Trois modèles de codage de pointe. Deux semaines. Si vous avez cligné des yeux début juin 2026, vous avez raté toute une génération de modèles d’IA à poids ouvert le temps de vous resservir un café.
Je travaille tous les jours avec ces outils : les agents, les workflows en ligne de commande, toute cette infrastructure en coulisses qui transforme un modèle en un outil réellement opérationnel. Ce n’est donc pas un article de type « top 10 » basé sur des tests de performance. C'est la comparaison que j'aurais aimé que quelqu'un me remette le 14 juin, lorsque ces trois modèles sont soudainement devenus réels, téléchargeables, et se sont disputé une place dans ma pile.
Voici la version courte pour les plus impatients : MiniMax M3, GLM 5.2 et Kimi K2.7-Code ne sont pas un seul et même outil présenté sous différents logos. L'un est un cheval de bataille multimodal capable de traiter de longs contextes, l'autre est une solution économique pour la planification du codage dotée d'une fenêtre d'un million de tokens, et le troisième est un spécialiste de l'utilisation des outils qui surpasse discrètement des modèles cinq fois plus chers. Si vous faites le mauvais choix, vous risquez soit de payer trop cher, soit d'obtenir des résultats insuffisants. Remédions à cela.
Pourquoi juin 2026 a donné l'impression que le sol se dérobait sous nos pieds
Prenez un peu de recul, car la chronologie à elle seule en dit long.
- 1er juin — MiniMax lance M3, un modèle multimodal à poids non fixé doté d'une fenêtre contextuelle d'un million de tokens et d'une toute nouvelle architecture à attention clairsemée.
- 12 juin — Moonshot AI lance Kimi K2.7-Code, un modèle spécialisé dans le codage comptant un billion de paramètres, sur Hugging Face.
- 12 juin — Le gouvernement américain ordonne à Anthropic de suspendre l'accès mondial à ses modèles de pointe Fable 5 et Mythos 5, invoquant une directive relative au contrôle des exportations.
- 13 juin — Zhipu AI (Z.ai) déploie la version 5.2 de GLM sur tous les niveaux de son offre de codage et promet de mettre à disposition des poids ouverts sous licence MIT d'ici une semaine.
Ainsi, en l'espace d'une douzaine de jours, deux des modèles de codage open source les plus performants au monde ont été lancés, un troisième a fait son apparition, et les modèles occidentaux les plus puissants ont été retirés de la scène internationale. Le vide a été comblé avant même que la plupart des équipes ne s'en rendent compte.
Voilà le véritable titre. Pas “ La Chine a rattrapé son retard ” — ce angle est dépassé depuis un an. Ce qu’il faut retenir aujourd’hui, c’est que La frontière de l'Open-Weight évolue plus vite que n'importe quel cycle d'approvisionnement, n'importe quelle feuille de route trimestrielle ou n'importe quel article de blog. À peine un modèle a-t-il atteint des performances de référence stables que son successeur est déjà en cours d'entraînement. Si votre stratégie technologique repose sur l'hypothèse que vous pouvez vous appuyer sur un seul modèle pendant dix-huit mois, cette stratégie est déjà vouée à l'échec.
Le revers de la médaille est une véritable bonne nouvelle pour les développeurs : vous disposez d'un pouvoir de négociation dont vous ne disposiez pas en 2024. Trois fournisseurs, tous avides de parts de marché, se livrant une guerre des prix, proposant tous des solutions que vous pouvez héberger vous-même. C'est précisément ce genre de concurrence qui fait grimper la qualité et baisser les coûts. Le tout est de savoir entre quoi vous faites réellement votre choix.
Voici les trois candidats
Avant de passer au comparatif, voici une brève présentation honnête de chacun d'entre eux — y compris ce que la plupart des articles de lancement omettent de mentionner : quels chiffres ont été vérifiés par des tiers et lesquels proviennent uniquement des déclarations du fournisseur lui-même.
