances, le code, le terminal et les tâches professionnelles.

Kimi mène de 13 points dans l'indice agrégé, ce qui constitue un écart important. Il ne s'agit pas d'une petite variation dans un benchmark isolé : dans l'ensemble indépendant actuel, Kimi est clairement le modèle général le plus puissant. [6][7]

DeepSeek répond par le prix. Réaliser la même classe d'évaluation a coûté environ 15,3 fois moins cher, bien que DeepSeek ait généré davantage de tokens de sortie. Cela illustre l'agressivité de sa tarification. [6][7]

Il est également important que la vitesse de génération une fois la réponse commencée soit presque identique. DeepSeek n'a pas obtenu son avantage tarifaire en divisant le débit par dix. Les différences majeures concernent la qualité et le nombre de tokens nécessaires pour terminer une tâche. [6][7]

Que montrent les classements Arena ?

Dans le classement texte d'Arena au 16 juillet, Kimi K3 affichait un score provisoire d'environ 1486 et figurait dans les dix premiers. DeepSeek V4-Pro et sa variante thinking se situaient autour de 1456-1458, nettement plus bas. Le score de Kimi était toutefois marqué comme provisoire et reposait sur moins de votes. L'écart de position ne doit donc pas être considéré comme définitif. [8][9]

L'écart était plus important dans WebDev Arena. Kimi K3 occupait provisoirement la première place avec environ 1679 points, tandis que DeepSeek V4-Pro-thinking se situait beaucoup plus bas, autour de 1459. Ce classement est particulièrement pertinent pour le développement de sites et d'interfaces car il évalue le résultat visuel, et pas seulement la correction textuelle de la réponse. [10][11]

Ce résultat correspond aux capacités des modèles. Kimi peut examiner des captures d'écran et itérer à partir d'une image. DeepSeek V4 est un modèle textuel ; un workflow similaire exige donc une couche supplémentaire de description visuelle ou un modèle de vision externe.

Programmation : quel modèle est le meilleur ?

Il n'existe actuellement aucun ensemble indépendant et parfaitement contrôlé comparant Kimi K3 et DeepSeek V4 dans tous les mêmes harnesses d'agents de programmation.

Moonshot publie notamment pour Kimi 67,5 sur DeepSWE, 88,3 sur Terminal-Bench 2.1, 81,2 sur FrontierSWE et 42,0 sur SWE Marathon. DeepSeek publie pour V4-Pro Max 80,6 sur SWE-bench Verified, 55,4 sur SWE-bench Pro, 67,9 sur Terminal-Bench 2.0 et 93,5 sur LiveCodeBench. Ces chiffres ne doivent pas être assemblés dans un tableau simpliste « gagnant-perdant », car ils proviennent de versions de benchmarks, d'agents, de limites et de méthodologies différents. [1][2]

Une conclusion plus sûre découle des évaluations indépendantes et de la nature des modèles.

Kimi K3 sera généralement meilleur lorsque :

• la tâche comprend du frontend ou une interface évaluée à partir de captures d'écran ;
• l'agent doit analyser des images ou des enregistrements ;
• la meilleure qualité de ces deux modèles est nécessaire ;
• le modèle travaille plusieurs heures sur un problème difficile ;
• le coût compte, mais n'est pas la principale contrainte ;
• l'entreprise n'a pas encore besoin d'un déploiement privé des poids.

DeepSeek V4-Pro sera généralement meilleur lorsque :

• la tâche est essentiellement textuelle et liée au code ;
• le budget exige de nombreuses tentatives ;
• de nombreux agents doivent fonctionner en parallèle ;
• vous souhaitez utiliser Claude Code sans payer les tarifs des modèles Anthropic ;
• vous devez figer et maintenir indépendamment une version précise du modèle ;
• vous avez besoin d'un mode sans raisonnement pour des opérations simples.

DeepSeek V4-Flash sera généralement meilleur lorsque :

• le débit est prioritaire ;
• vous traitez un grand volume de tâches répétitives ;
• vous construisez une couche économique d'agents auxiliaires ;
• vous cherchez une option d'auto-hébergement plus réaliste ;
• vous n'avez pas besoin de la qualité de Kimi ou V4-Pro pour chaque requête.

