Moonshot AI lancia Kimi K3.1 Pro, il primo modello della nuova serie K3.1

Moonshot AI ha presentato Kimi K3.1 Pro il 24 ottobre 2026, il primo modello della nuova serie K3.1, affiancato da una variante più veloce chiamata Kimi K3.1 Pro Highspeed. L’azienda descrive K3.1 Pro come il suo modello open-weight di classe 3T più potente finora, con una finestra di contesto di 1 milione di token.

Secondo l’annuncio, Kimi K3.1 Pro Highspeed offre una velocità da due a tre volte superiore a quella di Kimi K3.1 Pro, con capacità del modello identiche. Entrambi i modelli sono disponibili nell’intera famiglia di prodotti Kimi: su Kimi.ai e nelle app mobili Kimi per iOS, Android e HarmonyOS; nell’applicazione desktop Kimi Work, versione 3.1.0 o successiva, per Windows e per i Mac con chip Apple silicon; in Kimi Code, dove gli utenti possono selezionare il modello con il comando /model; e tramite l’API Kimi, dove i modelli sono elencati come kimi-k3.1-pro e kimi-k3.1-pro-highspeed, con la possibilità per i clienti API di avvalersi della conservazione zero dei dati. Gli amministratori di Kimi Enterprise possono abilitare K3.1 Pro per le proprie organizzazioni; al lancio, l’accesso è disattivato per impostazione predefinita.

Addestramento e prestazioni dichiarate

K3.1 Pro è una versione di Kimi K3 sottoposta a post-addestramento, realizzata con una quantità di calcolo per il post-addestramento notevolmente maggiore, secondo quanto afferma Moonshot AI. Per consentire l’apprendimento per rinforzo congiunto su larga scala in centinaia di domini a valle, l’azienda ha dichiarato di aver ottimizzato ogni livello dello stack: il framework di apprendimento per rinforzo, l’inferenza con contesto lungo, l’efficienza dell’addestramento, l’infrastruttura sandbox, la pianificazione delle esecuzioni e una piattaforma condivisa per i controlli di qualità degli ambienti.

L’azienda riferisce che K3.1 Pro ha ottenuto il 65,7% in Terminal-Bench 4.0, che valuta gli agenti di programmazione su attività realistiche da terminale con risorse limitate, superando GPT-6 Astra, fermo al 58,2%, e arrivando poco sotto Claude Opus 5.5, al 66,4%. In Kimi Code Bench 3.0 Long-horizon, un benchmark interno che valuta l’esecuzione in più fasi, l’uso di strumenti e la risoluzione dei problemi dall’inizio alla fine, K3.1 Pro ha ottenuto il 61,2%, contro il 55,95% di K3. In BenchCAD, che valuta la ricostruzione 3D da visualizzazioni multi-prospettiche fino alla generazione di codice CAD, K3.1 Pro ha ottenuto il 92,7% con l’uso di strumenti, avvicinandosi a Claude Opus 5.5, al 96,2%, e a GPT-6 Astra, al 95,9%. La funzione 3D Make è disponibile su kimi.ai e nell’app Kimi e consente agli utenti di visualizzare in anteprima e modificare modelli 3D online, quindi scaricarli pronti per la stampa 3D.

Moonshot AI dichiara inoltre un risultato all’avanguardia di 64,4 in OfficeQA Pro v2, che valuta l’analisi complessa di dati fiscali basandosi su documenti finanziari reali, e segnala miglioramenti rispetto a K3 nei suoi benchmark finanziari interni: 7,2 punti in Financial Modeling, 11,6 punti in Financial Research e prestazioni circa 4,2 volte superiori a quelle di K3 in Business Operation. In Kimi Hallu Bench Hard, uno stress test interno sull’accuratezza fattuale, il tasso di allucinazioni a livello di affermazione del modello è sceso dal 23,4% di K3 all’8,3%, mentre la quota di risposte contenenti almeno un errore fattuale è stata pari al 42,4% del tasso del predecessore. Il blog precisa che la valutazione è stata concepita appositamente per mettere alla prova situazioni soggette a errori e che i tassi riportati non rappresentano i tassi di errore complessivi nell’uso quotidiano.