MiniMax M3 — le camion multimodal pour le transport longue distance
MiniMax, le laboratoire de Shanghai, a lancé M3 le 1er juin. Sa principale caractéristique n'est pas un test de performance, mais une architecture. M3 fonctionne sur Attention clairsemée MiniMax (MSA), qui remplace le traitement en mode « attention totale » par un système qui ne traite que les blocs pertinents d'un long contexte. Le gain pratique : environ un vingtième de la charge de calcul par token pour un million de tokens par rapport à la génération précédente, avec un préremplissage 9 fois plus rapide et un décodage plus de 15 fois plus rapide.
C'est plus important qu'il n'y paraît. Les modèles à long contexte ont généralement du mal à suivre : ils sont lents, coûteux et perdent de plus en plus d'informations à mesure que l'on s'enfonce dans les données. Avec MSA, MiniMax parie qu'il est possible de disposer d'une fenêtre d'un million de tokens réellement exploitable sans que la facture ni la latence n'explosent.
M3 est également multimodal de manière native : il accepte du texte, des images et des vidéos en entrée, et génère du texte en sortie. C'est le seul modèle de ce trio capable de lire une capture d'écran ou un enregistrement d'écran sans module complémentaire. MiniMax affiche un score SWE-Bench Pro de 59,01 TP3T, ce qui, selon ses propres dires, le place juste devant GPT-5.5 et Gemini 3.1 Pro, tout en restant en dessous de Claude Opus 4.8. Sur la liste OpenRouter, le prix s'établissait à environ $0,30 par million de jetons d'entrée et $1,20 par million de jetons de sortie au lancement (tarif promotionnel ; le prix standard est environ le double), avec des temps de lecture en cache avoisinant les 1,4 ms.
L'astérisque : Ces tests de performance ont été réalisés sur l'infrastructure propre à MiniMax, à l'aide de son propre cadre d'agents. Considérez-les comme indicatifs, et non comme une vérité absolue, jusqu'à ce que des instances indépendantes se prononcent. Et si vous utilisez l'API hébergée plutôt que d'héberger vous-même les modèles, n'oubliez pas que le fournisseur relève de la juridiction chinoise — un élément à prendre sérieusement en compte pour quiconque traite des données réglementées ou des données clients.
GLM 5.2 — le plan de codage avec une fenêtre de 1 M
Le GLM 5.2 de Zhipu, lancé le 13 juin, a fait deux promesses ambitieuses : un une fenêtre de contexte de 1 million de tokens réellement exploitable et Poids ouverts sous licence MIT qui devrait sortir dans la semaine suivant sa publication. Selon certaines informations, il s'agirait d'un modèle « Mixture of Experts » de grande envergure — un chiffre souvent cité est de 744 milliards de paramètres au total, dont 40 milliards actifs —, conçu selon une approche « coding-first » et doté de deux modes de fonctionnement (High et Max, ce dernier étant recommandé pour les tâches les plus complexes).
Ce qui rend GLM 5.2 intéressant pour les développeurs en activité, ce n'est pas un classement. C'est plutôt Plan de codage GLM. L'offre d'entrée de gamme s'élève à environ $18 par mois pour quelque 400 requêtes par semaine, avec des formules supérieures : Pro (~2 000/semaine), Max (~8 000/semaine) et un niveau Team basé sur le nombre de postes — et GLM 5.2 est inclus dans tous ces niveaux sans supplément par rapport à la version 5.1. Cela représente environ un dixième du coût des niveaux premium comparables Claude Code et Claude Max. Pour un développeur indépendant ou une petite structure, ce rapport qualité-prix est difficile à battre.
Il s'intègre également à vos outils existants sans aucune difficulté. La prise en charge immédiate couvre Claude Code, Cline, OpenCode, Roo Code, Goose, Crush, OpenClaw et Kilo Code. Si votre agent utilise une API de type OpenAI ou Anthropic et vous permet de définir un point de terminaison personnalisé, GLM 5.2 ne nécessite qu'un simple changement de configuration : pointez le client vers le point de terminaison Z.ai et configurez le modèle sur glm-5.2.
L'astérisque : Lors de son lancement, Zhipu a publié non Aucun benchmark officiel. Pas de SWE-bench, pas de LiveCodeBench, rien. Quelques premiers résultats provenant de tiers ont fait surface (un média l'a classé en tête d'un benchmark de raisonnement appelé BridgeBench avec environ 300 tokens/seconde), mais les vérifications sont pour l'instant très limitées. Si la qualité d'un modèle est importante pour la production, il faut le tester soi-même avant de se fier au marketing.