Agents et utilisation des outils

DeepSeek V4 prend en charge l'appel d'outils, les sorties JSON, la complétion par préfixe et de longues réponses pouvant atteindre 384 000 tokens. L'API propose un mode sans raisonnement, high et max. La documentation précise qu'en utilisant des outils en mode thinking, une application doit renvoyer reasoning_content dans les requêtes suivantes ; son absence peut provoquer une erreur HTTP 400. [5]

DeepSeek propose également une compatibilité avec l'API Anthropic et un guide officiel pour connecter V4 à Claude Code. L'entreprise mappe directement les noms des modèles et les variables d'environnement, tandis que la recherche web peut fonctionner dans cet environnement via l'API DeepSeek. [12]

Kimi prend lui aussi en charge function calling, tool_choice, JSON Schema, le chargement dynamique des outils, le streaming et la mise en cache automatique. Comme DeepSeek, il exige cependant que l'historique complet des messages de l'assistant liés au raisonnement soit conservé. Moonshot avertit que la suppression de ces messages ou le changement de modèle en cours de session peut réduire la stabilité. [4][13]

Au moment de la vérification, la fonction officielle de recherche web de Kimi était en cours de mise à jour et n'était pas recommandée pour la production. DeepSeek proposait donc ici l'intégration la plus pratique, surtout pour les utilisateurs de Claude Code. [4][12]

Contrôle du raisonnement

Cette partie de la comparaison favorise clairement DeepSeek.

DeepSeek V4 peut fonctionner :

• sans raisonnement ;
• avec reasoning_effort="high" ;
• avec reasoning_effort="max".

La documentation conserve la compatibilité avec d'autres noms de niveaux : low et medium sont associés à high, tandis que xhigh est associé à max. Pour les tâches agentiques complexes, telles que les sessions Claude Code, l'API peut sélectionner automatiquement l'effort maximal. [5]

Le raisonnement de Kimi K3 est toujours activé et, au lancement, le modèle ne prenait en charge que :

reasoning_effort="max"

Moonshot a annoncé des modes moins coûteux, mais ils n'étaient pas encore disponibles. [4]

Pour un problème difficile, ce n'est pas nécessairement un défaut. Pour les transformations simples, les classifications, les réponses courtes ou le routage à grande échelle, cela entraîne toutefois une consommation inutile de tokens et empêche d'adapter le comportement à la valeur de la tâche.

Images, documents et vidéo

Kimi K3 possède un avantage que le tarif par token ne peut pas compenser à lui seul : il est multimodal.

L'API officielle accepte le texte, les images et les fichiers vidéo. Le même modèle peut donc analyser du code, examiner une capture d'écran d'application, identifier les différences avec une maquette, puis appliquer des corrections. Il peut également travailler avec une vidéo sans qu'il soit nécessaire d'extraire manuellement les images et de les transmettre à un modèle séparé. [4]

DeepSeek V4-Pro et V4-Flash sont décrits comme des modèles textuels. Un workflow multimodal peut être construit autour d'eux, mais il nécessite un modèle de vision supplémentaire, un OCR, une transcription ou une couche d'extraction spécifique. [2][7]

Pour les systèmes backend, les scripts, l'analyse de dépôt et les agents de terminal, cela peut être sans importance. Pour le frontend, l'assurance qualité visuelle, les applications mobiles, les jeux et l'analyse vidéo, c'est l'une des différences essentielles.

Comparaison des tarifs API

Selon les tarifs officiels, l'entrée V4-Pro est environ 6,9 fois moins chère que celle de Kimi, et la sortie environ 17,2 fois moins chère. Les lectures du cache sont environ 82,8 fois moins coûteuses. V4-Flash accentue encore l'écart. [5][14]

Exemple 1 : tâche sur un dépôt

Hypothèses :

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

V4-Pro est environ 8,6 fois moins cher que Kimi dans cet exemple. Flash coûte toujours moins de quatre centimes après plusieurs tentatives comparables.

Exemple 2 : grand contexte en cache

Hypothèses :

• 500 000 tokens d'entrée en cache ;
• 20 000 tokens de sortie.

Pour un long préfixe fréquemment répété, la différence de coût est énorme.

Le comportement des modèles reste important. Dans l'évaluation Artificial Analysis, DeepSeek a généré environ 180 millions de tokens de sortie, contre 130 millions pour Kimi. DeepSeek était plus verbeux, mais restait nettement moins cher. [6][7]

Auto-hébergement et exigences matérielles

Des poids ouverts ne signifient pas que le modèle fonctionnera sur une puissante station de travail de bureau.

