Moonshot AI udostępnia Kimi K3.1 Pro, pierwszy model z nowej serii K3.1

Moonshot AI wprowadziła Kimi K3.1 Pro 24 października 2026 r. jako pierwszy model z nowej serii K3.1, wraz z szybszym wariantem o nazwie Kimi K3.1 Pro Highspeed. Firma opisuje K3.1 Pro jako swój jak dotąd najbardziej zaawansowany model z otwartymi wagami klasy 3T, z oknem kontekstowym obejmującym 1 milion tokenów.

Jak podano w komunikacie, Kimi K3.1 Pro Highspeed działa od dwóch do trzech razy szybciej niż Kimi K3.1 Pro i oferuje identyczne możliwości modelu. Oba modele są dostępne w całej rodzinie produktów Kimi: na Kimi.ai oraz w aplikacjach mobilnych Kimi na iOS, Androida i HarmonyOS; w aplikacji desktopowej Kimi Work w wersji 3.1.0 lub nowszej na system Windows i komputery Mac z układami Apple silicon; w Kimi Code, gdzie użytkownicy wybierają model za pomocą polecenia /model; a także przez Kimi API, gdzie modele są dostępne pod nazwami kimi-k3.1-pro i kimi-k3.1-pro-highspeed, a klientom API oferowana jest opcja zerowego przechowywania danych. Administratorzy Kimi Enterprise mogą włączyć K3.1 Pro w swoich organizacjach; w chwili premiery dostęp do niego jest domyślnie wyłączony.

Trening i deklarowane wyniki

K3.1 Pro to wersja modelu Kimi K3 po treningu uzupełniającym, opracowana z wykorzystaniem — jak opisuje to Moonshot AI — znacznie większych zasobów obliczeniowych na tym etapie. Aby umożliwić prowadzenie zakrojonego na dużą skalę wspólnego uczenia ze wzmocnieniem w setkach domen docelowych, firma poinformowała, że zoptymalizowała każdy element stosu: framework uczenia ze wzmocnieniem, wnioskowanie w długim kontekście, wydajność treningu, infrastrukturę piaskownicy, harmonogramowanie przebiegów oraz wspólną platformę do kontroli jakości środowisk.

Firma podaje, że w teście Terminal-Bench 4.0, który ocenia agentów programistycznych na realistycznych zadaniach terminalowych przy ograniczonych zasobach, K3.1 Pro uzyskał 65,7%, wyprzedzając GPT-6 Astra z wynikiem 58,2% i nieznacznie ustępując Claude Opus 5.5, który osiągnął 66,4%. W wewnętrznym teście Kimi Code Bench 3.0 Long-horizon, obejmującym wykonywanie wieloetapowych zadań, korzystanie z narzędzi i rozwiązywanie problemów od początku do końca, K3.1 Pro uzyskał 61,2%, a K3 — 55,95%. W teście BenchCAD, który sprawdza rekonstrukcję 3D na podstawie renderów z wielu ujęć poprzez generowanie kodu CAD, K3.1 Pro uzyskał z użyciem narzędzi 92,7%, zbliżając się do wyniku Claude Opus 5.5 (96,2%) i GPT-6 Astra (95,9%). Funkcja 3D Make jest dostępna na kimi.ai i w aplikacji Kimi. Pozwala użytkownikom przeglądać i edytować modele 3D online, a następnie pobierać je w postaci gotowej do druku 3D.

Moonshot AI podaje również, że model uzyskał wynik 64,4, plasujący się w światowej czołówce, w teście OfficeQA Pro v2, który sprawdza złożoną analizę danych fiskalnych na podstawie rzeczywistych dokumentów finansowych. Firma wskazuje też na poprawę względem K3 w wewnętrznych testach finansowych: o 7,2 punktu w Financial Modeling, o 11,6 punktu w Financial Research oraz około 4,2-krotnie lepszy wynik w Business Operation. W wewnętrznym teście warunków skrajnych Kimi Hallu Bench Hard, który sprawdza zgodność z faktami, odsetek halucynacji na poziomie poszczególnych twierdzeń spadł z 23,4% w przypadku K3 do 8,3%. Odsetek odpowiedzi zawierających co najmniej jeden błąd faktograficzny wyniósł 42,4% wartości odnotowanej dla poprzednika modelu. Jak zaznaczono na blogu, test został celowo zaprojektowany tak, by sprawdzać sytuacje sprzyjające błędom; podane wskaźniki nie odzwierciedlają ogólnego poziomu błędów w codziennym użytkowaniu.

