Poids d’ERNIE 5.5 Flash Base et Kimi K3.1 Pro : licences

ERNIE 5.5 Flash Base, de Baidu, est un modèle de base préentraîné, et Kimi K3.1 Pro, de Moonshot, est un modèle multimodal post-entraîné. Les deux publient leurs poids sous des licences spécifiques, et celle de Baidu exclut l’UE, le Royaume-Uni et la Corée du Sud.

Deux publications aux finalités différentes

Baidu a publié ERNIE 5.5 Flash Base le 5 novembre 2026, selon le blog d’annonce de Baidu, sous la forme d’un modèle à mélange d’experts (MoE) traitant uniquement le texte et comptant 280 milliards de paramètres au total. Les poids sont proposés dans un dépôt FP8 et dans un dépôt BF16 distinct. Moonshot AI a rendu Kimi K3.1 Pro disponible dans ses produits et son API dès le lancement, et a indiqué dans son blog de lancement que les poids complets suivraient d’ici le 4 novembre 2026. Ils figurent désormais sur la fiche du modèle Kimi K3.1 Pro, un modèle MoE texte et image de 2,8 billions de paramètres au total.

Tout le monde peut télécharger l’un ou l’autre jeu de poids sans demande d’accès, et chacun a sa propre licence. C’est là que les deux divergent le plus : la licence d’ERNIE n’accorde des droits qu’en dehors de l’Union européenne, du Royaume-Uni et de la Corée du Sud, tandis que le fichier de Kimi n’indique aucune limite géographique. Les finalités diffèrent aussi, car l’un est un point de départ pour l’entraînement et l’autre un modèle abouti.

Caractéristique	ERNIE 5.5 Flash Base	Kimi K3.1 Pro
Développeur	Baidu	Moonshot AI
Architecture	MoE	MoE
Paramètres au total	280 milliards	2,8 billions
Paramètres actifs par jeton	14 milliards	104 milliards
Modalité	Texte	Texte et image
Longueur de contexte	1 048 576 jetons en affinage et en inférence, entraîné jusqu’à 128K	1 048 576 jetons
Stade du checkpoint	Fin du préentraînement	Post-entraîné
Taille des poids	Environ 288 GB (FP8) ou 573 GB (BF16), dans deux dépôts	Environ 1,56 TB (MXFP4), dans un seul dépôt
Licence	Accord spécifique, exclut l’UE, le Royaume-Uni et la Corée du Sud	Licence spécifique, aucune limite géographique dans le fichier

Sources : fiche du modèle ERNIE et fiche du modèle Kimi pour les paramètres, la modalité, le contexte et le stade d’entraînement. Les tailles correspondent aux totaux safetensors qu’indique Hugging Face pour les dépôts FP8, BF16 et Kimi, consultés le 12 novembre 2026. Les licences sont traitées plus bas.

ERNIE 5.5 Flash Base

Baidu indique que le modèle a été préentraîné à partir de zéro sur 33,5 billions de jetons, avec un contexte d’entraînement allant jusqu’à 128K, et que l’affinage et l’inférence prennent en charge 1M de jetons (blog de Baidu). La fiche du modèle donne 1 048 576 jetons comme valeur pour l’affinage et l’inférence.

La fiche du modèle décrit les poids comme le checkpoint « à la fin du préentraînement, avant tout entraînement intermédiaire ou post-entraînement ». Il a été publié avant l’entraînement intermédiaire et le post-entraînement, il constitue donc un point de départ pour l’adaptation à un domaine, l’ajustement aux instructions (instruction tuning) et la recherche en apprentissage par renforcement, et non un agent conversationnel abouti. Le guide vLLM-ERNIE de Baidu présente le modèle de base comme un modèle de complétion et indique comme « Coming soon » (bientôt disponible) un ERNIE-5.5-Flash pour la conversation, le raisonnement et l’appel d’outils. Baidu compte les 14 milliards de paramètres actifs sans la table de plongements (embedding lookup), et ses totaux excluent 0,36 milliard de paramètres de la couche ECHO, une précision qui figure sur la fiche du modèle.

