Moonshot AI lanserer Kimi K3.1 Pro, den første modellen i den nye K3.1-serien

Moonshot AI lanserte Kimi K3.1 Pro 24. oktober 2026. Dette er den første modellen i selskapets nye K3.1-serie, og den ble lansert sammen med en raskere variant kalt Kimi K3.1 Pro Highspeed. Selskapet beskriver K3.1 Pro som sin hittil mest kapable modell med åpne vekter i 3T-klassen, med et kontekstvindu på 1 million token.

Ifølge kunngjøringen er Kimi K3.1 Pro Highspeed to til tre ganger raskere enn Kimi K3.1 Pro, med identiske modellegenskaper. Begge modellene er tilgjengelige på tvers av Kimi-produktfamilien: på Kimi.ai og i Kimi-mobilappene for iOS, Android og HarmonyOS; i skrivebordsprogrammet Kimi Work, versjon 3.1.0 eller nyere, for Windows og Mac-maskiner med Apple-chip; i Kimi Code, der brukerne velger modell med kommandoen /model; og via Kimi API, der modellene er oppført som kimi-k3.1-pro og kimi-k3.1-pro-highspeed, med Zero Data Retention tilgjengelig for API-kunder. Administratorer for Kimi Enterprise kan aktivere K3.1 Pro for organisasjonene sine, men tilgangen er deaktivert som standard ved lansering.

Trening og rapporterte resultater

K3.1 Pro er en ettertrent versjon av Kimi K3, utviklet med det Moonshot AI beskriver som betydelig større beregningsressurser til ettertrening. For å muliggjøre storskala, felles forsterkende læring på tvers av hundrevis av nedstrømsdomener, sier selskapet at det optimaliserte hvert lag i stakken: rammeverket for forsterkende læring, inferens med lang kontekst, treningseffektivitet, sandkasseinfrastruktur, planlegging av utrullinger og en felles plattform for kvalitetskontroll av miljøer.

Selskapet oppgir at K3.1 Pro fikk 65,7 prosent på Terminal-Bench 4.0, som evaluerer kodeagenter på realistiske terminaloppgaver med begrensede ressurser. Det er bedre enn GPT-6 Astra, som fikk 58,2 prosent, men så vidt under Claude Opus 5.5, som fikk 66,4 prosent. På Kimi Code Bench 3.0 Long-horizon, en intern referansetest som dekker flertrinnsutførelse, verktøybruk og problemløsning fra start til slutt, fikk K3.1 Pro 61,2 prosent, mot K3s 55,95 prosent. På BenchCAD, som tester 3D-rekonstruksjon fra gjengivelser fra flere synsvinkler via generering av CAD-kode, fikk K3.1 Pro 92,7 prosent med verktøy. Det nærmer seg Claude Opus 5.5 med 96,2 prosent og GPT-6 Astra med 95,9 prosent. Funksjonen 3D Make er tilgjengelig på kimi.ai og i Kimi-appen, der brukerne kan forhåndsvise og redigere 3D-modeller på nettet og laste dem ned klare for 3D-utskrift.

Moonshot AI oppgir også et resultat helt i toppsjiktet på 64,4 på OfficeQA Pro v2, som tester kompleks analyse av finansdata i ekte finansdokumenter, og viser til forbedringer sammenlignet med K3 på selskapets interne finansreferansetester: 7,2 poeng på Financial Modeling, 11,6 poeng på Financial Research og omtrent 4,2 ganger K3s resultat på Business Operation. På Kimi Hallu Bench Hard, en intern stresstest av faktanøyaktighet, falt modellens hallusinasjonsrate på påstandsnivå fra 23,4 prosent for K3 til 8,3 prosent, mens andelen svar som inneholdt minst én faktisk feil, var 42,4 prosent av forgjengerens nivå. Blogginnlegget påpeker at evalueringen bevisst er utformet for å undersøke situasjoner der feil lett oppstår, og at de rapporterte ratene ikke gjenspeiler den samlede feilraten ved daglig bruk.