Kimi K2.7-Code — le spécialiste de l'utilisation d'outils qui fait la différence
Le K2.7-Code de Moonshot AI est sorti le 12 juin et est le plus spécialisé des trois. Il s'agit d'un Modèle « Mixture of Experts » de 1 000 milliards de paramètres avec 32 milliards de paramètres actifs par token (384 experts, 8 sélectionnés plus 1 partagé, 61 couches, attention MLA), un Fenêtre de contexte de 256 000 tokens, ainsi qu'un encodeur de vision de 400 millions de paramètres pour les images et les vidéos. Les poids sont disponibles sur Hugging Face sous une licence MIT modifiée, et fournis au format natif INT4.
Ce qui compte, c'est l'efficacité, pas la taille brute. Le K2.7-Code consomme environ Le 30% comporte moins de jetons “ de réflexion ” que son prédécesseur, le K2.6 tout en obtenant de meilleurs résultats aux tests de performance de codage de Moonshot (+21,81 TP3T sur Kimi Code Bench v2, +11,01 TP3T sur Program Bench, +31,51 TP3T sur une suite multilingue). Moins de jetons de raisonnement pour de meilleurs résultats se traduit directement par une facture moins élevée sur les workflows facturés au jeton.
Mais le chiffre qui m'a vraiment interpellé, c'est Certifié MCPMark : K2.7-Code obtient un score de 81,1, dépassant les 76,4 de Claude Opus 4.8 sur des tâches réelles d'utilisation d'outils dans des environnements tels que GitHub, Postgres, Filesystem et Playwright. Pour les tâches impliquant un agent — où le modèle n'écrit pas une fonction de manière isolée, mais coordonne des outils à travers de nombreuses étapes —, c'est l'indicateur qui permet de prédire si votre agent mènera effectivement la tâche à bien. Le prix de l'API est d'environ 1,95 $ pour 1 million de tokens en entrée et 4,00 $ pour 1 million de tokens en sortie, avec un forfait Kimi Code CLI à partir de 19 $ par mois.
Les astérisques (au nombre de deux) : Premièrement, tous les résultats de benchmark K2.7 publiés à ce jour proviennent des suites propriétaires de Moonshot — il n'existe pour l'instant aucun résultat indépendant issu de SWE-bench Verified, LiveCodeBench ou Terminal-Bench. Deuxièmement, “ réfléchir ” c'est toujours actif (avec préserver la réflexion (à chaque itération) et il n’y a pas de mode instantané, donc vous payez le « prix du raisonnement » à chaque appel, que vous le vouliez ou non. Et l'auto-hébergement est un véritable cauchemar : le modèle quantifié K2.6 comparable pèse environ 340 Go et nécessite plus de 350 Go de RAM et de VRAM combinées. Pour presque tout le monde, cela signifie louer l'API, et non posséder le modèle.
Le face-à-face, dans un seul tableau
Voici une comparaison qui se concentre sur les éléments qui influencent réellement la décision. Lorsque les chiffres proviennent des fabricants, je l’ai précisé — car une comparaison qui masque ses incertitudes n’est rien d’autre que du marketing déguisé en tableau comparatif.
