Modèles disponibles

Chaque modèle de Kiro est décrit ci-dessous avec ses forces, ses cas d'utilisation idéaux et son statut de cycle de vie. Pour un tableau comparatif rapide et des conseils pour faire votre choix, consultez la Vue d'ensemble des modèles.

Choisissez Sol pour vos travaux multi-étapes les plus difficiles, en particulier les remaniements à long terme et les tâches complexes dans le terminal. C'est le niveau phare GPT-5.6 d'OpenAI pour le raisonnement de pointe, la programmation, la planification à long terme et les flux de travail qui exigent de l'itération et une coordination des outils. Sol obtient un score de 80 sur le Coding Agent Index et de 88,8 % sur Terminal-Bench 2.1, dépassant Claude Fable 5 sur les deux tout en utilisant moins de la moitié des jetons de sortie et en prenant moins de la moitié du temps. Sol a un multiplicateur de crédits Kiro de 2,4x.

Choisissez Terra pour le développement multi-étapes courant lorsque vous voulez un juste milieu entre la capacité maximale de Sol et la vitesse et l'efficacité en crédits Kiro de Luna. Terra obtient un score de 77,4 sur le Coding Agent Index, contre 77,2 pour Claude Fable 5. OpenAI décrit par ailleurs Terra comme étant compétitif avec GPT-5.5 à la moitié du coût d'API. Cette comparaison d'API ne déterminent pas l'utilisation des crédits Kiro; Terra a un multiplicateur de crédits Kiro de 1,0x.

Choisissez Luna pour les tâches agentives à haute fréquence où la vitesse, le débit et l'efficacité en crédits Kiro comptent plus que la capacité maximale. OpenAI décrit Luna comme son niveau d'API GPT-5.6 le plus rapide et le moins coûteux. Luna obtient un score de 74,6 sur le Coding Agent Index, contre 72,5 pour Claude Opus 4.8. Luna a un multiplicateur de crédits Kiro de 0,1x, le plus bas des trois niveaux GPT-5.6.

Les trois niveaux GPT-5.6 ont une fenêtre contextuelle de 272 000 jetons. Kiro offre un support expérimental dans us-east-1 et eu-central-1 avec inférence interrégionale. En savoir plus.

Le routeur de modèles de Kiro. Auto combine plusieurs modèles de pointe avec des techniques d'optimisation pour offrir le meilleur rapport qualité-coût, choisissant automatiquement le modèle optimal pour chaque tâche. Les utilisateurs du niveau gratuit obtiennent une qualité de classe Claude Sonnet 4.5 ou mieux, tandis que les niveaux payants obtiennent une qualité de classe Claude Opus 4.6 ou mieux avec un acheminement du trafic amélioré. Auto maintient une barre de qualité élevée pour garantir que les résultats sont comparables ou supérieurs aux modèles individuels qui vous sont accessibles.

Auto est traité comme sa propre option sélectionnable dans la gouvernance des modèles : les administrateurs peuvent autoriser ou bloquer Auto pour leurs utilisateurs. Cependant, lorsque Auto est activé, il ne restreint pas son acheminement interne aux modèles qu'un administrateur a approuvés; il peut acheminer les requêtes vers n'importe quel modèle généralement disponible dans Kiro dans cette région. Auto n'achemine pas vers les modèles expérimentaux. Les clients qui doivent garantir que seuls les modèles approuvés traitent leurs requêtes devraient bloquer Auto et définir un modèle approuvé comme modèle par défaut.

Le modèle de programmation agentive le plus puissant d'Anthropic. Établit de nouveaux résultats de pointe sur les principaux bancs d'essai de programmation, plus que doublant la performance d'Opus 4.8 tout en approchant Fable 5 à la moitié du coût. Excelle dans les fonctionnalités multi-fichiers, les remaniements majeurs et le travail de fonctionnalités de bout en bout - en menant à bien des tâches complètes plutôt qu'en laissant des ébauches ou des espaces réservés. Opus 5 vérifie son propre travail, itère soigneusement jusqu'à réussir et introduit des gains significatifs dans la coordination multi-agents avec moins de conflits entre les agents parallèles. Offert avec une fenêtre contextuelle de 1 M de jetons et un multiplicateur de crédits de 2,2x. Disponible dans us-east-1 et eu-central-1 avec inférence interrégionale. En savoir plus.

Le modèle Opus le plus honnête d'Anthropic. Environ 4 fois moins susceptible que son prédécesseur de laisser passer des défauts dans le code généré sans les signaler - il signale les incertitudes et exprime des réserves lorsque les preuves sont minces plutôt que d'affirmer des progrès avec assurance. L'appel d'outils est nettement plus efficace, utilisant moins d'étapes pour la même intelligence. Les premiers testeurs rapportent un meilleur jugement quant au moment d'agir par rapport au moment de demander, et un meilleur suivi sur les tâches agentives de longue durée. Offert avec une fenêtre contextuelle de 1 M de jetons et une sortie maximale de 128 000 jetons. Disponible dans us-east-1 et eu-central-1 avec inférence interrégionale. En savoir plus.

