Kimi K3.1 Pro vs Claude Opus 5.5 : moitié prix, 0,7 point de retard sur un benchmark

Kimi K3.1 Pro et Claude Opus 5.5 sont des modèles de même format vendus à exactement la moitié du prix. Le nouveau fleuron de Moonshot coûte 2,00 $ par million de tokens d’entrée et 10,00 $ par million de tokens de sortie ; celui d’Anthropic coûte 4,00 $ et 20,00 $. Les deux acceptent un million de tokens de contexte. Les deux réfléchissent toujours avant de répondre. Et sur le seul benchmark que les deux entreprises publient, ils sont à 0,7 point d’écart : 65,7 % pour Kimi K3.1 Pro contre 66,4 % pour Claude Opus 5.5 sur Terminal-Bench 4.0. C’est tout l’argument du challenger en trois chiffres, et il est solide — avec deux réserves qui déterminent s’il tient pour votre charge de travail : les deux scores ont été produits avec des paramètres différents, et le 2× est un prix par token et non un prix par tâche terminée.

Kimi K3.1 Pro est sorti le 24 octobre 2026, un jour après la vidéo teaser qui l'a nommé. Claude Opus 5.5 est généralement disponible depuis le 22 septembre. Ni l'un ni l'autre n'est une expérience de laboratoire récente : Opus 5.5 est le modèle actuel de la gamme Opus qu'Anthropic commercialise depuis fin septembre, et Kimi K3.1 Pro est une version post-entraînée de Kimi K3 plutôt qu'une nouvelle architecture. Cela rend cette comparaison inhabituellement propre pour une page de comparaison de modèles : les deux grilles tarifaires sont publiées, les deux fournisseurs publient un tableau de benchmarks, et aucun des deux modèles ne se cache derrière une liste d'attente.

Les deux grilles tarifaires, ligne par ligne

Cinq lignes comptent, et l’une d’elles brise le motif.

• Entrée — 2,00 $ par million de tokens avec Kimi K3.1 Pro, contre 4,00 $ avec Claude Opus 5.5. Exactement la moitié.

• Sortie — 10,00 $ contre 20,00 $. Exactement la moitié, et la sortie est le poste qui domine le travail agentique et de raisonnement, où le modèle écrit bien plus qu’il ne lit.

• Lecture du cache — 0,20 $ dans les deux cas. C’est l’anomalie : les deux fournisseurs s’accordent au centime près sur le prix de la lecture d’un préfixe mis en cache, qui est le poste qui domine chez un agent de longue durée relisant un dépôt à chaque tour.

• Écriture dans le cache — Kimi facture 2,00 $ pour une entrée en cache de cinq minutes et 4,00 $ pour une heure ; Anthropic facture 5,00 $ et 8,00 $. Kimi est aussi moins cher ici, et de plus de la moitié.

• Variantes rapides — Kimi K3.1 Pro Highspeed est à 4,00 $ et 20,00 $, soit environ deux à trois fois la vitesse de sortie. Le mode rapide d’Anthropic sur Opus 5.5 est à 8,00 $ et 40,00 $, jusqu’à 2,5×. Même rapport, même doublement.

Le calcul sur une requête mixte est donc trivial. Un appel qui lit un million de tokens d’entrée et écrit 200 000 tokens de sortie coûte 4,00 $ sur Kimi K3.1 Pro et 8,00 $ sur Opus 5.5. Un agent qui relit un contexte d’un million de tokens avec un taux de réussite du cache de 70 % paie 0,74 $ pour l’entrée sur Kimi contre 1,34 $ sur Opus, ou 2,74 $ contre 5,34 $ une fois la sortie incluse. L’économie provient de l’entrée fraîche et de la sortie, pas du cache, car la mise en cache coûte la même chose sur les deux.

Ce que la grille tarifaire ne vous dit pas, c’est combien de tokens chaque modèle consomme. Kimi K3.1 Pro utilise par défaut son réglage de raisonnement le plus élevé, max. Claude Opus 5.5 utilise par défaut medium. Un modèle qui réfléchit en mode max par défaut écrira, en moyenne, plus de tokens de raisonnement par réponse qu’un modèle qui réfléchit en mode medium — le 2× annoncé est donc un prix par token, pas un prix par tâche terminée, et l’écart réel dépend de la part de la réflexion supplémentaire de Kimi dont votre travail a réellement besoin. Moonshot ne publie pas de chiffre de tokens par tâche qui permettrait de trancher.

Le seul benchmark que les deux laboratoires publient, et pourquoi il ne s'agit pas d'une mesure

Terminal-Bench 4.0 est ce qui ressemble le plus à un étalon commun dans ces deux lancements, et même ici, les deux chiffres ne sont pas obtenus de la même manière.