Kimi K3.1 Pro

Moonshot indique que Kimi K3.1 Pro a été post-entraîné à partir de Kimi K3 par un apprentissage par renforcement conjoint à grande échelle couvrant des centaines de domaines en aval, et qu’il apporte des gains en codage, en création 3D, en recherche financière et en exactitude factuelle (fiche du modèle). La fiche indique des poids MXFP4 avec des activations MXFP8, obtenus par un entraînement tenant compte de la quantification (quantization-aware training). Elle cite vLLM, SGLang et TokenSpeed pour le service du modèle, et indique une entrée texte et image.

Le blog de Moonshot indique que l’entreprise a aussi publié Kimi K3.1 Pro Highspeed, qu’elle présente comme deux à trois fois plus rapide que K3.1 Pro. Le blog décrit aussi une mesure de sécurité : Moonshot indique que, pour la publication à poids ouverts, elle a identifié et retiré les données liées au domaine cyber de l’entraînement intermédiaire et de ses environnements d’apprentissage par renforcement. Sur son benchmark interne xdev-bench-hard, Moonshot indique que le modèle final résout 81,0 % des problèmes en pass@3, contre 90,5 % pour un checkpoint sans ces mesures. Il s’agit du benchmark et de la mesure propres à Moonshot.

Conditions de licence

Les deux dépôts portent l’étiquette de licence Hugging Face « other », qui signale un texte spécifique. TechiesJournal ne qualifie ni l’une ni l’autre d’open source. Cette section résume les fichiers tels que consultés le 12 novembre 2026. Elle ne constitue pas un avis juridique. Lisez la licence au regard de votre propre situation, et consultez un conseil juridique lorsque les conditions de territoire, de chiffre d’affaires ou de service peuvent s’appliquer.

Où chaque licence autorise l’utilisation

L’ERNIE 5.5 Flash Base Model License Agreement définit son Territoire (Territory) comme le monde entier à l’exception de l’Union européenne, du Royaume-Uni et de la Corée du Sud (section 1.11). L’accord accorde les droits de Baidu « solely within the Territory », c’est-à-dire uniquement sur le Territoire (section 2). La section 5.3 précise que les poids, les modèles dérivés et leurs sorties ne doivent pas être utilisés, reproduits, modifiés, distribués ou affichés en dehors de celui-ci, et la politique d’utilisation acceptable de l’annexe A (Exhibit A) reprend ce point comme premier élément. Selon la licence de Baidu, l’utilisation au sein de l’Union européenne, du Royaume-Uni ou de la Corée du Sud se situe en dehors des droits accordés. Toute personne qui s’y trouve devrait lire l’accord et obtenir un avis juridique. L’accord est régi par le droit de Hong Kong, avec compétence des tribunaux de Hong Kong (sections 9.1 et 9.2).

La Kimi K3.1-Pro License ne comporte aucune restriction géographique. Elle demande que l’utilisation respecte les lois et réglementations applicables (section 1).

Usage commercial et autres conditions

Condition	ERNIE 5.5 Flash Base	Kimi K3.1 Pro
Usage non commercial	Sans redevance de licence de modèle (section 4.1)	Gratuit, sous réserve des conditions des sections 1 à 4
Usage commercial	Sans redevance de licence de modèle jusqu’à 50 millions $ US de chiffre d’affaires annuel issu des produits ou services concernés, avec une notification d’utilisation unique à Baidu (sections 3.2, 4.2)	Aucune redevance en général. Une activité de Model as a Service dont le chiffre d’affaires dépasse 20 millions $ US sur une période quelconque de 12 mois doit conclure un accord distinct avec Moonshot (section 2)
Au-delà du seuil	Autorisation écrite préalable et distincte de Baidu, faute de quoi l’usage commercial doit être suspendu (section 4.3)	Mention « Kimi K3.1-Pro » dans l’interface pour les produits dépassant 100 millions d’utilisateurs actifs mensuels ou 20 millions $ US de chiffre d’affaires mensuel (section 3)
Attribution	« Powered by ERNIE » sur tout produit ou service commercial (section 3.2)	Conserver l’avis de droit d’auteur et l’avis d’autorisation dans toutes les copies (section 1)
Utilisation des sorties	Les sorties ne peuvent pas servir à améliorer un autre modèle d’IA, et la distillation est traitée comme un modèle dérivé (sections 5.5, 1.5)	Le fichier n’indique aucune restriction sur les sorties ou la distillation
Exceptions	La limite de Territoire s’applique à tout usage (sections 2, 5.3)	L’usage interne et l’usage via les produits officiels de Moonshot ou ses partenaires d’inférence certifiés échappent aux sections 2 et 3 (section 4)
Autres limites	Politique d’utilisation acceptable, indemnisation et résiliation en cas d’action en contrefaçon de brevet (sections 6.6, annexe A)	Exclusion de garantie (section 5)

Sources : fichier de licence d’ERNIE et fichier de licence de Kimi, consultés le 12 novembre 2026.

