Il a offert 2 800 milliards de paramètres, et laissé une vanne dans la licence — Yang Zhilin, et pourquoi il n'est toujours pas dans ce classement

Le 27 juillet, Moonshot AI a mis en ligne sur Hugging Face les poids complets de Kimi K3.

1,42 Tio, en 96 fragments. 2 800 milliards de paramètres au total, 104 milliards actifs, 1 million de tokens de contexte. Sur 93 couches, 69 tournent en Kimi Delta Attention — une attention maison — et 24 en Gated MLA. 896 experts routés, 16 retenus par token, plus 2 experts partagés.

C’est aujourd’hui le plus grand modèle à poids ouverts du monde. Vous pouvez le rapatrier entier chez vous.

Le 16 juillet, K3 était d’abord sorti sous forme de service. Onze jours plus tard, les poids sont offerts. Pendant ces onze jours, il a marqué 93,5 sur GPQA Diamond, 67,5 sur DeepSWE, 91,2 sur BrowseComp, 94,5 sur MCPMark-Verified.

Les paramètres et les scores ont tourné toute la journée. Dans le même dossier, trois choses dont presque personne ne parle. Ce sont trois décisions produit.

I. Le vrai design n’est pas dans le modèle, il est dans la licence

Tout le monde dit « Kimi K3 est passé en open source ». Ce n’est pas du MIT.

Moonshot AI a rédigé sa propre Kimi K3 License. Le corps du texte ressemble effectivement au MIT : vous pouvez utiliser, copier, modifier, distribuer, sous-licencier, revendre ; déployer, affiner, en tirer des modèles dérivés.

Puis deux exceptions.

Première : vendre du service, ça se renégocie. Si vous en faites un modèle en tant que service (MaaS) — c’est-à-dire si un tiers obtient un contrôle substantiel sur les entrées, les paramètres ou les données d’entraînement — et que votre société dépasse 20 millions de dollars de revenus sur n’importe quelle période de 12 mois consécutifs, vous devez signer un accord séparé avec Moonshot AI.

Deuxième : si vous devenez gros, vous affichez le nom. Un produit commercial qui dépasse 100 millions d’utilisateurs actifs mensuels, ou 20 millions de dollars de revenus mensuels, doit faire apparaître « Kimi K3 » à un endroit visible de son interface.

Exemptions : l’usage strictement interne n’est pas concerné ; passer par les produits de Moonshot AI ou par un partenaire d’inférence certifié non plus.

Lisez ces trois paragraphes à la suite, et la forme de la licence apparaît :

Les petits font ce qu’ils veulent. Le jour où vous gagnez vraiment de l’argent avec, soit vous revenez partager, soit vous me faites de la publicité.

Depuis que je fais du produit, les stratégies open source que j’ai vues tiennent en deux extrêmes : soit on ouvre réellement tout (et on regarde les fournisseurs de cloud encaisser sans en toucher un centime), soit on ouvre une version amputée (et personne n’a envie de construire dessus).

Cette licence est une troisième voie, et l’incision est placée très précisément. La vanne est posée au point « vous gagnez déjà de l’argent ». Avant ce point, friction nulle : développeurs individuels, jeunes pousses, chercheurs prennent ce qu’ils veulent. Ceux qui franchissent la ligne avaient de toute façon de quoi payer, et peuvent payer.

Regardez bien la deuxième exception, celle qui impose d’afficher « Kimi K3 ». Elle ne prend pas d’argent, elle prend autre chose : elle transforme chaque gros produit tournant sur K3 en enseigne pour Moonshot AI. Les poids ouverts achètent un écosystème, l’écosystème achète une marque, la marque achète du pouvoir de négociation. Cette chaîne-là est écrite dans la licence sous forme d’articles de droit.

Pour quelqu’un qui fait du produit, il y a là une idée directement copiable : quand vous échangez de la gratuité contre de l’échelle, décidez d’abord à partir de quel instant ce n’est plus gratuit, et écrivez cet instant sous forme d’une ligne nette, que l’autre peut évaluer tout seul. Une politique de gratuité floue finit toujours en marchandage généralisé.

