Moonshot AI brengt Kimi K3.1 Pro uit, het eerste model in de nieuwe K3.1-serie

Moonshot AI introduceerde Kimi K3.1 Pro op 24 oktober 2026, het eerste model in de nieuwe K3.1-serie, naast een snellere variant met de naam Kimi K3.1 Pro Highspeed. Het bedrijf omschrijft K3.1 Pro als zijn krachtigste open-weightmodel in de 3T-klasse tot nu toe, met een contextvenster van 1 miljoen tokens.

Volgens de aankondiging is Kimi K3.1 Pro Highspeed twee tot drie keer zo snel als Kimi K3.1 Pro, met identieke modelmogelijkheden. Beide modellen zijn beschikbaar binnen het hele Kimi-productaanbod: op Kimi.ai en in de mobiele Kimi-apps voor iOS, Android en HarmonyOS; in de desktopapplicatie Kimi Work, versie 3.1.0 of hoger, voor Windows en Macs met Apple silicon; in Kimi Code, waar gebruikers het model selecteren met de opdracht /model; en via de Kimi API, waar de modellen vermeld staan als kimi-k3.1-pro en kimi-k3.1-pro-highspeed. API-klanten kunnen gebruikmaken van Zero Data Retention. Beheerders van Kimi Enterprise kunnen K3.1 Pro beschikbaar maken voor hun organisaties; bij de lancering is toegang standaard uitgeschakeld.

Training en gerapporteerde prestaties

K3.1 Pro is een versie van Kimi K3 die verder is getraind, met volgens Moonshot AI aanzienlijk meer rekenkracht voor de verdere training. Om grootschalige gezamenlijke reinforcement learning uit te voeren op honderden downstream-domeinen, heeft het bedrijf naar eigen zeggen elke laag van de stack geoptimaliseerd: het reinforcementlearningframework, inferentie met een lange context, trainingsefficiëntie, sandboxinfrastructuur, de planning van trainingsrondes en een gedeeld platform voor kwaliteitscontroles van omgevingen.

Het bedrijf meldt dat K3.1 Pro op Terminal-Bench 4.0, dat codeeragenten beoordeelt op realistische terminaltaken met beperkte middelen, 65,7 procent scoorde. Dat is hoger dan de 58,2 procent van GPT-6 Astra en net onder de 66,4 procent van Claude Opus 5.5. Op Kimi Code Bench 3.0 Long-horizon, een interne benchmark voor uitvoering in meerdere stappen, toolgebruik en het oplossen van problemen van begin tot eind, scoorde K3.1 Pro 61,2 procent, tegenover 55,95 procent voor K3. Op BenchCAD, dat 3D-reconstructie test op basis van weergaven vanuit meerdere hoeken, met CAD-codegeneratie als eindpunt, scoorde K3.1 Pro met tools 92,7 procent. Daarmee kwam het dicht in de buurt van Claude Opus 5.5 met 96,2 procent en GPT-6 Astra met 95,9 procent. De functie 3D Make is beschikbaar op kimi.ai en in de Kimi-app. Gebruikers kunnen daarmee online een voorbeeld van 3D-modellen bekijken, die bewerken en downloaden om ze vervolgens 3D te printen.

Moonshot AI meldt ook een toonaangevende score van 64,4 op OfficeQA Pro v2, dat complexe analyses van financiële gegevens op basis van echte financiële documenten test. Het bedrijf noemt daarnaast verbeteringen ten opzichte van K3 op de interne financiële benchmarks: 7,2 punten op Financial Modeling, 11,6 punten op Financial Research en ongeveer 4,2 keer zo goed als K3 op Business Operation. Op Kimi Hallu Bench Hard, een interne stresstest voor feitelijke nauwkeurigheid, daalde het hallucinatiepercentage op claimniveau van 23,4 procent voor K3 naar 8,3 procent. Het aandeel antwoorden met ten minste één feitelijke fout bedroeg 42,4 procent van dat van het vorige model. De blog merkt op dat de evaluatie bewust is opgezet om situaties te onderzoeken waarin fouten vaak voorkomen en dat de gerapporteerde percentages niet de algemene foutpercentages bij dagelijks gebruik weergeven.

