Présentation du modèle
Kimi K3.1 Pro est un modèle d’intelligence artificielle qui accepte du texte et des images en entrée et ne produit que du texte en sortie. Il dispose d’une fenêtre de contexte de 1 million de tokens, ce qui le place parmi les modèles capables de gérer de longs dialogues ou de gros documents. Le modèle est classé dans la catégorie « open weights », ce qui signifie qu’il est comparé uniquement avec d’autres modèles à poids ouverts de même taille, même si la fourchette exacte de paramètres n’est pas précisée dans la source.
Performances et métriques
Sur l’Artificial Analysis Intelligence Index, Kimi K3.1 Pro atteint un score de 55, bien au‑dessus de la médiane de 27 observée chez les modèles comparables. Cette différence reflète une capacité supérieure à générer du contenu pertinent selon les critères de l’index. Le modèle a produit 150 millions de tokens lors de l’évaluation, contre une médiane de 87 millions, ce qui indique un niveau de verbosité élevé. En termes de vitesse, il traite 73 tokens par seconde, alors que la moyenne de la catégorie est de 81 t/s, le rendant plus lent que la plupart des concurrents.
Coût et efficacité
Le tarif appliqué à Kimi K3.1 Pro est de 2 USD pour chaque million de tokens d’entrée et de 10 USD pour chaque million de tokens de sortie. Ces prix correspondent exactement aux valeurs médianes du marché (2 USD et 10 USD respectivement). En combinant les coûts d’entrée et de sortie, le prix moyen d’une tâche d’évaluation sur l’Intelligence Index s’élève à 2,11 USD, ce qui confirme que le modèle se situe dans la fourchette de prix « modérément » pour sa catégorie.
Limites et contexte d’utilisation
La verbosité importante (150 M tokens générés) peut entraîner des coûts d’inférence plus élevés que nécessaire pour des applications où la concision est prioritaire. De plus, la vitesse de 73 t/s, inférieure à la moyenne, peut limiter l’adoption dans des scénarios temps‑réel ou à forte charge. Le positionnement de prix moyen indique que le modèle n’offre pas d’avantage économique majeur, mais son score élevé sur l’Intelligence Index le rend intéressant pour des tâches nécessitant une compréhension fine du texte et des images. Enfin, l’absence de données précises sur le nombre de paramètres empêche une comparaison fine avec les classes Tiny, Small, Medium ou Large, ce qui constitue une lacune à prendre en compte lors de l’évaluation du rapport performance/coût.
