Kimi K3, le modèle à poids ouverts de Moonshot AI, est désormais disponible en private preview sur Snowflake Cortex AI. L’ajout de K3 à Cortex AI offre aux équipes une nouvelle option pour choisir le modèle adapté à chaque tâche, qu’il s’agisse de mobiliser un raisonnement de pointe pour des tâches complexes ou de réserver les modèles propriétaires plus coûteux aux usages où ils font vraiment la différence.
Dès son lancement, les clients participant à la preview peuvent utiliser Kimi K3 via Snowflake Cortex AI Functions et Snowflake Cortex Inference. La prise en charge de Snowflake CoCo, Snowflake Cortex Agents et Snowflake CoWork sera bientôt disponible.
Dans les évaluations publiées par Moonshot, K3 a créé en toute autonomie un compilateur GPU fonctionnel, reproduit des travaux de recherche complexes en astrophysique en deux heures et assuré des sessions de développement de plusieurs jours sur de vastes référentiels. Ces résultats révèlent un modèle conçu pour les travaux en plusieurs étapes, qui exploitent différents types d’entrées et exigent de conserver le contexte au fil du processus. Les sections suivantes montrent comment cela se traduit dans Snowflake.
Kimi K3 : conçu pour les travaux de longue haleine
Kimi K3 est un modèle de type mélange d’experts doté de 2,8 milliards de paramètres. Il active 16 experts sur 896 par token à l’aide de l’environnement Stable LatentMoE de Moonshot. Selon Moonshot, son efficacité de mise à l’échelle est 2,5 fois supérieure à celle de son prédécesseur, K2.
Concrètement, cette architecture cible les travaux en plusieurs étapes qui exploitent différents types d’entrées. Moonshot met en avant de longues sessions de développement capables d’effectuer des recherches dans vastes référentiels, d’orchestrer des outils de terminal et d’utiliser des captures d’écran pour affiner le résultat. Ses exemples de recherche associent analyse documentaire, code exécutable, validation et visualisations interactives. Pour les équipes, cela se traduit par du développement à l’échelle d’un référentiel, de la synthèse de travaux de recherche et des workflows analytiques où le modèle doit conserver le contexte au fil de nombreux échanges.
Ces exemples illustrent les capacités propres au modèle. Les entrées, les outils, les limites de contexte et le traitement des sorties à votre disposition dépendent de l’interface Snowflake et de la configuration utilisées.
Sources : Moonshot AI, Kimi K3 : Open Frontier Intelligence et Hugging Face
Ce que vous pouvez faire avec Kimi K3 sur Snowflake
Kimi K3 ajoute un modèle à poids ouverts à la sélection de modèles proposée par Snowflake. Pendant la private preview, les équipes peuvent l’évaluer sur leurs propres tâches et selon leurs exigences de qualité, sans déployer d’environnement d’inférence distinct.
Bientôt disponible, la prise en charge de Kimi K3 dans Snowflake CoCo, Snowflake CoWork et Cortex Agents étendra cette évaluation aux workflows de développement, de recherche et d’agents de données :
- Développer avec Snowflake CoCo : le travail à l’échelle d’un référentiel ne se limite pas au fichier affiché à l’écran. Un développeur peut avoir à suivre un appel à travers plusieurs modules, comprendre les tests existants et mener une modification jusqu’à l’obtention d’un résultat fonctionnel. La capacité de Kimi K3 à assurer de longues sessions de développement en fait un candidat intéressant à évaluer dans CoCo.
Démarrez une nouvelle session avec Kimi K3 et confiez-lui une tâche bien délimitée, assortie de critères d’acceptation explicites. Moonshot déconseille de remplacer un autre modèle par K3 en cours de session, car ce dernier est sensible à la façon dont l’historique de la conversation est conservé. - Intégrer la recherche aux agents de données : grâce à sa prise en charge dans Snowflake CoWork et Cortex Agents, les équipes pourront évaluer des workflows de recherche et d’analyse qui exploitent les données et les outils accessibles à leur agent. Vous pouvez, par exemple, utiliser Kimi K3 pour comparer des notes issues d’études client, repérer les exigences contradictoires et préparer une synthèse étayée par les éléments justifiant chaque recommandation.
Résultats des benchmarks
L’aperçu ci-dessous présente les résultats du tableau d’évaluation publié par Moonshot AI, notamment pour des benchmarks de développement, de capacités agentiques, de raisonnement et de traitement visuel. Pour consulter la méthodologie complète, les détails du framework d’évaluation et les notes, reportez-vous à la fiche du modèle Kimi K3 de Moonshot AI.
