Kimi K3.1 Pro: nyílt súlyú modell a Claude Opus nyomában

Mi jelent meg?

A kínai Moonshot AI október 23-án kiadta a Kimi K3.1 Pro modellt (Kimi). Ez a K3.1 sorozat első tagja, a cég szerint az eddigi legerősebb 3T-osztályú nyílt súlyú modellje. Mellé érkezett a Kimi K3.1 Pro Highspeed, amely azonos tudással 2-3-szor gyorsabban válaszol.

• Architektúra: MoE, 2,8 billió összes és 104 milliárd aktív paraméter, 1 millió tokenes kontextus (az Artificial Analysis adatai).
• A K3 utótanított változata, jóval nagyobb utótanítási számítással: több száz területen futtattak közös, nagy léptékű RL-t.
• Elérhető a Kimi.ai felületen, a Kimi Work és Kimi Code alkalmazásokban, illetve az API-n (kimi-k3.1-pro és kimi-k3.1-pro-highspeed).
• Ár: millió bemeneti / kimeneti tokenenként 2 / 10 dollár, cache-találatnál 0,20 dollár. Ez minden tételnél 33%-kal olcsóbb a K3-nál.
• A teljes súlyokat november 4-ig adják ki, a licencet még nem jelentették be.

Mit mutatnak a benchmarkok?

A Moonshot saját mérésein a Terminal-Bench 4.0-n 65,7%-ot ér el, ezzel megelőzi a GPT-6 Astrát (58,2%), a Claude Opus 5.5 (66,4%) pedig csak hajszállal jobb. A BenchCAD-en (3D rekonstrukció CAD-kód generálásával) eszközökkel 92,7%-ot hoz, az Opus 5.5 itt 96,2%. Az OfficeQA Pro v2 pénzügyi dokumentumelemzésen 64,4 ponttal a legjobb a táblázatban.

Forrás: Moonshot AI. A cég saját benchmark-összesítője, maximális reasoning beállítással.

A független Artificial Analysis az Intelligence Indexén 55 pontot mért, ez a 4. hely a Claude Opus 5.5 (58), a Claude Sonnet 5.5 (56) és a Muse Wonder Full (56) mögött. A K3-hoz képest ez 11 pont javulás. Ha a súlyok megjelennek, ez lesz a legerősebb nyílt súlyú modell az indexen, a zárt modellektől való lemaradás 12 pontról 3-ra csökken. A Terminal-Bench 4.0-n az AA mérése szerint 67%-kal minden modell közül az első.

A belső hallucinációs stressztesztjükön az állításszintű hibaarány 23,4%-ról 8,3%-ra esett. Ez szándékosan nehéz teszt, nem a napi használat hibaaránya.

Kiberképességek: szándékosan visszafogva

A Moonshot a nyílt súlyú kiadáshoz kiszűrte a kiberbiztonsági adatokat a mid-training és az RL szakaszból. A belső xdev-bench-hard exploitfejlesztési teszten a szűrés nélküli checkpoint 90,5%-ot ért el, a kiadott modell 81,0%-ot. A cég szerint így a modell kiberképessége elmarad a legalább három hónapja elérhető zárt frontier modellekétől.

Miért fontos?

Ha a súlyok tényleg megjönnek, egy Opus-közeli agentikus és kódoló modellt lehet majd saját infrastruktúrán futtatni. Ehhez viszont komoly GPU-szerver kell: a K3 súlyai is nagyjából 1,6 TB-osak voltak. Addig az API a reális út, a K3-nál harmadával olcsóbban. Enterprise fiókban az adminnak kell bekapcsolnia, alapból ki van kapcsolva.