I én intern kodetest med lang tidshorisont som omtales i blogginnlegget, bygde K3.1 Pro en simulator for menneskelig gangdynamikk basert på human-atlas, en åpen anatomisk modell av menneskekroppen som består av 296 skjelettkomponenter og 402 muskelkomponenter. Gjennom 167 oppdrag og 420 uavhengige vurderinger videreutviklet modellen en gangkontroller trinnvis. Da belønningsforming ikke forbedret armbevegelsene, kjørte den prober i åpen sløyfe av simulatorens dynamikk, identifiserte og korrigerte 36 feil i beregningene av skuldermusklenes momentarmer og trente kontrolleren på nytt.

Cybersikkerhetstiltak og prinsipper for åpne vekter

Moonshot AI sier at selskapet observerte en jevn forbedring i evnen til å finne sårbarheter etter hvert som omfanget av ettertreningen økte, og knytter utviklingen til cyberrelatert innhold i det generelle korpuset for mellomtrening og cyberrelaterte oppgaver i blandingen av miljøer for forsterkende læring. For lanseringen av K3.1 Pro med åpne vekter sier selskapet at det identifiserte og fjernet cyberrelaterte data fra begge treningsfasene, samtidig som det beholdt de generelle kodeoppgavene som er nødvendige for at modellen skal være nyttig.

På xdev-bench-hard, selskapets interne referansetest med ekspertutvalgte oppgaver for å finne og utnytte sårbarheter basert på kildekode, løser et kontrollpunkt som er trent uten disse risikoreduserende tiltakene 90,5 prosent av problemene ved pass@3, mens den endelige K3.1 Pro løser 81,0 prosent, ifølge blogginnlegget. Moonshot AI sier at resultatene viser at fjerning av data reduserer cyberkapasiteten betydelig sammenlignet med hva den samme treningsprosessen ellers ville ha produsert, og at K3.1 Pros cyberkapasitet fortsatt ligger bak kapasiteten til ledende proprietære modeller som har vært offentlig tilgjengelige i minst tre måneder.

Blogginnlegget presenterer to prinsipper som ligger til grunn for lanseringen av modellen med åpne vekter. For det første ønsker selskapet ikke å lansere modeller med åpne vekter som vil flytte den absolutte grensen for cyberkapasitet. For det andre har selskapet til hensikt gradvis å øke cyberkapasiteten som er tilgjengelig i modeller med åpne vekter. Det sier at ikke-diskriminerende tilgang gir flere team mulighet til å revidere koden de vedlikeholder, også i eldre systemer som sjelden får egne sikkerhetsgjennomganger.

Modellkonfigurasjon i Kimi Code

Den separate dokumentasjonen for Kimi Code beskriver hvordan modellene gjøres tilgjengelige for utviklere. Dokumentasjonen lister opp seks modell-ID-er fordelt på familiene K3.1 Pro, K3, K2.8 Preview og K2.7 Code Highspeed. Den beskriver k3.1-pro som en flaggskipmodell med 3 billioner parametere og et kontekstvindu på opptil 1 048 576 tokener for medlemmer på høyere nivåer, og oppgir at Highspeed-versjonen har de samme egenskapene, men bruker omtrent dobbelt så mye av kvoten. Ifølge siden er K3.1 Pro nå fullt utrullet i Kimi Code.

Ifølge dokumentasjonen støtter K3.1 Pro-modellene bare tenkemodus, og forespørsler der tenkemodus er slått av, avvises med en HTTP 400-feil. Begge de nye modellene godtar innstillinger for reasoning_effort på low, high eller max, der max er standardinnstillingen, og begge godtar bilde- og videoinndata. Med de nye medlemskapsplanene krever k3.1-pro Plus eller høyere, mens kontekstvinduet på 1 million er forbeholdt Pro eller høyere. k3.1-pro-highspeed krever Pro eller høyere. Med de eldre planene er de tilsvarende nivåene Moderato og Allegretto.

Dokumentasjonen anbefaler å starte en ny økt i stedet for å bytte til de nye modellene midt i en økt, å bruke de opprinnelige Responses-, chat completion- eller meldings-API-ene for å få mest mulig stabilt resultat, og å oppgi nøyaktige modell-ID-er i tredjepartsverktøy, ettersom en feilskrevet ID fører til at K2.8 Preview brukes i stedet, uten tenkemodus.

Selskapet opplyste at de fullstendige modellvektene for Kimi K3.1 Pro vil bli utgitt innen 4. november 2026.