Le score de 66,4 % d’Anthropic a été obtenu avec l’effort xhigh, un cran au-dessus de la valeur par défaut du modèle, medium, sur le harness propre à Anthropic, avec son routage de sécurité actif. L’entreprise publie le tableau et le précise. Le 65,7 % de Kimi apparaît dans les documents de lancement de Moonshot avec le réglage max par défaut du modèle, sur un harness que l’entreprise contrôle aussi ; le tableau de lancement cite Opus 5.5 à 66,4 %, le même chiffre qu’Anthropic a publié, sans préciser si Moonshot l’a réexécuté ou l’a repris. Un écart de 0,7 point entre deux tableaux produits par les fournisseurs, avec des réglages d’effort différents, sur des échafaudages différents, n’est pas une mesure de la différence entre les modèles. C’est l’affirmation que les deux sont assez proches pour que les choix de harness décident de l’ordre.

Deux autres points de données vont dans le même sens. L’évaluation indépendante d’Opus 5.5 sur le même benchmark, réalisée par Artificial Analysis et rapportée lors de son lancement, est de 59,6 % — sept points en dessous du chiffre avancé par Anthropic lui-même, dans une configuration qui inclut le routage de protection côté serveur. Et la documentation de Moonshot contenait encore, le jour du lancement, des espaces réservés littéraux « [xx.x%] » pour ses scores Terminal-Bench et benchmark scientifique, tandis que la publication marketing affichait les chiffres. Aucun de ces faits ne prouve quoi que ce soit sur la qualité relative. Tous deux montrent que les tableaux de benchmarks du jour du lancement sont d’abord des artefacts marketing.

Là où les fournisseurs s’accordent, le constat est cohérent : Kimi K3.1 Pro est proche d’Opus 5.5 sur les tâches que les deux mesurent, et largement en avance sur son propre prédécesseur. La suite de tests de codage à long horizon de Moonshot est passée de 55,95 % à 61,2 %, son score CAD sans outils est de 72,8 contre 73,0 pour Opus, et son taux d’hallucination sur le jeu difficile propre au fournisseur est tombé de 23,4 % à 8,3 % avec outils — un chiffre qui, s’il se vérifie hors évaluation, compte plus pour le travail à forte composante documentaire que n’importe quel point de benchmark.

Le curseur d'effort est la véritable différence entre les deux produits.

Les deux modèles exposent un champ d’effort de raisonnement ; ils divergent sur le nombre de crans qu’il comporte et sur le cran où il se situe.

Kimi K3.1 Pro en propose trois : low, high et max, max étant la valeur par défaut. Claude Opus 5.5 en propose cinq : low, medium, high, xhigh et max, medium étant la valeur par défaut. Aucun des deux modèles ne permet à l’appelant de désactiver la réflexion. Kimi fixe carrément l’échantillonnage — température 1.0, top-p 0.95, n à 1 — et rejette les autres valeurs, si bien que l’effort est le seul levier comportemental qu’il propose. Anthropic laisse la température modifiable mais maintient la réflexion adaptative toujours activée, de sorte que l’effort est le seul levier qui change l’intensité de la réflexion du modèle.

Les valeurs par défaut font réellement le travail. Kimi est livré avec un réglage honnête mais coûteux : chaque requête qui ne passe pas reasoning_effort paie pour le réglage le plus profond. Opus est livré à l’échelon intermédiaire et réserve les deux échelons supérieurs aux appelants qui le demandent. Si vous migrez une charge de travail sans rien changer d’autre, vous avez changé à la fois le modèle et son budget de réflexion, ce qui est la manière la plus courante dont un « modèle moins cher » finit par ne pas l’être. Le propre tableau d’Anthropic montre l’ampleur de cet effet au sein d’un même modèle : CursorBench 4.0 obtient 57,8 % à xhigh et 52,5 % à medium, tandis que FrontierCode varie de 0,2 point entre les deux mêmes réglages. La sensibilité à l’effort dépend de chaque charge de travail, et aucune fiche de modèle ne prédit la vôtre.

Un piège opérationnel s’applique aux deux. Changer de niveau d’effort en cours de conversation invalide les hits du cache de préfixe, si bien qu’un agent qui augmente l’effort à mi-parcours d’une longue session paie pour relire tout ce qu’il avait mis en cache. Décidez du niveau avant le début de la session, pas pendant.

Ce que chaque fournisseur fait au modèle quand vous ne regardez pas

Les deux laboratoires ont désormais livré un modèle dont le comportement sur certaines entrées n’est pas celui que vous avez demandé, et tous deux le décrivent ouvertement.

