Moonshot publie Kimi K2 Thinking, un modèle ouvert capable d'enchaîner 300 appels d'outils

Moonshot AI a publié Kimi K2 Thinking, son modèle de raisonnement ouvert le plus puissant. Il est conçu comme un agent : il réfléchit pas à pas et appelle des outils entre chaque étape, jusqu'à 200–300 appels d'affilée sans intervention humaine. Sur Humanity's Last Exam avec recherche, Python et navigateur, le modèle obtient 44,9%. Il atteint 60,2% sur BrowseComp, pour un niveau humain de 29,2%, et 71,3% sur SWE-Bench Verified. Le modèle est disponible dans le chat de kimi.ai et via l'API.

Comment fonctionne la boucle agentique

Moonshot parle de mise à l'échelle au moment de l'inférence : ce n'est pas seulement le nombre de tokens de raisonnement qui augmente, mais aussi le nombre d'étapes faisant appel à des outils. Un cycle typique se déroule ainsi : le modèle réfléchit, cherche, ouvre le navigateur, réfléchit de nouveau, écrit du code. En cours de route, il formule et affine des hypothèses, vérifie les sources et compose sa réponse. Dans l'un des exemples de l'entreprise, il a résolu un problème de mathématiques de niveau PhD en 23 étapes alternant raisonnement et appels d'outils.

Une réserve pratique figure dans les notes de bas de page de la publication elle-même. Le chat de kimi.ai utilise un jeu d'outils réduit et moins de tours : les chiffres des benchmarks peuvent donc ne pas s'y reproduire. Le mode agentique complet est promis dans le produit pour plus tard.

Vitesse : de l'INT4 sans perte de qualité

Le principal détail d'ingénierie est la quantification. Les modèles à raisonnement long génèrent des séquences énormes, et une compression sur peu de bits dégrade généralement la qualité de façon sensible. Moonshot a appliqué du Quantization-Aware Training à l'étape de post-entraînement : les poids des composants MoE sont stockés en INT4 (weight-only). Cela permet une inférence INT4 native et une génération environ deux fois plus rapide. Tous les résultats annoncés ont été obtenus en INT4, c'est-à-dire sans décote par rapport à une précision « complète ».

Les chiffres clés de la publication :

• HLE avec outils : 44,9% (sans blocage de l'accès à Hugging Face : 51,3%).
• BrowseComp : 60,2%, niveau de référence humain : 29,2%.
• SWE-Bench Verified : 71,3% ; SWE-Multilingual : 61,1% ; Terminal-Bench : 47,1%.
• Contexte : 256k tokens, température de 1,0 dans la plupart des tests.
• HLE : jusqu'à 120 étapes et 48k tokens de raisonnement par étape ; recherche agentique : jusqu'à 300 étapes et 24k tokens par étape.
• Heavy Mode : huit trajectoires parallèles, puis agrégation des réponses ; la comparaison s'appuie sur GPT-5 Pro.

Ce qu'il faut vérifier dans la méthodologie

Moonshot détaille précisément les conditions des tests, ce qui permet d'examiner les chiffres d'un œil critique. Pour HLE, l'accès à Hugging Face a été bloqué en raison du risque de fuite des réponses ; avec cet accès, le résultat grimperait à 51,3%. L'évaluateur était o3-mini, avec les prompts officiels de HLE.

Pour GPT-5, un niveau élevé de reasoning effort a été utilisé. Une partie des résultats des concurrents provient de publications officielles (sur HLE avec outils : 35,2 pour GPT-5 et 38,6 pour Grok-4). Les résultats manquants ont été revérifiés dans les mêmes conditions et sont signalés par un astérisque.

Pour IMO-AnswerBench, Moonshot a relancé GPT-5 via l'API et obtenu 76, contre 65,6 dans l'article du benchmark. Les résultats de programmation sont des moyennes sur cinq exécutions, réalisées avec un harnais maison dérivé de SWE-agent, avec des fenêtres réduites pour les outils Bash et Edit et un prompt système réécrit. Une exécution reproductible par un tiers, avec un autre harnais, peut donner des chiffres différents.

À qui ce modèle peut servir, et comment

Il vaut la peine d'essayer le modèle lorsque la longueur de la chaîne d'actions compte : recherche documentaire dans des informations embrouillées, tâches multi-étapes dans le terminal, développement front-end en HTML et React, où Moonshot revendique un gain notable. Les équipes qui construisent leurs propres agents ont intérêt à intégrer une gestion du contexte dans leur pipeline. Lors des tests, quand le contexte de 256k débordait, Moonshot masquait simplement toutes les sorties d'outils précédentes ; cette astuce est facile à reproduire.

Pour évaluer le modèle sur ses propres données, il faut le lancer avec le jeu d'outils complet et des limites d'étapes proches de celles des benchmarks : le chat de kimi.ai ne convient pas pour cela, alors que l'API se rapproche davantage des conditions des tests. Le gain apporté par l'INT4 intéresse ceux qui paient la latence et la mémoire GPU : une génération deux fois plus rapide change sensiblement l'économie des agents qui enchaînent des centaines d'étapes.