L’ordre aussi a été conçu. Le 16 juillet, K3 sort en service hébergé. Les poids, onze jours plus tard seulement. Pendant ces onze jours, les évaluations ont été passées, la réputation s’est installée, le revenu quotidien a été multiplié par six — au moment où les poids tombent, ce n’est plus un modèle à valider, c’est un modèle déjà prouvé.

Faites-le dans l’autre sens : les poids et le service le même jour, tout le monde se déploie chez soi dans l’heure, et vous perdez à la fois les revenus de ces onze jours et le premier lot de données d’usage réel. Ouvrir les poids, ce n’est pas renoncer à l’argent, c’est encaisser l’argent et les données d’abord, et libérer le code ensuite.

II. Il vient de prendre la première place, et il écrit dans son dossier de presse qu’il est derrière ses concurrents

Celle-là est plus rare encore.

Dans son propre matériel de lancement, Moonshot AI reconnaît que K3 reste globalement derrière Claude Fable 5 et GPT-5.6 Sol, et signale un retard sur l’expérience utilisateur.

Ce n’est pas tout. Ils précisent aussi d’eux-mêmes : les différents modèles n’ont pas été évalués avec le même agent harness — autrement dit, les environnements de test ne sont pas entièrement comparables, et les conclusions des benchmarks comportent une part d’incertitude.

Au moment précis où l’on vient de sortir le plus grand modèle à poids ouverts du monde, où l’on est en tête sur plusieurs évaluations dures, où la planète entière regarde, on écrit spontanément dans son communiqué deux choses qui jouent contre soi : l’expérience est encore inférieure à celle des autres, et la manière même de comparer ces scores est arrangeante.

Hier, sur la conférence téléphonique du deuxième trimestre de Tesla, la scène était exactement inverse. Musk a déclaré que les démonstrations de robots humanoïdes qui font le buzz en ligne sont « pour la plupart téléopérées ou exécutées selon un scénario arrangé à l’avance », qu’aucun robot capable d’exécuter des tâches générales de façon autonome n’existe encore, et qu’Optimus sera le premier — alors que la revue de presse compilée la même semaine rappelle que lors de l’événement Warner Bros. de 2024, les Optimus qui servaient à boire étaient pilotés par des ingénieurs en combinaison de capture de mouvement et casque VR, et qu’au siège de Palo Alto, un robot tombé au sol doit encore être relevé au palan.

La même semaine : l’un dit « ceux des autres sont télécommandés et scriptés », l’autre dit « notre expérience est encore inférieure à celle des concurrents ».

Les deux stratégies ont leur logique. La gestion des attentes façon Musk a acheté à Tesla du temps en argent sonnant. La franchise de Moonshot AI vient peut-être simplement du fait qu’ils s’adressent à des développeurs, et qu’un développeur peut faire sortir la vérité tout seul en une journée — devant ce public-là, gonfler le torse coûte plus cher que ça ne rapporte.

Mais pour un product manager, ce qu’on remporte est identique dans les deux cas : chaque phrase que vous prononcez, l’utilisateur la vérifie sur le produit d’aujourd’hui. La seule variable, c’est le temps qu’il lui faut pour vérifier. Plus il vérifie vite, plus l’honnêteté est rentable.

Et le développeur est la catégorie d’utilisateur qui vérifie le plus vite.

III. Trois fois moins cher ne veut pas dire trois fois moins de dépense

C’est le point le plus repris, et le plus facile à mal lire.

Le tarif international de K3 est de 3 dollars par million de tokens en entrée, 15 en sortie. En face, Claude Fable 5 : 10 dollars en entrée, 50 en sortie — sur le papier, plus de trois fois moins cher. En région Chine : 2 yuans pour l’entrée en cache, 20 pour l’entrée hors cache, 100 pour la sortie.

Puis vient le détail noyé dans le communiqué :

Plusieurs testeurs rapportent qu’à tâche identique, K3 consomme plus de tokens que Fable.

Cette phrase applique une décote au « trois fois moins cher » d’avant. Le prix unitaire n’est pas le coût. Ce que vous payez, c’est la dépense totale pour accomplir une chose : le prix unitaire multiplié par le nombre de tokens qu’il faut pour l’accomplir.