Introduit la réflexion adaptative : le modèle ajuste automatiquement la profondeur de son raisonnement interne en fonction de la complexité de la tâche. Les questions simples obtiennent des réponses rapides; les problèmes architecturaux complexes obtiennent une analyse plus approfondie, sans que vous ayez à configurer quoi que ce soit. Au-delà de cela, Opus 4.7 suit les instructions plus précisément, vérifie ses propres résultats avant de les communiquer et prend en charge une vision jusqu'à 3 fois plus résolue pour travailler avec des captures d'écran et des diagrammes denses. Disponible dans us-east-1 et eu-central-1 avec inférence interrégionale. En savoir plus.

Meilleurs résultats sur Terminal-Bench 2.0 et SWE-bench Verified pour la programmation agentive. Reste productif sur des sessions plus longues sans dérive contextuelle et gère des bases de code de plusieurs millions de lignes, planifiant à l'avance et s'adaptant au besoin. De solides capacités de débogage et de révision de code lui permettent de repérer ses propres erreurs grâce à une planification minutieuse et à l'autocorrection. En savoir plus.

Gère bien les compromis et l'ambiguïté lorsqu'il travaille sur plusieurs systèmes. Forte précision en une seule tentative sur des problèmes complexes lorsque vous avez besoin d'une réponse correcte dès le premier essai, sans allers-retours itératifs. Bien adapté aux défis sophistiqués de développement logiciel qui s'étendent sur plusieurs frontières de services. En savoir plus.

Le modèle Sonnet le plus agentif d'Anthropic. La performance approche celle d'Opus 4.8 en raisonnement, utilisation d'outils, programmation et travail de connaissance, au prix de la gamme Sonnet. Planifie avant de modifier, fonctionne plus longtemps sans supervision et vérifie ses propres résultats sans qu'on le lui demande. Les premiers testeurs le décrivent systématiquement comme menant à bien des tâches complexes là où les modèles Sonnet précédents s'arrêtaient en cours de route. Bien adapté aux flux de travail axés sur les Specs lorsque vous avez besoin d'une implémentation plus fidèle pour de vastes changements, et aux tâches agentives multi-étapes dans la CLI et le Web qui vont jusqu'au bout avec moins de supervision. En savoir plus.

Une mise à niveau complète de Sonnet 4.5 qui approche l'intelligence d'Opus 4.6 tout en étant plus efficace en jetons. Excelle dans les flux de travail de développement itératif et maintient le contexte sur de longues sessions. Assume les rôles d'agent principal et de sous-agent dans les pipelines multi-modèles, ce qui le rend bien adapté aux équipes qui utilisent les powers de Kiro et des sous-agents personnalisés. En savoir plus.

Solide programmation agentive avec un fonctionnement autonome prolongé - peut travailler de façon indépendante pendant des heures avec une utilisation efficace des outils. Planification, conception de systèmes et ingénierie de sécurité améliorées par rapport à Sonnet 4.0. En savoir plus.

Accès direct au Claude Sonnet 4.0 d'Anthropic pour les utilisateurs qui préfèrent une sélection de modèle constante. Le même modèle pour toutes les interactions, sans couches d'acheminement ni d'optimisation. Contrôle complet et transparence totale, avec un comportement prévisible pour les flux de travail qui dépendent de caractéristiques de modèle précises. En savoir plus.

Le modèle le plus rapide d'Anthropic avec une performance proche de la pointe. Égale la performance de Sonnet 4 en raisonnement et en programmation à plus du double de la vitesse. Une intelligence proche de la pointe au tiers du coût, et le premier modèle Haiku doté de capacités de réflexion étendue. En savoir plus.

Modèle à poids ouverts qui égale la performance de programmation de pointe à une fraction du coût. Entraîné par apprentissage par renforcement dans des centaines de milliers d'environnements réels, offrant de solides résultats sur l'ensemble du cycle de vie du développement, de la conception de systèmes à la révision de code. Multiplicateur de crédits de 0,25x avec inférence exécutée dans l'Est des États-Unis (Virginie du Nord) et l'UE (Francfort). En savoir plus.

