EN DIRECT
Anthropic affirme que Claude a permis de retracer l'origine des graines ECDSA du NIST16/10/26 · Anthropic|Reflection AI dévoile Beam, un modèle ouvert de 501 milliards de paramètres16/10/26 · Reflection AI|Meta publie Muse Spark Open, un modèle MoE taillé pour tourner en local sur Mac Studio15/10/26 · Meta|Meta publie Muse Spark Open, un modèle multimodal à poids ouverts15/10/26 · Meta|Google DeepMind détaille les mesures de sécurité entourant Gemini 4 Argon13/10/26 · Google DeepMind|Tev-Gym : une méthode pour corriger les récompenses éparses des agents à long horizon13/10/26|Google DeepMind évoque Gemini 4, nom de code « Argon »13/10/26 · Google DeepMind|Google DeepMind dévoile Gemini 4 Argon, une variante dédiée à la robotique13/10/26 · Google DeepMind|Character.AI dépose le bilan et cède des actifs à Disney13/10/26 · Character.AI|Une étude démontre que des modèles d'IA peuvent dissimuler n'importe quelle capacité de façon prouvable13/10/26|Des chercheurs isolent Claude sur une île déserte virtuelle pour observer son comportement sans consignes19/10/26 · Anthropic|Together AI présente des agents hybrides raisonnant en espace latent18/10/26 · Together AI|Anthropic affirme que Claude a permis de retracer l'origine des graines ECDSA du NIST16/10/26 · Anthropic|Reflection AI dévoile Beam, un modèle ouvert de 501 milliards de paramètres16/10/26 · Reflection AI|Meta publie Muse Spark Open, un modèle MoE taillé pour tourner en local sur Mac Studio15/10/26 · Meta|Meta publie Muse Spark Open, un modèle multimodal à poids ouverts15/10/26 · Meta|Google DeepMind détaille les mesures de sécurité entourant Gemini 4 Argon13/10/26 · Google DeepMind|Tev-Gym : une méthode pour corriger les récompenses éparses des agents à long horizon13/10/26|Google DeepMind évoque Gemini 4, nom de code « Argon »13/10/26 · Google DeepMind|Google DeepMind dévoile Gemini 4 Argon, une variante dédiée à la robotique13/10/26 · Google DeepMind|Character.AI dépose le bilan et cède des actifs à Disney13/10/26 · Character.AI|Une étude démontre que des modèles d'IA peuvent dissimuler n'importe quelle capacité de façon prouvable13/10/26|Des chercheurs isolent Claude sur une île déserte virtuelle pour observer son comportement sans consignes19/10/26 · Anthropic|Together AI présente des agents hybrides raisonnant en espace latent18/10/26 · Together AI|
🇨🇳 Chine💻 CodeSortie avril 2026

Kimi K2.6

Moonshot AI
Open-sourceGratuitSelf-hostHéb. UE Données fiche 58/100 Trust Index 90
Verdict

Une option solide pour l'auto-hébergement et le contrôle total des données.

Présentation

Kimi K2.6 est le modèle phare open-weight de Moonshot AI : 1 000 milliards de paramètres au total, 32 milliards actifs par token (MoE, 384 experts), contexte de 256K. Pensé pour le coding agentique sur de longues sessions, l'orchestration de centaines de sous-agents et la génération full-stack. Multimodal (texte, image, vidéo), licence Modified MIT, et tarif très bas face aux modèles fermés. Plus fort sur l'agentique que sur le raisonnement pur.

Profil de compétences

FrançaisRaisonn.VitesseCréativitéSûreté
Arena Elo1461
Benchmarks vérifiés
GPQA90.5%

Trois mesures indépendantes

Ce que les gens préfèrent, ce que le modèle sait faire, ce que le marché utilise. Chaque source a ses biais, aucune ne suffit seule : nous les affichons séparément, sans les mélanger.

Préférence
Quelle réponse les gens préfèrent-ils, à l’aveugle ?
1461Elo
Sensible au style et à la longueur des réponses.
Capacité
Que sait faire le modèle sur des tâches mesurées ?
27.0/ 100
Agrège dix évaluations lancées par Artificial Analysis.
Adoption
Qu’utilise réellement le marché ?
Pas encore mesuré
Source: OpenRouter (openrouter.ai/rankings). CC BY 4.0
Trafic passant par OpenRouter uniquement : mesure l’adoption, pas la qualité, et ignore l’usage direct des API des éditeurs.

Que signifient ces scores ?

GPQA90.5%élite mondiale

Questions scientifiques de niveau doctorat (physique, chimie, biologie), sans accès à des outils.