In een interne codeertest over een lang traject die in de blog wordt beschreven, bouwde K3.1 Pro een simulator voor de dynamiek van het menselijk lopen op basis van human-atlas, een opensourcemodel van de menselijke anatomie met 296 skeletcomponenten en 402 spiercomponenten. In 167 opdrachten en 420 onafhankelijke beoordelingen verfijnde het model iteratief een loopcontroller. Toen het aanpassen van de beloning de armbeweging niet verbeterde, voerde het open-loop-tests uit om de dynamiek van de simulator te onderzoeken, spoorde het 36 fouten op in de berekeningen van de momentarmen van schouderspieren en corrigeerde het die, waarna het de controller opnieuw trainde.

Cyberbeveiligingsmaatregelen en principes voor open weights

Moonshot AI zegt dat het merkte dat de prestaties bij kwetsbaarheidsonderzoek gestaag verbeterden naarmate de verdere training werd opgeschaald. Het bedrijf schrijft die ontwikkeling toe aan cybergerelateerde inhoud in het algemene corpus voor tussentijdse training en aan cybergerelateerde taken in de mix van reinforcementlearningomgevingen. Voor de release van K3.1 Pro met open weights heeft het bedrijf naar eigen zeggen cybergerelateerde gegevens uit beide trainingsfasen verwijderd, met behoud van de algemene codeertaken die nodig zijn om het model bruikbaar te maken.

Op xdev-bench-hard, de interne benchmark van het bedrijf met door experts samengestelde taken voor het opsporen en misbruiken van kwetsbaarheden op basis van broncode, lost een checkpoint dat zonder die risicobeperkende maatregelen is getraind 90,5 procent van de problemen op bij pass@3. De uiteindelijke K3.1 Pro haalt 81,0 procent, meldt de blog. Moonshot AI zegt dat de resultaten laten zien dat het verwijderen van gegevens de cybercapaciteiten betekenisvol vermindert ten opzichte van wat dezelfde trainingspipeline anders zou opleveren. De cybercapaciteiten van K3.1 Pro blijven bovendien achter bij die van geavanceerde propriëtaire modellen die al ten minste drie maanden publiek beschikbaar zijn.

De blog schetst twee principes achter de release met open weights. Ten eerste wil het bedrijf geen open weights uitbrengen die de absolute grens van cybercapaciteiten zouden verleggen. Ten tweede wil het de cybercapaciteiten die met open weights beschikbaar zijn geleidelijk vergroten. Het stelt dat niet-discriminerende toegang meer teams in staat stelt de code te controleren die zij onderhouden, waaronder verouderde systemen die zelden specifieke beveiligingsbeoordelingen krijgen.

Modelconfiguratie in Kimi Code

Afzonderlijke documentatie van Kimi Code licht toe hoe de modellen aan ontwikkelaars beschikbaar worden gesteld. De documentatie vermeldt zes model-ID’s voor de productfamilies K3.1 Pro, K3, K2.8 Preview en K2.7 Code Highspeed. Ook wordt k3.1-pro omschreven als een vlaggenschipmodel met 3T parameters en een contextvenster van maximaal 1.048.576 tokens voor leden met een hoger abonnement, en de Highspeed-versie als een model met dezelfde mogelijkheden maar met ongeveer tweemaal het quotaverbruik. Volgens de pagina is K3.1 Pro volledig uitgerold in Kimi Code.

Volgens de documentatie ondersteunen K3.1 Pro-modellen alleen de denkmodus. Verzoeken waarbij het denken is uitgeschakeld, worden afgewezen met een HTTP 400-fout. Beide nieuwe modellen accepteren de instellingen low, high of max voor reasoning_effort, waarbij max de standaardinstelling is. Beide accepteren ook afbeeldingen en video als invoer. Bij de nieuwe abonnementen is voor k3.1-pro Plus of hoger vereist; het contextvenster van 1M is voorbehouden aan Pro of hoger. Voor k3.1-pro-highspeed is Pro of hoger vereist. Bij oudere abonnementen komen de overeenkomstige niveaus overeen met Moderato en Allegretto.

De documentatie raadt aan een nieuwe sessie te starten in plaats van tijdens een sessie over te schakelen op de nieuwe modellen, de native Responses-, chat completion- of message-API’s te gebruiken voor de meest stabiele uitvoer en de exacte model-ID’s in tools van derden in te voeren, omdat een verkeerd getypte ID terugvalt op K2.8 Preview zonder denkmodus.

Het volledige modelgewicht van Kimi K3.1 Pro wordt uiterlijk op 4 november 2026 uitgebracht, aldus het bedrijf.