W jednym z opisanych na blogu wewnętrznych testów programowania z długim horyzontem działania K3.1 Pro zbudował symulator dynamiki ludzkiego chodu na bazie human-atlas, otwartego modelu anatomicznego ludzkiego ciała obejmującego 296 elementów szkieletu i 402 elementy mięśni. W ramach 167 zadań i 420 niezależnych ocen model iteracyjnie udoskonalał układ sterujący chodem. Gdy kształtowanie funkcji nagrody nie poprawiło ruchu ramion, przeprowadził testy dynamiki symulatora w trybie otwartej pętli, wykrył i skorygował 36 błędów w obliczeniach ramion momentu siły mięśni barku, a następnie ponownie wytrenował układ sterujący.

Zabezpieczenia cybernetyczne i zasady udostępniania otwartych wag

Moonshot AI poinformowała, że wraz ze zwiększaniem skali dalszego treningu stale poprawiały się wyniki w badaniach podatności. Firma powiązała ten trend z treściami dotyczącymi cyberbezpieczeństwa zawartymi w ogólnym korpusie treningu pośredniego oraz zadaniami z tej dziedziny uwzględnionymi w zestawie środowisk uczenia przez wzmacnianie. W przypadku udostępnienia K3.1 Pro z otwartymi wagami firma zidentyfikowała i usunęła dane związane z cyberbezpieczeństwem z obu etapów treningu, zachowując jednocześnie ogólnego przeznaczenia zadania programistyczne niezbędne do użyteczności modelu.

Jak podaje blog, w wewnętrznym teście xdev-bench-hard, obejmującym wyselekcjonowane przez ekspertów zadania wykrywania i wykorzystywania luk na podstawie kodu źródłowego, punkt kontrolny wytrenowany bez tych środków ograniczających ryzyko rozwiązuje 90,5% problemów przy pass@3, podczas gdy końcowy K3.1 Pro osiąga 81,0%. Moonshot AI stwierdziła, że wyniki pokazują, iż usunięcie danych istotnie ogranicza możliwości modelu w zakresie cyberbezpieczeństwa w porównaniu z tym, co w przeciwnym razie uzyskałby ten sam proces treningowy, a możliwości K3.1 Pro w tej dziedzinie pozostają słabsze niż w przypadku czołowych modeli własnościowych, które były publicznie dostępne od co najmniej trzech miesięcy.

Na blogu przedstawiono dwie zasady, którymi kierowano się przy udostępnianiu otwartych wag. Po pierwsze, firma zamierza nie udostępniać otwartych wag, które przesuwałyby absolutną granicę możliwości w dziedzinie cyberbezpieczeństwa. Po drugie, chce stopniowo zwiększać możliwości w zakresie cyberbezpieczeństwa dostępne w modelach z otwartymi wagami. Jak stwierdzono, niedyskryminacyjny dostęp daje większej liczbie zespołów środki do audytowania utrzymywanego przez nie kodu, w tym starszych systemów, które rzadko podlegają specjalistycznym audytom bezpieczeństwa.

Konfiguracja modelu w Kimi Code

Osobna dokumentacja Kimi Code opisuje, w jaki sposób modele są udostępniane deweloperom. W dokumentacji wymieniono sześć identyfikatorów modeli z rodzin K3.1 Pro, K3, K2.8 Preview i K2.7 Code Highspeed; opisano w niej k3.1-pro jako flagowy model z 3 bln parametrów i oknem kontekstu obejmującym do 1 048 576 tokenów, dostępnym dla członków planów wyższych poziomów, a także wersję Highspeed, która oferuje te same możliwości, ale zużywa około dwukrotnie więcej limitu. Jak podaje strona, K3.1 Pro został w pełni wdrożony w Kimi Code.

Z dokumentacji wynika, że modele K3.1 Pro obsługują wyłącznie tryb rozumowania, a żądania z wyłączonym rozumowaniem są odrzucane z błędem HTTP 400. Oba nowe modele obsługują ustawienia reasoning_effort: low, high lub max, przy czym domyślną wartością jest max; oba przyjmują też dane wejściowe w postaci obrazów i wideo. W ramach nowych planów członkowskich k3.1-pro wymaga planu Plus lub wyższego, a okno kontekstu 1M jest dostępne wyłącznie w planie Pro lub wyższym; k3.1-pro-highspeed wymaga planu Pro lub wyższego. W starszych planach odpowiadają im poziomy Moderato i Allegretto.

Dokumentacja zaleca rozpoczęcie nowej sesji zamiast przełączania się na nowe modele w jej trakcie, korzystanie z natywnego Responses API, API uzupełniania czatu lub API wiadomości, aby uzyskać najbardziej stabilne wyniki, a także wpisywanie dokładnych identyfikatorów modeli w narzędziach innych firm, ponieważ błędnie wpisany identyfikator powoduje powrót do K2.8 Preview bez trybu rozumowania.

Firma poinformowała, że pełne wagi modelu Kimi K3.1 Pro zostaną udostępnione do 4 listopada 2026 r.