C’est un piège produit extrêmement classique, et il ne se limite pas à l’IA : vous optimisez un chiffre que l’utilisateur voit, et le prix se cache dans un chiffre que l’utilisateur ne sait pas calculer.

Je suis tombé dedans, dans le même genre. En construisant ma chaîne de publication, j’ai optimisé la « durée de publication sur une plateforme » : j’ai raccourci chaque étape, et l’ensemble est devenu plus lent — parce que les étapes raccourcies déclenchaient les protections anti-automatisation des plateformes, et que le nombre de nouvelles tentatives est monté. La métrique locale s’est embellie, le bout-en-bout s’est dégradé.

Donc si vous êtes en train d’évaluer un passage à K3, ne regardez pas la grille tarifaire du site : faites tourner vos tâches réelles et calculez la note totale d’une exécution complète. Le résultat penchera peut-être toujours pour K3 — l’écart de prix est assez large pour ça — mais ce doit être un chiffre que vous avez calculé, pas un chiffre qu’on vous a affiché.

La demande, elle, est réelle : depuis la mise en ligne de K3, le revenu quotidien de Moonshot AI a été multiplié par six au minimum ; l’ARR de juin atteint 300 millions de dollars, contre 200 millions en avril.

IV. Qui il est

Yang Zhilin, né en 1992 à Shantou, dans le Guangdong, major du gaokao en filière scientifique pour sa ville. Licence à Tsinghua, entré en deuxième année dans la classe Yao, diplômé premier de sa promotion en 2015. Puis doctorat à Carnegie Mellon, sous la direction de Ruslan Salakhutdinov — premier directeur de l’IA d’Apple — et de William W. Cohen, de Google.

Transformer-XL et XLNet : il est premier auteur des deux articles. À l’époque, XLNet passait devant BERT sur 20 tâches et établissait le meilleur score sur 18 d’entre elles. Il fait partie des chercheurs en TAL les plus cités de Chine chez les moins de 35 ans.

Une chose sans rapport avec la technique, et qui me paraît pourtant importante : à Tsinghua, il a monté un groupe de rock appelé Splay, où il était chanteur et parolier.

En mars 2023, il fonde Moonshot AI avec Zhou Xinyu et Wu Yuxin. En février 2024, Alibaba mène un tour d’un milliard de dollars ; en août, Tencent et Gaorong remettent 300 millions.

La vanne dans la licence, la franchise du communiqué, l’arbitrage sur les prix : aucune de ces trois décisions n’est un réflexe de chercheur. Le réflexe par défaut d’un chercheur, c’est de pousser le score au maximum puis de publier. Poser une vanne commerciale au point exact dans une licence, dire de soi-même qu’on est derrière ses concurrents à l’instant le plus glorieux, ce sont des jugements produit et business.

Que le premier auteur de XLNet fasse simultanément ces deux choses est nettement plus compliqué que l’étiquette « technicien qui écrit de bons papiers ».

V. Alors pourquoi n’est-il toujours pas dans ce classement

Je maintiens un classement des 100 PM qui ont changé le monde, noté sur six dimensions — vision, insight, goût, business, échelle, pionnier — agrégées en un OVR. Yang Zhilin n’y est pas.

La règle est la suivante : ce classement ne compte que 99 entrées, la 100e est laissée volontairement vide, pour les lecteurs. Pour y faire entrer quelqu’un, il faut en sortir quelqu’un d’autre.

Éjecter une personne du classement pour courir après l’actualité du jour, ce serait faire un classement qui suit le cycle des nouvelles, pas l’histoire du produit. Donc cet article n’entre pas au classement.

Ne pas y entrer ne veut pas dire ne pas le mériter, mais le critère doit être dit clairement.

Dans la même catégorie, celui qui y figure déjà, c’est Liang Wenfeng, OVR 91 (vision 95 / insight 84 / goût 86 / business 88 / échelle 92 / pionnier 95). L’épisode DeepSeek a été un événement qui a changé la structure de coûts d’une industrie entière — il a détruit le consensus selon lequel « un modèle de frontière est forcément cher », et les tarifs comme les stratégies d’ouverture ont bougé partout dans le monde.