| GLM 5.2 | MiniMax M3 | Kimi K2.7-Code | |
|---|---|---|---|
| Laboratoire | Zhipu AI (Z.ai), Pékin | MiniMax, Shanghai | Moonshot AI, Pékin |
| Publié | 13 juin 2026 | 1er juin 2026 | 12 juin 2026 |
| Fenêtre de contexte | 1 million de jetons | 1 million de jetons | 256 000 jetons |
| Architecture | MoE (~744 milliards / 40 milliards d'utilisateurs actifs, selon les chiffres publiés) | MoE + Attention clairsemée (MSA) | MoE, 1 T au total / 32 milliards d'utilisateurs actifs |
| Multimodal | Non (coding-first) | Oui — texte, image, vidéo | Oui — image et vidéo via un encodeur vidéo |
| Licence | MIT (poids non spécifiés, environ une semaine après le lancement) | Poids à confirmer (~10 jours) | MIT modifié (poids en direct) |
| Force de traction | 1 Mo de données + forfait mobile à petit prix | Multimodal à long terme + rapidité | Utilisation d'outils / MCP, efficacité des jetons |
| Signal de prix | Forfait à environ 1 TP4T18 par mois (environ 1/10e des niveaux de Claude) | ~$0,30/$1,20 par 1M (offre promotionnelle) | ~$0,95/$4,00 par million ; $19/mois CLI |
| État de la référence | Pas de version officielle au moment du lancement | Géré par le fournisseur (59% SWE-Bench Pro) | Géré par le fournisseur (81,1 MCPMark, devance Opus de 4,8 points) |
| La plus grosse prise | Non vérifié, pas d'évaluations indépendantes | Hébergé sous juridiction chinoise | Je n'arrête pas d'y penser : plus de 340 Go pour l'hébergement autonome |
Un classement des modèles de développement qui a circulé après des tests pratiques plaçait globalement Fable 5 en tête, suivi de Kimi K2.7, puis d’Opus 4.8 à égalité avec GLM 5.2, ensuite GPT-5.5, et enfin MiniMax M3 — mais il faut prendre ces résultats avec beaucoup de recul. Il s'agit du classement d'un seul testeur, sur un ensemble de tâches, au cours d'une semaine où la moitié de ces modèles n'avaient aucun chiffre vérifié. Votre charge de travail est le seul classement qui compte.
Alors, quelle place occupe le “ vibe coding ” dans tout cela ?
Il vaut la peine de s'arrêter un instant sur ce point, car ce terme est souvent utilisé à tort et à travers. Codage d'ambiance C'est un processus dans lequel vous décrivez ce que vous voulez en langage clair et laissez le modèle écrire, exécuter et corriger le code — vous orientez le développement par l'intention et l'intuition plutôt que de taper chaque ligne vous-même. Pour beaucoup de gens (moi y compris, sur de nombreux projets), c'est désormais la méthode par défaut pour développer des logiciels.
Ce n'est plus une idée marginale. Zhipu a littéralement intitulé son article technique « GLM-5 ». “ Du Vibe Coding à l'Agentic Engineering ” — Les laboratoires eux-mêmes voient cette évolution comme un processus où le prototypage informel et collaboratif évolue vers une ingénierie structurée et autonome, capable de fonctionner pendant des heures sans surveillance.
Mais voilà ce que personne ne vous dit : Le meilleur modèle pour décoder une ambiance dépend entièrement de la phase de cette ambiance dans laquelle vous vous trouvez.
- Prototypage précoce, exploratoire, du type “ fais-moi juste un petit truc ” — quand on itère rapidement, qu’on balance des captures d’écran à tout va et qu’on change d’avis toutes les deux minutes —, il faut un modèle peu coûteux, rapide et tolérant, capable de traiter des entrées multimodales. MiniMax M3 C'est là qu'il brille. Son faible coût en jetons vous permet d'itérer sans culpabilité, et le fait de lui fournir une capture d'écran d'un design plutôt que de le décrire constitue une véritable avancée dans le flux de travail.
- Programmation dans l'ambiance d'un gros projet — “ Lis l'intégralité de mon dépôt et refactorise la couche d'authentification ” — c'est là que la fenêtre de contexte prend tout son sens. GLM 5.2 Une fenêtre de million de tokens (et ce plan de codage économique) vous permet de garder une vue d'ensemble du projet sans avoir à tout réexpliquer sans cesse, ce qui constitue la principale source de friction dans le travail collaboratif.
- Le côté sérieux — des configurations axées sur l'agent, à long terme et faisant largement appel à des outils qui interviennent sur votre base de données, votre système de fichiers et votre historique Git à travers des centaines d'étapes — a besoin d'un modèle qui ne perde pas le fil en cours de tâche. Kimi K2.7-Code Les scores d'utilisation des outils sont justement conçus pour cela. Lorsqu'il s'agit moins d“” écrire une fonction “ que de ” piloter l'ensemble de ma chaîne d'outils pour livrer une fonctionnalité », des appels d'outils fiables l'emportent à chaque fois sur un exemple de code plus élégant.