La documentation de lancement d’Opus 5.5 d’Anthropic indique que la plupart des tâches liées à la cybersécurité peuvent être redirigées vers Claude Opus 4.8, et que les travaux en biologie et en développement de modèles de pointe peuvent basculer vers Opus 5. Ces replis s’effectuent côté serveur : la réponse provient d’un autre modèle, et le seul signal dont dispose l’appelant est le contenu. Pour une charge de travail liée à la sécurité, il s’agit d’un véritable changement de capacité, et non d’une simple note de bas de page stratégique.

Moonshot a suivi une voie différente. Elle a retiré les données liées à la cybersécurité à la fois de l’entraînement intermédiaire et de l’étape d’apprentissage par renforcement, tout en conservant le codage général, et a communiqué le coût de cette décision : son score de codage adversarial est passé de 90,5 % sur le checkpoint non atténué à 81,0 % sur le modèle livré. L’entreprise présente cela comme un plafonnement délibéré de la capacité cyber offensive et indique qu’elle relèvera ce plafond progressivement. Kimi K3.1 Pro ne redirige pas votre requête ; il est simplement plus faible dans cette catégorie précise, avec un écart que son propre fournisseur a publié.

Ce qui est préférable dépend de ce que vous construisez. Si vous avez besoin d’une sortie déterministe du modèle que vous avez choisi, un repli silencieux est pire qu’une faiblesse signalée. Si vous avez besoin du meilleur résultat possible sur une tâche que le fournisseur a restreinte, le repli peut encore valoir mieux qu’un refus — mais vous comparez désormais deux modèles en croyant n’en utiliser qu’un.

La date qui tranche la question des poids ouverts

Kimi K3.1 Pro est présenté comme un modèle à poids ouverts, mais les poids ne sont pas encore disponibles. Moonshot affirme que les poids complets seront publiés d’ici le 4 novembre 2026. D’ici là, la colonne « poids ouverts » de toute comparaison n’est qu’une promesse, et l’organisation Hugging Face qui héberge Kimi K3 n’a rien de plus récent que K3 en date du 24 octobre.

Claude Opus 5.5 n’a aucun projet de publication à poids ouverts, et n’en aura jamais. Pour tous ceux dont le déploiement ne peut pas faire appel à une API hébergée, la comparaison s’arrête là, quel que soit le prix : d’un côté, un produit que vous pourrez peut-être télécharger dans onze jours ; de l’autre, une location. Pour tous les autres, le 4 novembre est la date à laquelle la comparaison des prix devient un véritable choix d’architecture plutôt qu’un choix d’approvisionnement.

Que courir aujourd'hui

Voici la partie que les grilles tarifaires ne couvrent pas : la disponibilité. Claude Opus 5.5 est appelable via OrcaRouter dès aujourd'hui à 4,00 $ et 20,00 $ par million de tokens, avec les lectures de cache à 0,20 $ — le prix catalogue du fournisseur répercuté sans marge ajoutée — sur la même clé que le reste de votre pile, avec un temps médian jusqu'au premier token de 3,86 secondes au cours des sept derniers jours sur notre route. Kimi K3.1 Pro a rejoint le même catalogue le 24 octobre à 2,00 $ et 10,00 $, lectures de cache à 0,20 $, une fenêtre de 1 048 576 tokens et un plafond de sortie publié de 943 718 tokens. Les deux répondent désormais sur une seule clé.

Le fait de disposer des deux derrière une seule clé est ce dont ne parle la documentation d’aucun des deux fournisseurs. Avec un écart de prix de 2×, la décision qui compte davantage que le choix d’un gagnant est une politique de routage : envoyez le cinquième le plus exigeant de votre trafic à Opus 5.5, le reste à Kimi K3.1 Pro, et laissez le basculement automatique prendre le relais en cas de blocage d’un côté ou de l’autre. C’est le modèle pass-through qui garantit la justesse de ce calcul — chaque côté de la répartition est facturé au prix publié par le fournisseur lui-même, sans rien ajouter, de sorte que l’économie que vous calculez est celle que vous obtenez, et qu’une modification tarifaire chez l’un ou l’autre fournisseur est appliquée ici le jour même.

Ce qui ramène la comparaison à son point de départ. Si votre travail est dominé par les tâches où les deux modèles se situent à moins d’un point l’un de l’autre, l’écart de prix est toute l’histoire et la réponse est le modèle le moins cher. S’il est dominé par la programmation à long horizon, où Opus bénéficie de trois mois d’évaluation indépendante et Kimi d’un tableau fournisseur publié hier, les 0,7 points ne sont pas le chiffre à retenir — le chiffre à retenir est votre propre évaluation, réalisée avec le réglage d’effort que vous allez réellement déployer. Les deux fournisseurs ont désormais rendu cela facile, car tous deux vous permettent de tourner le bouton et publient tous deux ce que coûte ce réglage.