Kimi K2
Kimi K2 est un LLM de Moonshot AI, sorti le 6 novembre 2025 et originaire de Chine. Son positionnement combine une très grande taille, 1000 milliards de paramètres dont 32 milliards actifs, avec un prix d’usage très agressif pour sa catégorie.
Kimi K2 est un LLM de Moonshot AI, sorti le 6 novembre 2025 et originaire de Chine. Son positionnement combine une très grande taille, 1000 milliards de paramètres dont 32 milliards actifs, avec un prix d’usage très agressif pour sa catégorie.
Le modèle se distingue surtout par son rapport coût-performance : sa tarification est annoncée 70% sous la moyenne des LLM similaires et environ 8,3 fois inférieure à celle des modèles frontière. Son entraînement représente 3,0 × 10²⁴ FLOP, soit environ 827 000 heures-GPU H100.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Moonshot AI |
| Date de sortie | 6 novembre 2025 |
| Paramètres | 1000 milliards |
| Paramètres actifs | 32 milliards |
Indices de synthèse
| Indice | Valeur | Rang (LLM) |
|---|---|---|
| Intelligence Index | 19.4 | 101ᵉ / 136 |
| Math Index | 57.0 | 29ᵉ / 55 |
Indices Artificial Analysis. Le rang situe le modèle parmi tous les LLM du catalogue disposant de l'indice.
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : Ethics (Baseline) | 100,0 % | 1ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : General Knowledge (Baseline) | 99,5 % | 68ᵉ / 250 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 99,0 % | 24ᵉ / 254 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 95,0 % | 25ᵉ / 217 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 94,0 % | 126ᵉ / 229 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 93,0 % | 58ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Keyword Topic Relevance Classification | 90,0 % | 5ᵉ / 9 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 86,0 % | 102ᵉ / 239 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 77,0 % | 58ᵉ / 252 | benchable | ✅ Mesuré |
| Epoch: FrontierMath-2025-02-28-Public | 40,0 % | 20ᵉ / 64 | epoch | ✅ Mesuré |
| Epoch: FrontierMath-2025-02-28-Private | 21,4 % | 28ᵉ / 69 | epoch | ✅ Mesuré |
| Epoch: FrontierMath-Tier-4-2025-07-01-Public | 0,0 % | 3ᵉ / 36 | epoch | ✅ Mesuré |
| Epoch: FrontierMath-Tier-4-2025-07-01-Private | 0,0 % | 47ᵉ / 55 | epoch | ✅ Mesuré |
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.
Intelligence Index
Math Index
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| artificialanalysis | 0,585 $ | 2,4 $ | 0,36 $ |
| artificialanalysis | 0,6 $ | 2,5 $ | 0,6 $ |
Prix en dollars US par million de tokens.
Sa tarification se situe 70 % en dessous de la moyenne des LLM similaires, et 8,3 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0,02 $ |
| Latence moyenne par benchmark — Benchable | 9 min 16 s |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Entraînement & empreinte
| Indicateur | Valeur |
|---|---|
| Compute d'entraînement | 3,0 × 10²⁴ FLOP |
| Taille du jeu d'entraînement | 1,6 × 10¹³ |
| Jeu de données | Unspecified unreleased |
| Matériel | NVIDIA H800 SXM5 |
| Pays | China |
Notre analyse
Forces. Kimi K2 affiche ses meilleurs résultats sur Benchable Ethics (Baseline), où il atteint le premier rang, et sur Benchable Email Classification (Baseline), où il se place dans le haut du classement. Les scores Benchable en General Knowledge, Mathematics et Coding indiquent aussi un modèle solide sur des tâches générales, mathématiques et de programmation, sans se limiter à un seul domaine. Son Math Index le situe dans une zone compétitive par rapport aux modèles évalués sur cet axe. Le principal atout reste toutefois économique : avec un tarif d’entrée très bas et un coût de sortie contenu, Kimi K2 vise un usage intensif à moindre coût par rapport aux LLM similaires et aux modèles haut de gamme.
Limites et points d'attention. L’Intelligence Index place Kimi K2 dans la seconde moitié du classement global, ce qui limite son positionnement comme modèle généraliste de tout premier plan. Le benchmark Benchable Hallucinations (Baseline) reste moins distinctif que ses meilleurs résultats, avec un classement en milieu de tableau malgré un score élevé. Le modèle présente donc un profil contrasté : très compétitif en prix et performant sur plusieurs tâches ciblées, mais moins convaincant comme référence globale. Kimi K2 convient surtout aux usages où le coût par token, la classification d’e-mails, les connaissances générales, les mathématiques courantes et le code comptent davantage que le rang global sur les indices d’intelligence.
Sources des données : Artificial Analysis (artificialanalysis.ai) · Epoch AI (epoch.ai), CC-BY-4.0 · Benchable.ai (benchable.ai).