La vérité dérangeante : le « vibe coding » amplifie tout modèle que vous lui fournissez. Un excellent modèle, associé à un bon contexte, transforme une intention vague en un logiciel fonctionnel. Un modèle médiocre le transforme en un tas de bugs que vous n’avez pas écrits et que vous ne comprenez pas, mais dont vous êtes pourtant convaincu. Choisissez le modèle pour le scène, et non le battage médiatique.
Lequel devriez-vous vraiment utiliser ?
Trêve de formules diplomatiques. Voici comment j'orienterais la décision.
Optez pour le MiniMax M3 si votre travail s'inscrit dans un contexte étendu et multimodal — qu'il s'agisse d'examiner de vastes bases de code, de raisonner à travers plusieurs fichiers, ou de tout autre flux de travail où une capture d'écran, un diagramme ou une vidéo fait partie des données d'entrée. C'est également celui que je choisirais lorsque le coût par itération est la contrainte déterminante, car l'architecture à attention clairsemée permet de traiter rapidement et à moindre coût les tâches à contexte long. Il suffit d'héberger vous-même les poids pour tout ce qui est sensible.
Choisissez GLM 5.2 si Vous recherchez un rapport performances/prix optimal et vous évoluez dans un environnement de code complexe. Avec un coût de développement représentant environ un dixième du prix de la version premium de Claude, une véritable fenêtre de 1 million de jetons et une prise en charge transparente de Claude Code et de ses outils associés, cette solution s'impose comme le choix naturel pour les développeurs indépendants et les petites équipes. Le hic, c'est la confiance : vous devez lui faire confiance avant que les benchmarks indépendants ne soient publiés, alors testez-le en prototype avant de miser une échéance dessus.
Choisissez Kimi K2.7-Code si Vous développez des agents autonomes qui orchestrent des outils — serveurs MCP, bases de données, navigateurs, systèmes de fichiers — sur de longues sessions. Ses performances en matière d'utilisation des outils constituent le résultat le plus remarquable de toute cette comparaison, et les gains en termes d'efficacité des jetons réduisent directement vos coûts d'exploitation. Optez pour le tarif API plutôt que de vous heurter à l'exigence d'auto-hébergement de 340 Go, et acceptez que le traitement soit toujours actif.
Ou bien — et c'est ce que je fais en réalité — utilisez les trois. Organisation par tâche. Itérations multimodales à moindre coût vers M3, refactorisations à grande échelle vers GLM 5.2, exécutions d'agents nécessitant de nombreux outils vers Kimi. Grâce à des outils tels que Kilo Code, OpenCode et Claude Code, changer de fournisseur se résume à une simple modification de configuration, et non à une migration. Sur un marché qui évolue à un rythme aussi effréné, La flexibilité l'emporte sur la fidélité. Organisez votre flux de travail de manière à pouvoir changer de modèle en un après-midi, et vous transformerez le chaos de juin 2026 d'une menace en un atout.
Une remarque concernant la fiabilité de ces chiffres
Une petite mise au point rapide, car cela vous évitera bien des soucis. Presque tous les benchmarks mentionnés dans cet article proviennent des fabricants eux-mêmes. GLM 5.2 a été lancé sans aucun benchmark. Même les suites publiques les plus réputées souffrent de problèmes de contamination : SWE-Bench Pro a notamment été créé parce que d'anciens benchmarks s'étaient glissés dans les données d'entraînement et avaient gonflé les scores.
Cela ne signifie pas pour autant que ces modèles soient mauvais. Cela signifie simplement que le seul critère qui compte, c’est votre propre référentiel, vos propres tâches et votre propre définition de ce qu’est un travail “ terminé ”. Mettez en place un petit test reproductible — trois ou quatre tickets réels tirés de votre backlog — et testez chaque modèle par rapport à celui-ci avant de vous engager. Un après-midi de tests vous en apprendra plus que tous les articles de blog publiés le jour du lancement réunis, y compris celui-ci.
