Trois modèles MoE à l’échelle du trillion de paramètres se retrouvent face à face dans un comparatif publié le 18 juillet 2026 par MarkTechPost : Kimi K3 de Moonshot AI, DeepSeek V4 Pro et GLM-5.2 de Zhipu AI. L’étude croise les benchmarks de raisonnement et de code, les licences d’usage et le coût réel de déploiement en API — trois critères qui comptent bien plus qu’un simple score brut pour qui veut réellement faire tourner ces modèles.
Trois architectures, trois philosophies
Kimi K3 est le plus massif des trois avec 2,8 billions de paramètres au total, répartis sur 896 experts dont 16 activés par requête, une fenêtre de contexte d’1 million de tokens et une prise en charge du texte, de l’image et de la vidéo. DeepSeek V4 Pro, sorti le 24 avril 2026, mise sur 1,6 billion de paramètres pour seulement 49 milliards actifs. GLM-5.2, le plus compact des trois avec 744 milliards de paramètres (dont environ 40 milliards actifs), reste limité au texte mais conserve lui aussi une fenêtre d’1 million de tokens.
Qui gagne sur les benchmarks
Sur l’Artificial Analysis Intelligence Index, Kimi K3 domine avec un score d’environ 57, contre 51 pour GLM-5.2 et 44 pour DeepSeek V4 Pro. Sur les benchmarks de code mesurés avec le harness de Moonshot, l’écart se confirme : 88,3 contre 82,7 sur Terminal Bench 2.1, et surtout 42,0 contre 13,0 sur SWE Marathon, un test de tâches longues où GLM-5.2 décroche nettement. De son côté, DeepSeek V4 Pro affiche 80,6 % sur SWE-bench Verified, un score que MarkTechPost juge comparable à celui de Gemini 3.1 Pro.
Le vrai différenciateur : licence et coût
DeepSeek V4 Pro et GLM-5.2 sont tous deux publiés sous licence MIT, poids complets disponibles sur Hugging Face, avec usage commercial illimité. Kimi K3, lui, arrive sous une licence MIT modifiée : une clause d’attribution s’active au-delà de 100 millions d’utilisateurs mensuels actifs, et ses poids ne seront ouverts que le 27 juillet 2026 — pour l’instant, il n’est accessible qu’en API.
Côté tarifs API, l’écart est spectaculaire. DeepSeek V4 Pro facture 0,435 $ le million de tokens en entrée et 0,87 $ en sortie, contre 1,40 $ et 4,40 $ pour GLM-5.2, et 3,00 $ et 15,00 $ pour Kimi K3. Ramené à l’usage réel, un dollar achète environ 1,15 million de tokens de sortie chez DeepSeek V4 Pro, contre 227 000 chez GLM-5.2 et seulement 67 000 chez Kimi K3. Sur une tâche de code type, MarkTechPost chiffre le coût moyen à 0,04 $ pour DeepSeek V4 Pro, 0,32 $ pour GLM-5.2 et 0,94 $ pour Kimi K3 — un rapport de 1 à 23 entre les deux extrêmes.
Quel modèle pour quel usage
La conclusion de l’étude est nuancée : Kimi K3 l’emporte en performance brute mais reste indisponible en poids ouverts avant fin juillet et coûte le plus cher à l’usage. DeepSeek V4 Pro s’impose comme le choix économique par excellence, avec le meilleur rapport qualité-prix en codage. GLM-5.2, plus rapide à l’inférence (168 tokens/seconde contre environ 62 pour les deux autres), reste la solution la plus disponible immédiatement en poids ouverts pour qui veut déployer sans attendre.
L’étude complète, avec l’ensemble des chiffres et méthodologies, est disponible sur MarkTechPost.
Quel est le modèle MoE open source le moins cher à l’usage ?
DeepSeek V4 Pro, avec un coût moyen de 0,04 $ par tâche de code contre 0,32 $ pour GLM-5.2 et 0,94 $ pour Kimi K3, selon le comparatif de MarkTechPost publié le 18 juillet 2026.
Les poids de Kimi K3 sont-ils déjà disponibles ?
Non, Kimi K3 n’est pour l’instant accessible qu’via API. Moonshot AI prévoit de publier ses poids le 27 juillet 2026, sous une licence MIT modifiée avec clause d’attribution au-delà de 100 millions d’utilisateurs mensuels.
Quel modèle a le meilleur score sur l’Intelligence Index d’Artificial Analysis ?
Kimi K3 arrive en tête avec un score d’environ 57, devant GLM-5.2 (51) et DeepSeek V4 Pro (44).