Modèle à poids ouverts à mélange d'experts épars avec une fenêtre contextuelle de 200 000 jetons, conçu pour l'ingénierie de systèmes complexes et les tâches agentives à long terme. Excelle dans le traitement de contexte à l'échelle d'un dépôt entier et dans le maintien de la cohérence pendant l'utilisation d'outils multi-étapes sur de grandes bases de code. Bien adapté aux migrations multi-fichiers, au développement de fonctionnalités pleine pile et au remaniement de systèmes existants lorsque le modèle doit avoir une vue d'ensemble complète. Multiplicateur de crédits de 0,5x avec inférence exécutée dans l'Est des États-Unis (Virginie du Nord). En savoir plus.

Modèle à poids ouverts le mieux adapté aux flux de travail agentifs et à la génération de code. Gère bien les longues chaînes d'appels d'outils, les sessions à état et le raisonnement multi-étapes. Multiplicateur de crédits de 0,25x avec inférence exécutée dans l'Est des États-Unis (Virginie du Nord). En savoir plus.

Modèle à poids ouverts le mieux adapté à la programmation multilingue et à la génération d'interfaces utilisateur. Offre de solides résultats en Rust, Go, C++, Kotlin, TypeScript et d'autres langages. Multiplicateur de crédits de 0,15x avec inférence exécutée dans l'Est des États-Unis (Virginie du Nord) et l'UE (Francfort). En savoir plus.

Modèle à poids ouverts conçu spécifiquement pour les agents de programmation, avec un contexte de 256 000 jetons et une solide récupération d'erreurs. Fonctionne particulièrement bien pour les longues sessions de programmation agentive. Multiplicateur de crédits de 0,05x, l'option la plus économique offerte, avec inférence exécutée dans l'Est des États-Unis (Virginie du Nord) et l'UE (Francfort). En savoir plus.

Chaque famille de modèles apporte un style de travail distinct. Comprendre ces différences vous aide à choisir le bon modèle pour la tâche.

Les modèles GPT-5.6 peuvent écrire des programmes légers qui coordonnent des outils et traitent des résultats intermédiaires plutôt que de faire des allers-retours distincts pour chaque étape. Cela réduit l'utilisation de jetons et les impasses, en particulier pour l'implémentation de Specs, les flux de travail dans le terminal et les remaniements multi-fichiers. Les trois niveaux prennent en charge une exécution autonome plus longue et utilisent une chaîne de raisonnement cachée, de sorte que vous voyez le résultat final plutôt que les étapes de raisonnement interne. Choisissez Sol pour le travail à long terme le plus difficile, Terra pour un développement courant équilibré et Luna lorsque la vitesse et l'efficacité en crédits Kiro comptent le plus.

Les modèles Opus planifient minutieusement avant d'agir, en considérant à l'avance des approches multi-étapes et des cas limites. Ils repèrent leurs propres erreurs grâce à une révision minutieuse et signalent l'incertitude plutôt que d'affirmer des progrès avec assurance. À partir d'Opus 4.7, la profondeur de raisonnement s'ajuste automatiquement en fonction de la complexité de la tâche - les requêtes plus simples obtiennent des réponses rapides tandis que les problèmes plus difficiles reçoivent une analyse plus approfondie sans que vous ayez à configurer quoi que ce soit. Opus 5 ajoute une coordination multi-agents à la pointe de la technologie et mène à bien des tâches complètes plutôt que de laisser des ébauches ou des espaces réservés. Opus excelle dans le travail multi-fichiers soutenu, le débogage complexe et les décisions d'architecture où l'autovérification importe.

Les modèles Sonnet équilibrent une solide performance agentive avec une utilisation moindre de crédits Kiro (1,3x contre 2,2x pour Opus). Sonnet 5 planifie avant de modifier, fonctionne plus longtemps sans supervision et vérifie ses propres résultats - approchant des résultats de classe Opus pour les flux de travail axés sur les Specs et les tâches multi-étapes dans la CLI et le Web. Les modèles Sonnet précédents sont plus prudents et s'en tiennent plus près à ce que vous avez demandé, ce qui en fait des choix prévisibles pour un travail ciblé et bien défini.

Les modèles à poids ouverts offrent une programmation compétitive avec les modèles de pointe aux multiplicateurs de crédits Kiro les plus bas (0,05x-0,5x). Ils sont bien adaptés aux longues sessions, au travail agentif à haut débit et aux tâches où l'efficacité en crédits importe plus que la capacité maximale en un seul tour. MiniMax M2.5 offre des résultats proches d'Opus sur l'ensemble du cycle de vie du développement. GLM-5 gère un contexte à l'échelle d'un dépôt entier pour les migrations multi-fichiers et le travail pleine pile. DeepSeek 3.2 gère les longues chaînes d'appels d'outils et le raisonnement multi-étapes. Qwen3 Coder Next est l'option la plus économique avec une solide récupération d'erreurs pour les sessions CLI prolongées.

Les modèles dans Kiro passent par deux étapes. Chaque étape reflète la maturité du modèle et le niveau de support auquel vous pouvez vous attendre.