Deux points du texte d’ERNIE comptent pour la planification. Le chiffre d’affaires porte sur l’ensemble du produit concerné, et pas seulement sur la part attribuable à ERNIE, et il agrège toutes les entités placées sous un contrôle commun (section 1.7). Baidu peut aussi demander une déclaration de conformité à un exploitant dont le chiffre d’affaires atteint ou dépasse 50 millions de dollars US, selon la section 4.5 de l’accord. L’annexe A, que l’accord indique comme révisée pour la dernière fois le 6 novembre 2026, interdit notamment les usages militaires, les décisions automatisées à fort enjeu dans des domaines comme la santé, le crédit et l’emploi, et la publication de contenus générés sans indication claire qu’ils ont été produits par une machine. Pour Kimi, « Model as a Service » désigne le fait de donner à un tiers l’accès à l’inférence ou à l’affinage, par exemple via une API, avec un contrôle significatif sur les entrées, les paramètres ou les données d’entraînement. Les conditions pouvant changer après publication, revérifiez les fichiers avant de vous y fier. L’article précédent de TechiesJournal sur les modèles à poids ouverts DeepSeek, GLM et Kimi (en anglais) explique comment aborder ce type de licence spécifique.

Ce que montrent les données

La quasi-totalité des données de performance provient des deux éditeurs. Le tableau distingue qui a mesuré quoi.

Source	Ce qui a été mesuré	Résultat
Moonshot, dans la fiche du modèle	Terminal-Bench 4.0, Kimi exécuté avec l’environnement d’évaluation (harness) Claude Code	Kimi K3.1 Pro 65,7, Claude Opus 5.5 66,4, GPT-6 Astra 58,2
Vals AI	Terminal-Bench 4.0	Kimi K3.1 Pro 63,64 %, quatrième sur 63 modèles
Vals AI	Vals Index, tâches de finance, de codage, de droit et de fiscalité	Kimi K3.1 Pro 62,52 %, 10e rang. Kimi K3 52,95 %, 28e rang
Baidu, dans la fiche du modèle	30 lignes de benchmarks few-shot face à trois autres modèles de base	Baidu désigne ERNIE comme le meilleur sur 24 lignes et un concurrent comme le meilleur sur 6

Sources : fiche du modèle Kimi, page Kimi K3.1 Pro de Vals AI, le classement du Vals Index, mis à jour le 9 novembre 2026, et la fiche du modèle ERNIE.

Pour Kimi, Vals AI est la seule mesure indépendante trouvée. Son Vals Index attribue à Kimi K3.1 Pro un score de 62,52 % contre 52,95 % pour Kimi K3, soit un gain de 9,57 points selon notre calcul, ce qui concorde avec ce que Moonshot dit avoir obtenu grâce au post-entraînement supplémentaire. Plusieurs réserves s’appliquent :

Vals teste des tâches différentes de celles des tableaux de Moonshot, et neuf modèles se classent au-dessus de Kimi K3.1 Pro sur l’indice, parmi lesquels Claude Fable 5.2 à 71,31 % et, dans le même tableau, Claude Opus 5.5 (70,14 %) et GPT-6 Astra (65,02 %), deux des modèles auxquels Moonshot se compare.
Les chiffres Terminal-Bench de Moonshot mélangent plusieurs environnements d’évaluation. La fiche indique que les scores de comparaison, à l’exception de ceux de DeepSeek, sont les valeurs maximales rapportées dans les blogs des modèles ou sur le classement officiel.
La note de Vals AI sur son évaluation de Kimi K3.1 Pro est datée du 24 octobre 2026, avant la publication des poids, si bien que le score décrit très probablement le modèle hébergé et non une copie que vous exécuteriez vous-même. Il s’agit de notre déduction.
Vals AI affiche le score de Kimi K3 à 52,95 % sur son classement et à 52,96 % dans sa note sur Kimi K3.1 Pro.

