Kimi K3.1 Pro est désormais disponible pour l’annotation automatique dans Ultralytics Platform
Kimi K3.1 Pro de Moonshot AI est désormais disponible dans Ultralytics Platform. Il a obtenu un mAP50 de 0.444 sur notre classement VLM, soit un tiers de plus que Kimi K3, et se classe 7e sur 29 modèles.
Moonshot AI a lancé Kimi K3.1 Pro le 23 octobre 2026, et le modèle est disponible dès aujourd’hui pour l’annotation automatique dans Ultralytics Platform. Nous l’avons soumis au même test que tous les autres modèles de notre classement VLM : 360 images issues de 36 jeux de données de détection du monde réel.
Kimi K3.1 Pro a obtenu un mAP50 de 0.444, soit un tiers de plus que Kimi K3 (0.334), et se classe 7e sur 29 modèles, dix places devant son prédécesseur. Tous les modèles mieux classés sont des modèles fermés de Google, Anthropic ou OpenAI.
Nouveautés de Kimi K3.1 Pro#
Kimi K3.1 Pro est le premier modèle de la série K3.1 de Moonshot, qui le présente comme son modèle à poids ouverts de classe 3T le plus performant à ce jour. Il s’agit d’une version de Kimi K3 dont l’entraînement a été affiné, avec beaucoup plus de calcul consacré à cette phase, une fenêtre contextuelle d’un million de jetons et la prise en charge des images et des vidéos. Il raisonne toujours avant de répondre, et Moonshot prévoit de publier l’ensemble des poids d’ici le 4 novembre 2026. L’annonce de Moonshot détaille ses résultats en programmation, en finance et sur les hallucinations.
Moonshot a également baissé le prix. Kimi K3.1 Pro est proposé à 2 $ par million de jetons en entrée et à 10 $ par million de jetons en sortie, contre 3 $ et 15 $ pour Kimi K3.
Kimi K3.1 Pro pour l’annotation automatique dans Ultralytics Platform#
Kimi K3.1 Pro rejoint les modèles de langage et de vision guidés par des classes dans l’éditeur d’annotation d’Ultralytics Platform. Sur un jeu de données de détection d’objets comprenant de 1 à 200 classes, le modèle examine chaque image et renvoie des boîtes englobantes pour les instances des classes de ton jeu de données qu’il détecte. Tu peux ensuite les vérifier et les enregistrer comme n’importe quelle autre prédiction.
Tu peux l'utiliser de deux façons :
- Une image à la fois : dans l’éditeur d’annotation, passe en mode Smart, sélectionne Kimi K3.1 Pro sous Kimi dans le sélecteur de modèles, puis clique sur Predict (ou appuie sur
P). - Un jeu de données entier : lance Batch Annotation depuis More actions > Batch Annotation sur la page du jeu de données pour étiqueter toutes les images non étiquetées en une seule opération.
Pour voir le modèle en action avant d’ajouter une clé, ouvre la page du modèle Kimi K3.1 Pro dans Ultralytics Platform. Elle rejoue les prédictions enregistrées de Kimi K3.1 Pro sur 10 images de COCO à côté des boîtes attendues et affiche son score sur chaque jeu de données de référence.
Comment nous avons évalué Kimi K3.1 Pro#
Un modèle qui détecte presque tous les objets dans des photos de tous les jours peut quand même en manquer la plupart dans un examen médical ou une carte électronique. C’est pourquoi chaque modèle du classement VLM passe le même test figé, UL37 v2 : 10 images annotées tirées au hasard de chacun des 36 jeux de données de détection d’UL37, un ensemble de jeux de données de référence du monde réel qu’Ultralytics utilise pour l’évaluation. Ils couvrent l’imagerie médicale, l’imagerie aérienne et satellitaire, l’inspection de circuits imprimés, les radios de sécurité, les rayons des magasins, la circulation, le sport, les scènes sous-marines, les séquences thermiques et bien plus encore.
Chaque image passe par le pipeline d’annotation de production d’Ultralytics Platform avec les noms de classes de son jeu de données, exactement comme l’appellent le mode Smart et l’annotation par lots, y compris l’étape SAM 3.1 qui affine les boîtes de chaque modèle. Nous évaluons les boîtes à l’aide des propres métriques de détection du package Ultralytics et calculons la moyenne des 36 jeux de données avec une pondération égale. La méthodologie du classement VLM fournit tous les détails.