En passant la même toise sur Yang Zhilin, mon jugement est le suivant : la vision et le côté pionnier suffisent déjà pour entrer ; l’échelle et le business manquent encore d’un souffle.

• Pionnier : faire un modèle de 2 800 milliards de paramètres à poids ouverts, personne ne l’avait fait ; cette licence avec seuil de revenus est également neuve, et il est très probable qu’elle soit copiée.
• Vision : du pari initial de Kimi sur le contexte long jusqu’au pari actuel sur « poids ouverts + vanne commerciale », la direction est restée très claire.
• Échelle : 300 millions de dollars d’ARR, un revenu quotidien multiplié par six, la croissance est violente — mais ce sont des chiffres de quelques mois, pas encore un volume qui traverse un cycle. Chez les gens du classement, la dimension échelle mesure « combien de personnes, pendant combien d’années ».
• Business : cette vanne dans la licence est joliment conçue, mais elle n’a pas encore été validée. Combien de sociétés au-delà de 20 millions de dollars de revenus reviendront vraiment signer, on le saura dans un an.

Autrement dit : dans ses notes, la part la plus précieuse est « en train de se produire », pas « déjà encaissée ».

C’est exactement là que se situe la différence entre un classement et une nouvelle. La nouvelle enregistre ce qui est en train d’arriver, le classement enregistre ce qui est retombé. L’y mettre aujourd’hui, ce serait parier sur le résultat d’ici un an, pas énoncer un fait.

Mais ce classement est vivant. Les places d’Allen Zhang ou de Jobs ne bougeront sans doute pas ; le milieu et la fin du tableau changent en permanence — quand Linus a été réintégré, c’est Will Wright qui est sorti. Je compte refaire tout le classement au second semestre, et à ce moment-là, ce que l’écosystème des poids ouverts de K3 aura réellement produit, ce que cette vanne commerciale aura réellement encaissé, et si Moonshot AI aura passé l’épreuve de la Maison-Blanche, seront des faits établis.

Si tout cela s’est concrétisé d’ici là, le faire entrer ne sera plus un pari, ce sera de l’enregistrement.

L’épreuve de la Maison-Blanche, justement, reste en suspens. Après la publication des poids de K3, le directeur technique de la Maison-Blanche Michael Kratsios a publiquement accusé Moonshot AI d’avoir distillé Fable 5 d’Anthropic, en disant qu’il fallait distinguer la distillation d’IA normale de la « distillation industrielle massive et dissimulée visant à voler des technologies propriétaires américaines » ; le secrétaire au Trésor Scott Bessent a indiqué que le gouvernement « avait les moyens d’imposer des sanctions ».

Qu’un modèle ouvert fasse parler en même temps le directeur technique et le ministre des Finances d’un pays, le poids est déjà là. Mais la façon dont cette ligne évoluera détermine directement le nombre de points que la dimension échelle de cette société pourra prendre l’an prochain.

Pour finir

La « gratuité » n’a jamais été la décision ; la décision, c’est « à partir de quel instant ce n’est plus gratuit ». La plupart des gens qui font de l’open source, du freemium ou une période d’essai n’ont réfléchi qu’à la première moitié de la phrase et sont passés en force sur la seconde — résultat : soit ils n’arrivent pas à encaisser quand il faudrait, soit ils dressent le mur payant au mauvais moment et font fuir l’écosystème.

Yang Zhilin a gravé cette ligne dans la licence : 20 millions de dollars de revenus, 100 millions d’utilisateurs actifs mensuels. Celui qui la franchit le sait tout seul. Sans négociation, sans marchandage.

Quand j’ai fait SoloMD, je n’ai pas réfléchi aussi finement. Il est gratuit aujourd’hui, open source sous MIT, 551 étoiles, 21 PR externes — l’écosystème est là, mais si quelqu’un en fait un jour un commerce, je n’ai aucune ligne à lui montrer.

(Toutes les notes et le classement de cet article ont été produits par Claude (IA) ; la méthodologie est expliquée sur la page du classement. L’évaluation de Yang Zhilin relève de l’analyse de cet article et n’entre pas dans le classement.)