| Benchmark | Résultat de Kimi K3 |
|---|---|
| DeepSWE | 67,5 |
| ProgramBench | 77,8 |
| Terminal-Bench 2.1 | 88,3 |
| FrontierSWE | 81,2 |
| BrowseComp | 91,2 |
| DeepSearchQA | 95,0 |
| ResearchRubrics | 76,2 |
| GDPval-AA v2 | 1 686 |
| GPQA Diamond | 93,5 |
| AA-LCR | 74,7 |
| OmniDocBench | 91,1 |
| PerceptionBench | 58,5 |
Source : Moonshot AI
Synthétiser des travaux de recherche avec Cortex AI Functions
Cortex AI Functions intègre les appels de modèles à SQL. Un analyste peut utiliser AI_COMPLETE pour comparer des notes de recherche ou synthétiser le texte de documents sans écrire de client API distinct. Cet exemple autonome s’appuie sur des entretiens fictifs portant sur un produit :
SELECT AI_COMPLETE(
'kimi-k3',
'Compare these fictional product research notes. Interview A: export jobs time out on large reports. Interview B: users need scheduled exports. Interview C: report definitions are hard to reuse. Group the needs, explain how they differ, and propose follow-up questions. Use only the supplied notes.'
) AS research_summary;Appeler Kimi K3 avec le SDK OpenAI
Kimi K3 prend en charge le format de requête Chat Completions. Les développeurs peuvent donc utiliser le SDK OpenAI pour l’appeler via l’API REST Cortex de Snowflake. Définissez SNOWFLAKE_PAT sur votre token d’accès programmatique Snowflake et SNOWFLAKE_ACCOUNT_URL sur l’URL HTTPS de votre compte.
import os
from openai import OpenAI
account_url = os.environ["SNOWFLAKE_ACCOUNT_URL"].rstrip("/")
client = OpenAI(
api_key=os.environ["SNOWFLAKE_PAT"],
base_url=f"{account_url}/api/v2/cortex/v1",
)
response = client.chat.completions.create(
model="kimi-k3",
messages=[{
"role": "user",
"content": (
"Compare these fictional product research notes. "
"Interview A: export jobs time out on large reports. "
"Interview B: users need scheduled exports. "
"Interview C: report definitions are hard to reuse. "
"Group the needs, explain how they differ, and propose "
"follow-up questions. Use only the supplied notes."
),
}],
)
print(response.choices[0].message.content)À savoir avant de commencer
- L’historique de la conversation compte. K3 a été entraîné en conservant l’historique de raisonnement. Remplacer un autre modèle par K3 en cours de session ou utiliser un framework qui supprime le contenu du raisonnement peut dégrader la qualité des résultats. Pour évaluer K3, lancez des sessions dédiées.
- Le modèle peut prendre les devants. Lorsque K3 rencontre des problèmes mineurs ou une intention ambiguë, il peut agir en votre nom plutôt que de demander des précisions. Définissez des contraintes explicites dans les prompts système et veillez à accorder les autorisations d’approbation appropriées à l’agent pour les déploiements soumis à des limites strictes.
- Moonshot précise que l’expérience utilisateur globale de K3 « reste en retrait par rapport aux modèles propriétaires les plus puissants, Claude Fable 5 et GPT 5.6 Sol ». Considérez K3 comme un modèle à poids ouverts performant à évaluer, et non comme une solution de remplacement immédiate pour toutes les charges de travail.
Premiers pas
Le meilleur modèle dépend de la tâche à accomplir. En private preview, Kimi K3 offre aux équipes un modèle avancé à poids ouverts qu’elles peuvent évaluer via Cortex AI Functions et Cortex Inference, sans provisionner d’infrastructure distincte. Utilisez l’ID de modèle kimi-k3, exécutez une tâche que vous maîtrisez déjà et comparez les résultats.
Jusqu’ici, les modèles à poids ouverts de cette envergure exigeaient une infrastructure dédiée et une équipe pour les exploiter. Désormais, il suffit de changer d’ID de modèle. Chaque nouveau modèle ajouté à la plateforme d’IA managée de Snowflake élargit le champ des possibilités à évaluer par les équipes. K3 apporte un modèle conçu pour mener à bien des travaux en plusieurs étapes.
En savoir plus
- Créer des applications agentiques avec Cortex Agents : Lancez-vous avec Cortex Agents et découvrez comment créer des expériences d’IA ancrées dans vos données d’entreprise.
- Premiers pas avec Snowflake CoWork : Découvrez Snowflake CoWork et testez-le à l’aide de notre guide de prise en main.
- Commencer à créer avec Snowflake CoCo : Découvrez Snowflake CoCo et passez à la pratique avec le guide de prise en main de CoCo Desktop.
L’API REST Cortex vous donne accès aux meilleurs modèles de pointe via le point de terminaison ou le SDK de votre choix. Toutes les inférences s’exécutent dans le périmètre Snowflake. Vos données restent ainsi sécurisées et soumises à votre cadre de gouvernance. Découvrez l’API REST Cortex pour en savoir plus.
Déclarations prévisionnelles
Cet article contient des déclarations prévisionnelles, notamment concernant nos futures offres de produits. Il ne constitue en aucun cas un engagement à fournir des offres de produits. Les offres et résultats réels peuvent varier et faire l’objet de risques connus et inconnus, ainsi que d’incertitudes. Pour plus d’informations, consultez notre dernier formulaire 10-Q.