In un test interno di programmazione su orizzonti temporali lunghi descritto nel blog, K3.1 Pro ha realizzato un simulatore della dinamica della camminata umana basato su human-atlas, un modello anatomico open source del corpo umano composto da 296 elementi scheletrici e 402 elementi muscolari. Nel corso di 167 missioni e 420 revisioni indipendenti, il modello ha perfezionato iterativamente un controllore della camminata; quando il reward shaping non è riuscito a migliorare il movimento delle braccia, ha eseguito prove a ciclo aperto sulle dinamiche del simulatore, individuato e corretto 36 errori nei calcoli dei bracci di momento dei muscoli della spalla e riaddestrato il controllore.

Misure di sicurezza informatica e principi per i pesi aperti

Moonshot AI ha dichiarato di aver osservato un costante miglioramento delle prestazioni nella ricerca di vulnerabilità con l’aumento della scala del post-addestramento e di aver ricondotto questa tendenza alla presenza di contenuti relativi alla sicurezza informatica nel corpus generale di addestramento intermedio e di attività legate alla sicurezza informatica nell’insieme degli ambienti di apprendimento per rinforzo. Per la distribuzione con pesi aperti di K3.1 Pro, l’azienda ha dichiarato di aver individuato e rimosso i dati relativi alla sicurezza informatica da entrambe le fasi di addestramento, mantenendo al contempo le attività generali di programmazione necessarie a rendere utile il modello.

Nel benchmark interno xdev-bench-hard dell’azienda, che comprende attività di individuazione e sfruttamento di vulnerabilità basate sul codice sorgente e selezionate da esperti, una versione di controllo addestrata senza tali misure di riduzione del rischio risolve il 90,5% dei problemi con pass@3, mentre la versione finale di K3.1 Pro raggiunge l’81,0%, riferisce il blog. Moonshot AI ha affermato che i risultati mostrano come la rimozione dei dati riduca in modo significativo le capacità informatiche rispetto a quelle che lo stesso processo di addestramento produrrebbe altrimenti e che le capacità informatiche di K3.1 Pro restano inferiori a quelle dei modelli proprietari all’avanguardia disponibili pubblicamente da almeno 3 mesi.

Il blog illustra due principi alla base della distribuzione con pesi aperti. In primo luogo, l’azienda intende evitare di distribuire pesi aperti che porterebbero la frontiera assoluta delle capacità informatiche ancora più avanti. In secondo luogo, mira ad aumentare progressivamente le capacità informatiche disponibili nei modelli con pesi aperti, sostenendo che l’accesso non discriminatorio offre a un maggior numero di team gli strumenti per verificare il codice di cui sono responsabili, compresi i sistemi legacy che raramente ricevono revisioni di sicurezza dedicate.

Configurazione del modello in Kimi Code

La documentazione di Kimi Code spiega separatamente come i modelli vengono resi disponibili agli sviluppatori. Elenca sei ID di modello appartenenti alle famiglie K3.1 Pro, K3, K2.8 Preview e K2.7 Code Highspeed, descrive k3.1-pro come il modello di punta con 3.000 miliardi di parametri e una finestra di contesto fino a 1.048.576 token per gli abbonati ai piani superiori, e indica che la versione Highspeed offre le stesse capacità con un consumo della quota circa doppio. Secondo la pagina, K3.1 Pro è stato distribuito integralmente in Kimi Code.

Secondo la documentazione, i modelli K3.1 Pro supportano solo la modalità di ragionamento e le richieste con il ragionamento disattivato vengono rifiutate con un errore HTTP 400. Entrambi i nuovi modelli accettano le impostazioni di reasoning_effort low, high o max, con max come valore predefinito, e accettano sia immagini sia video in ingresso. Con i nuovi piani di abbonamento, k3.1-pro richiede il piano Plus o superiore, mentre la finestra di contesto da 1M è riservata al piano Pro o superiore; k3.1-pro-highspeed richiede invece il piano Pro o superiore. Con i piani precedenti, i livelli corrispondenti sono Moderato e Allegretto.

La documentazione consiglia di avviare una nuova sessione anziché passare ai nuovi modelli nel corso di una sessione, di usare le API native Responses, di completamento chat o dei messaggi per ottenere risultati il più possibile stabili e di inserire gli ID esatti dei modelli negli strumenti di terze parti, perché un ID digitato in modo errato porta a usare K2.8 Preview senza ragionamento.

L’azienda ha dichiarato che i pesi completi del modello Kimi K3.1 Pro saranno rilasciati entro il 4 novembre 2026.