DeepSeek V4-Pro possède 1,6 billion de paramètres au total, même si environ 49 milliards seulement sont actifs lors de l'inférence. Les poids complets, la mémoire, le routage des experts, les communications entre appareils et le cache d'un contexte d'un million de tokens nécessitent une infrastructure distribuée. La fiche officielle fournit des instructions de service, mais un déploiement pratique de Pro reste un projet destiné aux organisations disposant de plusieurs accélérateurs. [2][3]

V4-Flash, avec 284 milliards de paramètres au total et environ 13 milliards actifs, est un candidat bien plus réaliste pour une infrastructure privée. Ce n'est toujours pas un modèle pour ordinateur portable, mais le coût matériel et le débit devraient être plus faciles à gérer que pour V4-Pro.

Kimi K3 est encore plus grand. Moonshot recommande des configurations de supernœuds comportant au moins 64 accélérateurs. Même après la publication des poids, un déploiement privé aura surtout du sens pour les hyperscalers, les grands laboratoires et les fournisseurs d'infrastructure. [1]

Pour la plupart des entreprises, « auto-hébergement » devrait donc plutôt signifier :

• utiliser un fournisseur spécialisé d'inférence ;
• louer un cluster pour la durée d'une charge ;
• déployer le plus petit V4-Flash ;
• envoyer les tâches les plus difficiles vers une API externe.

Confidentialité et localisation des données

Un déploiement privé de DeepSeek V4 offre le plus grand contrôle sur les données, mais seulement si l'organisation gère réellement l'infrastructure, les journaux, les sauvegardes et les accès administrateurs.

En utilisant l'API officielle, la politique de confidentialité de DeepSeek indique que l'entreprise collecte les prompts, les fichiers, les images et l'historique des conversations, peut utiliser les données pour améliorer et entraîner ses technologies et traite les données personnelles en République populaire de Chine. La politique décrit aussi une possibilité de s'opposer à leur usage pour l'entraînement. [15]

La politique de la plateforme Kimi indique que le contenu utilisateur peut servir à développer et améliorer la technologie et que les données sont stockées sur des serveurs sécurisés à Singapour. La durée de conservation dépend notamment du type de données, de l'activité du compte et des obligations légales. [16]

Aucune politique générale de confidentialité ne remplace un contrat d'entreprise. Avant d'envoyer du code source, des secrets commerciaux ou des données clients, une organisation devrait obtenir des conditions écrites concernant :

• l'usage pour l'entraînement ;
• les possibilités de refus ;
• la conservation et la suppression ;
• la région de traitement ;
• les sous-traitants ;
• la gestion des incidents ;
• la conformité aux exigences internes.

Limites de Kimi K3

La principale faiblesse actuelle de Kimi est que son ouverture annoncée ne peut pas encore être vérifiée. La licence finale, l'exhaustivité de la publication et les conditions d'utilisation des poids sont inconnues.

Le modèle présente également trois limites pratiques :

1. il fonctionne actuellement uniquement avec l'effort de raisonnement maximal ;
2. il est sensible à la perte de l'historique complet lié au raisonnement ;
3. il peut être excessivement proactif et prendre des décisions non approuvées lorsque les instructions sont ambiguës. [4][13]

Kimi est aussi nettement plus cher que DeepSeek et son avantage qualitatif n'est pas nécessaire pour toutes les charges. L'utiliser pour du parsing simple, de la classification ou de la génération de code fondée sur des modèles peut être économiquement injustifié.

Limites de DeepSeek V4

DeepSeek V4-Pro est nettement moins performant que Kimi K3 dans l'indice agrégé indépendant. L'écart était encore plus important dans le classement WebDev, et l'absence d'entrée native pour les images et la vidéo limite son utilité dans les workflows visuels. [6][7][10][11]

Le modèle est également très verbeux. Dans l'évaluation Artificial Analysis, il a produit environ 180 millions de tokens de sortie, davantage que Kimi. Ses tarifs faibles le maintiennent malgré tout à bas coût, mais des trajectoires plus longues peuvent augmenter la latence, le volume des journaux et le temps de révision humaine. [7]

Les intégrations agentiques doivent conserver correctement reasoning_content. Une mauvaise gestion de l'historique peut interrompre un appel d'outil. [5]

Les poids ouverts ne résolvent pas automatiquement la sécurité. Une organisation qui exploite elle-même le modèle assume la responsabilité de l'isolation des outils, des mises à jour, des filtres, de la surveillance, du contrôle des accès et de la protection des données.

Quel modèle choisir ?

Choisissez Kimi K3 lorsque :

• vous recherchez la meilleure qualité parmi les modèles comparés ;
• vous développez des frontends, des applications, des jeux ou des outils de CAO ;
• l'agent doit analyser des captures d'écran ou des vidéos ;
• vous utilisez une API et n'avez pas encore besoin de poids privés ;
• une tâche individuelle a suffisamment de valeur pour que le prix du modèle ne domine pas ;
• vous pouvez tester rigoureusement les actions autonomes.