Pour ERNIE 5.5 Flash Base, aucune mesure indépendante du checkpoint n’a été trouvée. Le tableau de Baidu le compare à DeepSeek-V4-Flash-Base, Hy3-preview-Base et MiMo-V2.5-Base, exécutés par Baidu avec le même pipeline, les mêmes prompts et les mêmes réglages few-shot. Les concurrents sont en tête sur six lignes : ChineseSimpleQA, BBH avec chaîne de pensée (chain of thought), INCLUDE-lite, FullStackBench, HELMET-Rerank et InfiniteBench. Les scores few-shot de modèles de base ne sont pas comparables aux classements de modèles conversationnels comme celui de Vals AI. Le guide de TechiesJournal sur la lecture des affirmations relatives aux benchmarks d’IA (en anglais) explique quelles questions poser face à de tels chiffres, et son article sur Hy4 de Tencent examine le même classement Vals.

Matériel et taille des poids

Les fiches des modèles décrivent des modèles parcimonieux (sparse) dans lesquels seuls certains experts s’exécutent pour chaque jeton, mais chaque expert doit tout de même être stocké, si bien que les fichiers restent volumineux. Le tableau met les tailles en regard de ce que chaque éditeur ou projet de service indique sur les configurations minimales.

Poids	Taille	Configuration indiquée par l’éditeur ou le projet de service
ERNIE FP8	Environ 288 GB	Guide de Baidu : 2 GPU de 288 GB, 4 de 192 GB ou 8 de 80 GB
ERNIE BF16	Environ 573 GB	Guide de Baidu : 4 GPU de 288 GB, 8 de 192 GB ou deux nœuds de 8 GPU de 80 GB
Kimi K3.1 Pro MXFP4	Environ 1,56 TB	La recette vLLM : parallélisme de tenseurs de degré 8 sur un nœud B300 ou deux plateaux (trays) GB300, ou sur un nœud MI355X

Sources : guide vLLM-ERNIE de Baidu pour les lignes ERNIE, qu’il présente comme les plus petits nombres de GPU capables de contenir les poids, et la recette vLLM pour Kimi K3.1 Pro, vers laquelle renvoie la fiche du modèle et qui émane du projet vLLM, et non de Moonshot. Les tailles proviennent de Hugging Face.

Ces nombres de GPU suffisent seulement à contenir les poids, et rien ici n’est un débit mesuré. Le guide de Baidu exécute ses serveurs d’exemple avec un contexte de 131 072 jetons et indique que des GPU de 80 Go acceptent jusqu’à 262 144 jetons mais pas 1M, si bien que le contexte complet exige davantage de mémoire. La recette vLLM indique que le débit n’a pas été optimisé. La perspective de TechiesJournal sur l’IA hébergée face aux LLM auto-hébergés examine dans quels cas exécuter un modèle soi-même justifie ce coût.

Ce que les développeurs doivent savoir

Les deux jeux de poids peuvent être téléchargés dès aujourd’hui, mais aucun n’est un modèle pour ordinateur de bureau. D’après les tailles et les guides de Baidu et de vLLM cités plus haut, ERNIE nécessite de 288 Go à 573 Go de stockage et au moins deux GPU de centre de données, et Kimi K3.1 Pro nécessite environ 1,56 To, la recette vLLM prenant comme configuration de base un groupe de huit GPU. ERNIE 5.5 Flash Base est un checkpoint de base destiné aux équipes qui poursuivront son entraînement, et uniquement sur le Territoire de Baidu. Kimi K3.1 Pro est un modèle post-entraîné destiné aux applications et aux tâches agentiques, et les conditions de sa licence visent surtout les activités de Model as a Service et les très grands produits. Testez l’un ou l’autre sur vos propres tâches, et revérifiez les deux dépôts et les fichiers de licence avant de vous y fier.

Références

Sources consultées le 12 novembre 2026. Les caractéristiques, les conditions de licence, les résultats de benchmark et la disponibilité sont ceux communiqués par Baidu, Moonshot, vLLM et Vals AI, et peuvent changer.

Baidu et Moonshot publient les poids des modèles ERNIE 5.5 Flash Base et Kimi K3.1 Pro