L’essentiel
- Kimi K3 (Moonshot), GLM-5.3 (Z.ai) et Qwen3.8-Max (Alibaba) placent des modèles chinois en haut de presque toutes les évaluations larges.
- Artificial Analysis classait K3 troisième de son Intelligence Index à 57 points au lancement, derrière Fable 5 et GPT-5.6 Sol, et premier sur AutomationBench-AA jusqu’à la sortie d’Opus 5.
- Sur CEO-Bench, où un agent pilote une entreprise logicielle fictive pendant 500 jours simulés, K3 signe le meilleur run publié à 22,15 millions de dollars.
- Contrepartie mesurée : ces modèles consomment souvent bien plus de tokens, ce qui absorbe une partie de leur avantage tarifaire.
Un agent piloté par Kimi K3 a dirigé une entreprise logicielle fictive pendant 500 jours simulés et l’a laissée avec 22,15 millions de dollars en caisse : le meilleur résultat publié sur CEO-Bench, l’épreuve montée par des chercheurs de Princeton pour juger les agents sur la durée. Son prédécesseur, K2.7, calait régulièrement sur ces parcours longs. D’une version à l’autre, un modèle librement téléchargeable est passé de l’abandon en cours de route à la première place.
Moonshot, Z.ai et Alibaba ont mis quelques mois à reproduire des capacités qu’un laboratoire américain détenait seul. Ce délai de reproduction est la donnée qui engage vraiment un choix de fournisseur : il fixe la durée de vie d’une avance technique, et rien n’indique aujourd’hui qu’on sache l’allonger.
K3, GLM-5.3 et Qwen3.8-Max en haut de presque toutes les évaluations
Artificial Analysis, qui agrège les évaluations publiques en un score unique, plaçait K3 en troisième position de son Intelligence Index à 57 points au lancement, derrière Fable 5 et GPT-5.6 Sol, au niveau d’Opus 4.8 et de GPT-5.5. Sur AutomationBench-AA, qui mesure l’exécution de flux de travail automatisés, le modèle de Moonshot est entré directement en tête, jusqu’à ce qu’Anthropic réponde avec Opus 5.
Les progrès de K3 portent surtout sur les tâches agentiques, ce travail à plusieurs étapes que les entreprises cherchent à industrialiser : enchaîner des appels d’outils, tenir un contexte long, ne pas dériver au bout de trente actions. Qwen3.8-Max atteint un niveau d’ensemble comparable. GLM-5.3 complète le tableau, avec une réserve : Z.ai l’a lancé le 14 août sans en publier les poids, promis deux semaines plus tard, le temps d’une évaluation de sécurité.
Ces modèles ne dominent pas partout. Ils figurent simplement en haut de presque toutes les grandes évaluations, ce qu’aucun d’entre eux ne faisait il y a deux mois.
Distillation et benchmaxxing se retournent contre l’argument américain
Deux reproches circulent. Le premier : les laboratoires chinois auraient utilisé les modèles occidentaux comme professeurs, une pratique appelée distillation, qui consiste à entraîner un modèle sur les sorties d’un autre. Le second : ils régleraient leurs modèles pour briller sur les tests sans que les capacités générales suivent, ce que le milieu nomme benchmaxxing.
Admettons les deux. Le premier décrit un mécanisme de copie qui fonctionne : il ne dit pas que l’avance a été volée, il dit qu’elle est périssable. Le second déplace le problème vers l’instrument de mesure : si les classements surestiment ces modèles, ils cessent d’être une preuve pour tout le monde, y compris pour établir l’avance américaine.
La tendance se lit mieux avec dix-huit mois de recul. DeepSeek R1 battait alors o1 sur AIME 2024, une épreuve de mathématiques de compétition, mais décrochait nettement sur les connaissances factuelles mesurées par SimpleQA. Fin juin encore, GLM-5.2 gardait ce profil en dents de scie : les capacités n’avancent pas au même rythme d’un domaine à l’autre, et l’écart « de quelques mois » dépendait surtout de ce qu’on décidait de mesurer. Chez K3, ces dents de scie se sont effacées, et par le haut.
Le coût par tâche resserre l’écart de prix
Avant toute migration, refaites le calcul chez vous. Les modèles chinois récents brûlent parfois beaucoup plus de tokens que leurs équivalents occidentaux pour arriver au même résultat, ce qui grignote une partie de l’écart de prix. Le tarif au million de tokens ne vous apprend rien tant que vous n’avez pas mesuré le coût d’une tâche menée à son terme sur vos propres flux.
Artificial Analysis a fait ce calcul sur son propre index : 0,94 dollar par tâche pour K3, contre 1,04 pour GPT-5.6 Sol et 1,80 pour Opus 4.8. L’écart reste réel, mais il se resserre dès qu’on compte en tâches terminées plutôt qu’en millions de tokens.
Ajoutez-y la latence : un agent qui produit trois fois plus de tokens de raisonnement répond plus lentement, et vos utilisateurs s’en plaindront avant votre comptable. La comparaison honnête se fait sur une tâche réelle, avec vos données et vos outils, pas sur une grille tarifaire.
Quand les poids se téléchargent, la barrière change de place
À l’approche de son introduction en bourse, Anthropic met en avant l’avance qu’elle conserve au sommet. L’argument est fondé ; il est aussi très étroit. Sous ce premier rang, le terrain appartient largement à des modèles ouverts et nettement moins chers.
Si tout ce qu’un modèle sait faire en exclusivité devient téléchargeable dans l’année qui suit, la barrière ne peut plus être le fichier de poids. Elle se déplace vers ce qui fabrique le modèle suivant : l’accès au calcul, la chaîne d’entraînement et d’évaluation, les données propriétaires, et la distribution, ces intégrations et ces contrats qui font qu’un modèle se trouve déjà là où le travail se fait.
Pour votre architecture, la conséquence est immédiate. Traitez le modèle comme une pièce remplaçable : une couche d’abstraction sur les appels, des évaluations maison qui vous appartiennent, des prompts et des outils portables d’un fournisseur à l’autre. Ce qui prend de la valeur chez vous, ce sont vos jeux de test et vos données, pas le nom inscrit derrière l’API.
Le classement de tête bougera encore avant la fin de l’année, dans un sens ou dans l’autre. Le délai de reproduction, lui, s’est installé à quelques mois, et aucun des trois laboratoires chinois n’a de raison de le rallonger. C’est cette horloge, plus que le podium du trimestre, qui devrait guider la façon dont vous choisissez un fournisseur.
Mon avis
Sur les faits, Anthropic a raison ; sur la défense, je crois qu’elle se trompe de terrain. Mettre en avant une avance au sommet, c’est s’engager à la reconquérir tous les six mois, indéfiniment, et personne ne gagne cette course sur la durée. Je vois le discours des laboratoires américains basculer d’ici l’an prochain vers le calcul et la distribution, les deux endroits où la copie coûte encore très cher. Pour les entreprises, c’est plutôt une bonne nouvelle : quand la qualité de modèle devient une commodité, l’avantage passe à ceux qui savent l’évaluer et l’intégrer vite.