Foire aux questions
GLM 5.2 est-il vraiment gratuit ? Les modèles sont sous licence MIT et peuvent être téléchargés et hébergés gratuitement dès leur publication. L'abonnement GLM Coding Plan est payant, à partir d'environ 1 TP4T18 par mois — mais cela représente à peu près un dixième du prix des formules premium comparables de Claude, et GLM 5.2 est inclus dans toutes les formules sans frais supplémentaires.
Lequel est le plus adapté au codage de Vibe en particulier ? Il n'y a pas de gagnant incontestable. MiniMax M3 est idéal pour le prototypage multimodal rapide et peu coûteux ; GLM 5.2 pour le codage intuitif au sein de bases de code volumineuses grâce à sa fenêtre de 1 million de tokens ; Kimi K2.7-Code pour les développements agentiques sérieux nécessitant de nombreux outils. Adaptez le modèle à l'étape où vous en êtes.
Puis-je les utiliser avec Claude Code ? Oui. GLM 5.2 prend en charge Claude Code dès le premier jour : il suffit de configurer le client pour qu'il utilise le point de terminaison Z.ai et de définir le modèle sur glm-5.2. Kimi et MiniMax proposent tous deux des API compatibles avec OpenAI et Anthropic ; par conséquent, la plupart des outils de programmation d'agents les acceptent comme point de terminaison personnalisé moyennant un échange de clés.
Lequel a la fenêtre de contexte la plus grande ? GLM 5.2 et MiniMax M3 proposent tous deux 1 million de tokens. Kimi K2.7-Code en offre 256 000 — un nombre plus modeste, mais qui reste largement suffisant pour la plupart des projets impliquant un seul dépôt.
Les résultats des tests de performance sont-ils fiables ? Considérez-les comme indicatifs. À la mi-juin 2026, la plupart des scores publiés provenaient de tests effectués par les fournisseurs sur leur propre infrastructure, et GLM 5.2 a été lancé sans benchmarks officiels. Effectuez vos propres tests sur des tâches réelles avant de passer en production.
Est-ce que je peux faire tourner l'un de ces programmes sur un ordinateur standard ? Ce ne sont pas les poids totaux. Kimi K2.7-Code nécessite environ 350 Go ou plus de RAM et de VRAM combinées pour être auto-hébergé, et les autres sont également des modèles MoE volumineux. Pour la plupart des utilisateurs, l'API hébergée ou un fournisseur géré constitue la solution la plus pratique ; l'auto-hébergement est réservé aux équipes disposant d'un budget GPU important ou soumises à des exigences strictes en matière de résidence des données.
En résumé
Au cours de deux semaines en juin 2026, les développeurs ont pu découvrir trois modèles de codage ouverts de grande envergure, un secteur qui est désormais véritablement compétitif en termes de prix, et un signe clair que le rythme ne ralentit pas. MiniMax M3 est votre moteur de prototypage multimodal, à long terme et économique. GLM 5.2 c'est le meilleur rapport performances/prix pour les projets impliquant des bases de code volumineuses, à condition de pouvoir s'y fier avant la publication des résultats des tests de performance. Kimi K2.7-Code est le spécialiste de l'utilisation d'outils pour les constructions véritablement agentiques.
La meilleure stratégie n'est pas de choisir un favori, mais de mettre en place un processus suffisamment flexible pour utiliser le modèle le mieux adapté à la tâche à accomplir, et de passer au modèle suivant dès sa sortie inévitable le mois prochain. Sur un marché aussi dynamique, l'adaptabilité est la stratégie.
Si vous vous demandez comment intégrer cela à votre propre infrastructure — qu'il s'agisse d'intégrer ces modèles à un agent de codage, de mettre en place une automatisation basée sur l'IA dans votre entreprise ou simplement d'obtenir un avis objectif avant de vous engager — c'est exactement le genre de travail que je réalise chez Graham Miranda. Contactez-nous et construisons quelque chose qui dure plus longtemps que l'actualité.
Vous avez un modèle qui, selon vous, devrait figurer dans ce comparatif, ou une charge de travail pour laquelle vous ne savez pas comment procéder ? N'hésitez pas à le mentionner dans les commentaires : je les lis, et je mets à jour ces guides au fur et à mesure que le secteur évolue (ce qui, ces derniers temps, est une constante).
Français 
English 
Deutsch 
Español 
Italiano