Je n'ai jamais rien vu de pareil

L'auteur introduit Kimi 2.5 de Moonshot en apportant une correction technique cruciale sur la nature du modèle. Il explique que Kimi n'est pas réellement "open-source" au sens de l'OSI, mais plutôt un modèle "open-weight" car ses données d'entraînement restent privées. Cette distinction est fondamentale pour comprendre l'accessibilité réelle du modèle pour les développeurs. Le présentateur souligne les deux promesses majeures : l'orchestration d'essaims d'agents et l'intelligence visuelle avancée. Cette section pose le cadre de l'analyse en opposant le discours marketing à la réalité technique.

Le modèle utilise une architecture de mélange d'experts (MoE) similaire à celle de DeepSeek, avec 1 000 milliards de paramètres au total. Seuls 32 milliards de paramètres sont activés par requête, ce qui garantit une vitesse de traitement exceptionnelle et des coûts réduits. Cette efficacité permet d'obtenir la précision d'un modèle massif sans la lourdeur de calcul habituelle. L'auteur mentionne que le modèle est nativement multimodal, excellant tant dans le code que dans la vision. Ce segment explique pourquoi Kimi 2.5 est considéré comme l'un des modèles les plus rapides du marché actuel.

Cette section présente Opera Neon, un navigateur conçu pour l'ère agentique et les utilisateurs intensifs. Le navigateur intègre des fonctionnalités comme "Tasks" pour organiser les espaces de travail et "Neon Make" pour générer des applications via une machine virtuelle intégrée. L'exemple d'un minuteur Pomodoro Cyberpunk illustre la capacité du navigateur à coder et déployer instantanément des outils. Le narrateur compare l'expérience à celle d'avoir un développeur junior intégré directement dans l'interface de navigation. Ce segment souligne l'évolution des outils de productivité vers une intégration profonde de l'IA.

Kimi 2.5 se différencie par sa capacité à auto-diriger jusqu'à 100 sous-agents exécutant des flux de travail en parallèle. Contrairement à d'autres modèles, son apprentissage par renforcement valorise la capacité à agir en chef d'orchestre efficace. Les tests internes montrent une réduction du temps d'exécution de 80 % sur des tâches de longue haleine grâce à cette coordination. Le modèle gère de manière autonome l'attribution des missions, la récupération des résultats et la synthèse finale du projet. Cette approche surpasse les benchmarks de modèles concurrents comme Opus sur des tâches complexes nécessitant une multi-expertise.

L'équipe teste KimiCode CLI en lui demandant de migrer un projet web de ShadCN vers Material UI. Le modèle analyse l'arborescence, planifie les tâches et parallélise la conversion des pages d'authentification et de contenu. Bien qu'un bug mineur ait limité le nombre d'agents actifs, la migration a été complétée en 15 minutes avec un nettoyage rigoureux des fichiers inutilisés. Kimi se distingue en supprimant les dépendances obsolètes, une étape souvent oubliée par les autres agents d'IA. La gestion de la fenêtre de contexte s'est avérée très efficace, n'utilisant que 25 % de sa capacité pour cette tâche complexe.

L'intelligence agentique visuelle est présentée comme l'atout majeur de Kimi 2.5 pour le développement front-end. Le modèle est capable d'analyser une vidéo d'enregistrement d'écran pour comprendre les interactions et la mise en page d'un site. Lors d'un test de clonage de l'interface Notion, Kimi a identifié les composants spécifiques et la structure sans description textuelle préalable. L'intégration native de la vision durant l'entraînement permet d'éviter les déséquilibres de performance entre le texte et l'image. L'auteur avertit toutefois que les fichiers vidéo peuvent saturer rapidement la fenêtre de contexte si l'on n'y prend pas garde.

Le test final montre la capacité de Kimi à itérer de lui-même pour corriger des fonctionnalités manquantes, comme les commandes par slash du clone de Notion. Le modèle a vérifié ses propres résultats et a ajusté le code jusqu'à obtenir une application parfaitement fonctionnelle. L'auteur conclut que Kimi 2.5 représente une alternative économique et performante à Claude Code pour les développeurs. La vidéo se termine par une invitation à rejoindre la communauté AI Labs Pro pour accéder aux ressources de codage. Le succès des promesses de Moonshot semble confirmé par ces tests pratiques rigoureux.