Un paramètre diffère pour Kimi. Kimi K3.1 Pro utilise par défaut le niveau de raisonnement maximal de Moonshot. À ce niveau, Kimi K3 dépassait la limite de 115 secondes d’Ultralytics Platform pour environ 40 % des images de nos tests ; Ultralytics Platform fait donc tourner tous les modèles Kimi avec un niveau de raisonnement élevé. Kimi K3 et Kimi K3.1 Pro ont tous deux été évalués de cette façon.
Kimi K3.1 Pro face à Gemini 4 Argon, Claude Opus 5.5 et GPT-6 Astra#
Kimi K3.1 Pro a obtenu un mAP50 de 0.444. Gemini 4 Argon (0.537), Claude Opus 5.5 (0.527), GPT-6 Astra (0.525), Gemini 3.8 Flash (0.516), GPT-6.1 Sol (0.514) et Claude Sonnet 5.5 (0.472) ont fait mieux. Il a terminé devant Claude Haiku 5.5 (0.429), Claude Fable 5.1 (0.427) et tous les modèles à poids ouverts que nous exécutons sur nos propres GPU, en tête desquels Gemma 4 31B (0.390), qui n’est pas encore proposé dans Ultralytics Platform.
Les deux composantes du score ont progressé. La précision est passée à 0.560, contre 0.439 pour Kimi K3, et le rappel à 0.483, contre 0.376 ; une plus grande part de ses boîtes étaient donc correctes et il a détecté davantage d’objets annotés.
Kimi K3.1 Pro face à Kimi K3 : où l’amélioration se manifeste#
Kimi K3.1 Pro a surpassé Kimi K3 sur 25 des 36 jeux de données et dans 8 domaines sur 12. Les plus fortes progressions concernent le sport (0.68 contre 0.28), les routes et la circulation (0.49 contre 0.26), ainsi que les documents, les interfaces utilisateur et la CAO (0.41 contre 0.26). Pour les balles de tennis, son mAP50 est passé de 0.08 à 0.74, à égalité avec Gemini 3.8 Flash pour le meilleur score sur ce jeu de données. Pour les marquages routiers de CeyMo, il est passé de 0.17 à 0.80.
Dans le domaine du sport, Kimi K3.1 Pro a également battu Gemini 4 Argon (0.68 contre 0.60) et a obtenu un score supérieur à celui d’Argon sur six jeux de données au total, notamment ceux sur les balles de tennis, le football, les épis de blé et les échographies thyroïdiennes.
Les résultats ne se sont pas améliorés dans tous les domaines. Les scores ont baissé pour les scènes sous-marines et les radios de sécurité (un jeu de données chacune), le commerce de détail a légèrement reculé (0.47 contre 0.48) et les défauts industriels sur circuits imprimés sont restés proches de zéro pour les deux modèles Kimi. Les images spécialisées restent difficiles pour tous les modèles. Considère donc les boîtes de Kimi K3.1 Pro comme une première ébauche à soumettre à une vérification avec intervention humaine, et examine quelques prédictions sur tes propres images avant d’annoter un jeu de données complet.
Précision, coût et vitesse#
Les modèles payants s’exécutent avec ta propre clé API fournisseur, qui est directement facturée pour chaque prédiction. Dans notre évaluation, Kimi K3.1 Pro a coûté environ 22,50 $ par tranche de 1 000 images, soit un montant proche des 21,50 $ de Kimi K3. Son prix par jeton est inférieur d’un tiers, mais il utilise davantage de jetons par image. La mise à niveau apporte donc environ un tiers de précision supplémentaire pour une facture à peu près équivalente.
Ce n’est pas le moyen le moins cher d’obtenir ce niveau de précision. Cinq des six modèles mieux classés coûtent moins cher, notamment Gemini 4 Argon (environ 7,60 $ par tranche de 1 000 images) et Claude Opus 5.5 (environ 13,90 $). Claude Haiku 5.5 obtient un mAP50 à environ 0.015 de celui de Kimi K3.1 Pro, pour environ 0,37 $ par tranche de 1 000 images.
