Fireworks retravaille Kimi K3 et réduit les tokens de 40 %
Fireworks AI lance Ember-1, un post-entraînement du modèle à poids ouverts Kimi K3 de Moonshot AI, qui génère environ 40 % de tokens en moins sans perte notable de qualité.
21 articles vérifiés sur Kimi, les produits et le secteur.
Fireworks AI lance Ember-1, un post-entraînement du modèle à poids ouverts Kimi K3 de Moonshot AI, qui génère environ 40 % de tokens en moins sans perte notable de qualité.
La startup Inferact montre que le TPU v7 de Google exécute le modèle Kimi K3 57 % plus vite que le GB200 de Nvidia, grâce à une technique de megakernel qui fusionne 92 couches en un seul programme.
Moonshot AI lance Kimi Code Desktop pour Mac et Windows, avec gestion de projets, terminal, Git et annotation de captures d'écran, mais sans détailler le modèle ni les prix.
Le 11 septembre, Moonshot AI a déployé K2.8 Preview pour tous les utilisateurs de Kimi Code : l'ID du modèle ne change pas, les paliers de réflexion s'alignent sur K3, et tous les forfaits passent à un contexte de 1M de tokens — pendant que le mode de permissions de la CLI a changé deux fois en deux jours.
Model choice, Azure hosting and coding-model price pressure.
Moonshot AI a publié Kimi K2.7-Code avec un mode HighSpeed. Certains scores internes sont flatteurs, mais l'argument le plus solide reste un prix de sortie nettement inférieur.
Moonshot AI a simulé les 104 matchs avec des agents Kimi et repéré des écarts de probabilité, dont une Allemagne peut-être sous-estimée.
Le MoE ouvert de Moonshot réduit fortement les coûts d'entrée et sortie tout en progressant sur les benchmarks de code agentique.
L'agent desktop de Moonshot utilise fichiers locaux, navigateurs connectés et tâches planifiées pour les données qui ne peuvent pas partir dans le cloud.
Moonshot ouvre Kimi K2.7-Code pour le codage IA.
Le créateur de Kimi chercherait 2 milliards de dollars après un ARR doublé entre mars et avril et une gamme K2 passée du chat aux agents.
Moonshot AI discute déjà une nouvelle levée qui porterait sa valorisation à 30 milliards de dollars, avant même l’encaissement complet du tour précédent.
Nvidia a dévoilé le modèle open source Nemotron 3 Ultra, avec 550 milliards de paramètres, obtenant 48 points à l'indice d'intelligence d'Artificial Analysis, contre 54 points pour le Kimi K2.6 chinois.
Le créateur de Kimi a bouclé un tour mené par un investisseur lié à Meituan, sur fond de flambée des valorisations des modèles d'IA chinois.
Moonshot AI a levé 2 milliards de dollars à une valorisation supérieure à 20 milliards, plaçant Kimi au cœur de la course chinoise aux grands modèles open source et d’un possible IPO à Hong Kong.
Moonshot AI a publié la version complète du modèle Kimi K2.6, qui a obtenu 54,0 au HLE-Full, surpassant Claude Opus 4.6 et GPT-5.4 pour prendre la tête des modèles open source. Le modèle de 1 billion de paramètres utilise une architecture MoE, n'activant que 32 milliards de paramètres par inférence, et prend en charge jusqu'à 300 agents parallèles.
Moonshot AI a déployé l'aperçu de K2.6 Code pour tous les abonnés Kimi Code, avec des prix nettement inférieurs à ceux de Claude Sonnet et GPT-5.4, des chaînes de raisonnement plus profondes et une exécution parallèle réelle dans Agent Swarm.
Cursor a lancé Composer 2, un nouveau modèle de codage IA, mais n'a pas révélé initialement qu'il était construit sur le modèle open source Kimi K2.5 de Moonshot AI, une entreprise chinoise, et ne l'a admis qu'après avoir été interrogé.
Moonshot AI a publié en open source Kimi K2, un modèle MoE de 1 000 milliards de paramètres n'activant que 32B paramètres par token, leader dans les benchmarks de programmation et les capacités d'agent.
Moonshot AI a lancé Kimi K2.5, qui ajoute la multimodalité native et la fonction Agent Swarm à K2, permettant de diviser une tâche complexe en plusieurs sous-tâches exécutées en parallèle par des agents indépendants.
Moonshot AI a publié K1.5 avant K2, avec pour objectif central d'améliorer les capacités de raisonnement via l'apprentissage par renforcement pur, confirmant la faisabilité de cette approche sur des modèles de taille moyenne.