Forces

  • Top mondial sur Arena
  • Dispose d'un tier gratuit
  • Open-source et auto-hébergeable
  • Tarif d'entrée compétitif

Limites

  • Vitesse moyenne
  • Filtres de sûreté légers

À qui ça s'adresse

Pour vous si…
  • vous codez avec un agent ou en autonomie
  • vous voulez maîtriser vos coûts ou auto-héberger
  • vos données doivent rester en UE
À éviter si…
  • vous avez besoin de réponses très rapides
  • vous voulez des garde-fous stricts

Cas d'usage idéaux

  • Coding agentique long et orchestration multi-agents
  • Génération full-stack (UI + back)
  • Workloads en chinois et multilingues

Accès & disponibilité

API payante au tokenTier gratuit disponibleAuto-hébergeable (poids ouverts)

Caractéristiques clés

Contexte
262K
Prix entrée
$0.95/M
Prix sortie
$4.00/M
Vitesse
—
Prix vérifié le 2 juil. 2026·Source officielle ↗Benchmarks non audités

Combien ça coûte par mois

Estimation à partir des prix API sourcés et d’un palier matériel pour l’auto-hébergement. Hypothèses modifiables.

Via API
$34.3 / mois
≈ 31.5 € · 20.0 M tokens
Auto-hébergé
Poids fermés : pas d’auto-hébergement

Hypothèses : 36 mois d’amortissement, 0.25 €/kWh, 22 jours/mois, conversion 1 $ = 0.92 €. Hors main-d’œuvre, hors licences logicielles, hors redondance.

nAIvigate Trust Index

90/100

Ce que l’éditeur offre et documente pour un usage professionnel en Europe. Un critère non documenté vaut zéro et reste visible : le score monte quand l’éditeur publie, pas quand nous supposons.

19/19 critères documentés · 100 % · dont 12 posés par règle

Données100
5/5 · 30 %
Souveraineté67
3/3 · 20 %
Transparence75
4/4 · 15 %
Entreprise100
5/5 · 20 %
Licence100
2/2 · 15 %
Voir les critères▾
Données
Résidence des données en UEposé par règle
Pas de transfert hors UEposé par règle
Pas d’entraînement sur vos donnéesposé par règle
Rétention configurableposé par règle
Zero Data Retentionposé par règle
Souveraineté
Auto-hébergeable (poids ouverts)
Hébergement UE proposéposé par règle
Éditeur européenpays : CN
Transparence
Licence publiée (URL)
Tarifs publics sourcés
Engagements de conformité publiésposé par règle
Liste des sous-traitants publiéeposé par règle
Entreprise
DPA disponible
SSO / SAMLposé par règle
Provisionnement SCIMposé par règle
Journaux d’auditposé par règle
SOC 2 / ISO 27001sans objet
Endpoint privé chez l’éditeurposé par règle
Licence
Usage commercial autorisé
Type de licencemodified-mit
Classement complet et méthodologie

Badge Trust Index

Affichez ce score dans votre documentation, votre README ou votre page sécurité. Il se met à jour automatiquement.

nAIvigate Trust Index · Kimi K2.6
[![nAIvigate Trust Index · Kimi K2.6](https://naivigate.com/badge/kimi-k2-6.svg)](https://naivigate.com/fr/model/kimi-k2-6)

Données & conformité

Ce que nous savons, ligne par ligne, avec la source et la date. Ces lignes alimentent les familles Données et Entreprise du Trust Index ci-dessus. La conformité RGPD dépend de votre traitement, pas du modèle seul.

Résidence des données en UEOui
Accord de traitement (DPA)Sans objet· auto-hébergé : les données ne sortent pas
Transfert hors UENon
Entraînement sur vos donnéesNon
Rétention configurableSans objet· auto-hébergé : les données ne sortent pas
Zero Data RetentionSans objet· auto-hébergé : les données ne sortent pas
Auto-hébergeableOui
Hébergement déclaréself
Déduit de l’hébergement déclaré, non vérifié à la source.Besoin d’une analyse dans votre contexte ? Shadow AI Sentinel

Qualité des données de la fiche

58/100

Ce score mesure la qualité des données de cette fiche : prix, contexte, Elo, licence, documentés, sourcés et récents. Il ne mesure ni le modèle ni sa conformité : pour cela, voir le Trust Index plus haut.

6/8 documentées · 2/8 sources primaires · 1 de plus de 90 jours

Prix APIofficiel
Fenêtre de contexteévaluation nAIvigate
Elo ArenaLMArena, préférence humaineindépendant
Benchmarks (MMLU, GPQA, SWE-bench…)annoncé par l’éditeur, non recoupéévaluation nAIvigate
Licenceévaluation nAIvigate
Données & conformitéauto-hébergé : déduitdéduit
Adoption (Hugging Face)absent
Matériel requis (quantizations)calculé depuis la taille du modèleabsent
Données avancées · pour experts
Architecture, modalités, coût détaillé, benchmarks complets
▾
Architecture
MoE (384 experts, 32B actifs)
Taille
1T total / 32B actifs (MoE)
Date de coupe
—
Entrées
text, image, video
Sorties
text
Licence
modified-mit
Hébergement
self
Score d'hallucination
—
Coût estimé (API)
Échange type (~3k entrée / 1k sortie)
≈ $0.0069
1M entrée + 1M sortie
≈ $4.95
Tous les benchmarks
Arena Elo1461
MMLU—
GPQA90.5%
HumanEval—
SWE-Bench—
MATH—

Modèles similaires

Articles qui en parlent