Kimi K3.1 Pro prend aussi son temps. Sa requête médiane a pris environ 22 secondes par image, contre 4,6 secondes pour Gemini 4 Argon et 2,7 secondes pour Claude Opus 5.5. De plus, 6,4 % de ses requêtes n’ont pas abouti dans la limite de 115 secondes d’Ultralytics Platform, contre 1,7 % pour Kimi K3. Une image dont le délai est dépassé revient sans boîte, et tu peux la relancer. Moonshot propose également Kimi K3.1 Pro Highspeed, qui, selon l’entreprise, est deux à trois fois plus rapide avec les mêmes capacités ; Ultralytics Platform propose la version standard de Kimi K3.1 Pro.
Démarrer avec Kimi K3.1 Pro dans Ultralytics Platform#
- Crée une clé API sur la plateforme API Kimi, puis ajoute-la dans Settings > API Keys de l’espace de travail qui héberge ton jeu de données, ou demande à son propriétaire d’en ajouter une (voici comment faire).
- Ouvre un jeu de données de détection dans Ultralytics Platform, passe l’éditeur d’annotation en mode Smart, puis sélectionne Kimi K3.1 Pro sous Kimi.
- Clique sur Predict pour étiqueter l'image actuelle, puis vérifie, ajuste et enregistre les boîtes.
- Quand les résultats te conviennent, lance Batch Annotation pour étiqueter le reste du jeu de données.
L’annotation par lots ajoute les frais de traitement standard d’Ultralytics Platform, soit 1,00 $ par tranche de 1 000 images, en plus de la facturation de ta clé API par Moonshot. Chaque exécution enregistre d’abord une version du jeu de données, ce qui te permet toujours de revenir en arrière.
Une fois ton jeu de données annoté, entraîne un modèle Ultralytics YOLO26 avec celui-ci dans le même espace de travail (consulte la documentation sur l’entraînement). Pour comparer Kimi K3.1 Pro au modèle leader, lis notre article sur l’annotation automatique avec Gemini 4 Argon, ou parcours tous les modèles du classement VLM et les pages des modèles d’Ultralytics Platform. Ensuite, connecte-toi à Ultralytics Platform pour essayer Kimi K3.1 Pro avec tes propres données.
Foire aux questions
Kimi K3.1 Pro est le modèle phare de la série Kimi K3.1 de Moonshot AI, lancée le 23 octobre 2026. Il s’agit d’une version de Kimi K3 dont l’entraînement a été affiné, avec une fenêtre contextuelle d’un million de jetons et la prise en charge des images et des vidéos. Moonshot prévoit de publier ses poids d’ici le 4 novembre 2026. Dans Ultralytics Platform, le modèle est disponible pour l’annotation automatique guidée par des classes et dessine des boîtes englobantes pour les classes de ton jeu de données.
Oui. Sur notre classement VLM, Kimi K3.1 Pro a obtenu un mAP50 de 0.444, contre 0.334 pour Kimi K3, et a progressé sur 25 des 36 jeux de données. Son coût par image était à peu près le même (22,50 $ contre 21,50 $ par tranche de 1 000 images). Sa requête médiane était légèrement plus rapide, mais les délais ont été dépassés plus souvent (6,4 % contre 1,7 % des requêtes).
Gemini 4 Argon (mAP50 de 0.537) et Claude Opus 5.5 (0.527) ont été plus précis, plus rapides et moins chers par image dans notre évaluation. Kimi K3.1 Pro (0.444) se classe 7e sur 29 modèles, derrière uniquement des modèles fermés de Google, Anthropic et OpenAI. Il a toutefois obtenu un meilleur score que Gemini 4 Argon sur six jeux de données, notamment ceux sur les balles de tennis, le football, les épis de blé et les échographies thyroïdiennes.
Moonshot facture ta propre clé API à 2 $ par million de jetons en entrée et à 10 $ par million de jetons en sortie, ce qui a représenté environ 22,50 $ par tranche de 1 000 images dans notre évaluation. L’annotation par lots ajoute également les frais de traitement d’Ultralytics Platform, soit 1,00 $ par tranche de 1 000 images.
Oui. Les modèles hébergés comme Qwen3.8 27B, Gemma 4 26B et SAM 3.1 Text s’exécutent sur Ultralytics Platform sans clé fournisseur. Tu peux aussi faire de l’annotation automatique avec des modèles Ultralytics YOLO préentraînés ou que tu as affinés.