Choisissez DeepSeek V4-Pro lorsque :

• vous avez besoin de poids ouverts réellement disponibles ;
• la licence MIT et l'usage commercial comptent ;
• vous construisez des agents textuels et de programmation à grande échelle ;
• vous souhaitez réduire radicalement les coûts API ;
• vous prévoyez une intégration avec Claude Code ou un client au format Anthropic ;
• vous avez besoin d'un mode sans raisonnement et d'un meilleur contrôle de l'effort ;
• vous acceptez une qualité générale inférieure à celle de Kimi.

Choisissez DeepSeek V4-Flash lorsque :

• le prix et le débit sont prioritaires ;
• vous traitez un grand nombre de tâches routinières ;
• vous construisez un système multi-modèles ;
• vous recherchez une option de déploiement privé plus pratique ;
• les cas difficiles peuvent être transférés à V4-Pro, Kimi ou un autre modèle.

Envisagez un routage entre plusieurs modèles

L'architecture la plus raisonnable n'est pas obligée d'utiliser le même modèle pour toutes les tâches.

Exemple de routage :

• V4-Flash gère la classification, l'extraction, les corrections simples et les agents auxiliaires ;
• V4-Pro traite les tâches textuelles et de programmation plus difficiles ;
• Kimi K3 prend en charge le frontend, les images, la vidéo et les cas les plus difficiles ;
• les données sensibles restent sur un déploiement privé de DeepSeek ;
• les travaux moins sensibles peuvent utiliser des API externes.

Cette approche exploite les forces de Kimi sans payer son tarif pour chaque requête.

Verdict

La question du titre possède deux réponses différentes.

Le meilleur modèle ouvert déployable aujourd'hui est DeepSeek V4. Il dispose de poids accessibles, d'une licence MIT, d'une API extrêmement économique, d'une variante Pro pour les tâches difficiles et d'une variante Flash pour la grande échelle. Il offre aussi une compatibilité mature avec les formats OpenAI et Anthropic, des niveaux de raisonnement réglables et une intégration officielle avec Claude Code. [2][3][5][12]

Le modèle le plus puissant lorsqu'il est utilisé via API est Kimi K3. Il mène dans l'Artificial Analysis Intelligence Index indépendant, obtient de meilleurs résultats dans les classements Arena actuels, prend en charge les images et la vidéo et se montre particulièrement performant dans la création visuelle d'interfaces. [4][6][8][10]

Kimi pourrait devenir un modèle à poids ouverts extrêmement intéressant après leur publication. Une décision d'infrastructure ne devrait toutefois pas reposer uniquement sur une annonce. Il faut attendre les fichiers, la licence, le rapport technique et les premiers tests indépendants de déploiement.

Au 17 juillet 2026, la recommandation est donc simple :

• DeepSeek V4-Pro si vous avez besoin de poids privés, d'un coût bas et d'un modèle textuel puissant ;
• DeepSeek V4-Flash si vous construisez un système économique à grande échelle ;
• Kimi K3 si la qualité, le frontend, les images et la vidéo comptent davantage que l'ouverture complète et le prix.

La meilleure décision vient toujours de tests sur des charges réelles. Un benchmark général ne montre pas comment un modèle gère les conventions d'un dépôt particulier, les formats de données d'une entreprise, son système d'autorisations ou le coût de la révision humaine.

Sources

1. Moonshot AI, Kimi K3: Open Frontier Intelligence
2. DeepSeek, annonce officielle de DeepSeek V4
3. DeepSeek AI, fiche de DeepSeek V4 sur Hugging Face
4. Kimi API Platform, Kimi K3 Quickstart
5. DeepSeek API Docs, modèles, tarifs et modes de raisonnement
6. Artificial Analysis, évaluation de Kimi K3
7. Artificial Analysis, évaluation de DeepSeek V4 Pro Max
8. Arena, classement texte et score de Kimi K3
9. Arena, classement texte et score de DeepSeek V4
10. Arena, classement WebDev et score de Kimi K3
11. Arena, classement WebDev et score de DeepSeek V4
12. DeepSeek API Docs, intégration avec Claude Code
13. Moonshot AI, limites et recommandations concernant Kimi K3
14. Kimi API Platform, tarifs de Kimi K3
15. DeepSeek, politique de confidentialité
16. Kimi OpenPlatform, politique de confidentialité