Moonshot AI lanserar Kimi K3.1 Pro, den första modellen i den nya K3.1-serien

Moonshot AI introducerade Kimi K3.1 Pro den 24 oktober 2026. Det är den första modellen i företagets nya K3.1-serie och lanseras tillsammans med en snabbare variant, Kimi K3.1 Pro Highspeed. Företaget beskriver K3.1 Pro som sin hittills mest kapabla modell med öppna vikter i 3T-klassen, med ett kontextfönster på 1 miljon token.

Enligt tillkännagivandet är Kimi K3.1 Pro Highspeed två till tre gånger snabbare än Kimi K3.1 Pro, med identiska modellfunktioner. Båda modellerna finns tillgängliga i hela Kimi-produktfamiljen: på Kimi.ai och i Kimi-mobilapparna för iOS, Android och HarmonyOS; i skrivbordsprogrammet Kimi Work, version 3.1.0 eller senare, för Windows och Mac-datorer med Apple-chip; i Kimi Code, där användarna väljer modell med kommandot /model; samt via Kimi API, där modellerna anges som kimi-k3.1-pro och kimi-k3.1-pro-highspeed. API-kunder kan välja datalagring utan att data sparas. Kimi Enterprise-administratörer kan aktivera K3.1 Pro för sina organisationer, men åtkomsten är avstängd som standard vid lanseringen.

Träning och redovisade resultat

K3.1 Pro är en modell som eftertränats med utgångspunkt i Kimi K3, med vad Moonshot AI beskriver som betydligt större beräkningsresurser för efterträningen. För att möjliggöra storskaligt, gemensamt förstärkningslärande inom hundratals nedströmsdomäner uppger företaget att det optimerade varje lager i systemet: ramverket för förstärkningslärande, inferens med lång kontext, träningseffektivitet, sandlådemiljö, schemaläggning av körningar och en gemensam plattform för kvalitetskontroller av miljöerna.

Företaget uppger att K3.1 Pro fick 65,7 procent i Terminal-Bench 4.0, som utvärderar kodningsagenter på realistiska terminaluppgifter med begränsade resurser. Det är högre än GPT-6 Astra, som fick 58,2 procent, men strax under Claude Opus 5.5, som fick 66,4 procent. I Kimi Code Bench 3.0 Long-horizon, ett internt test som omfattar exekvering i flera steg, verktygsanvändning och problemlösning från början till slut, fick K3.1 Pro 61,2 procent jämfört med K3:s 55,95 procent. I BenchCAD, som testar 3D-rekonstruktion från återgivningar ur flera perspektiv genom generering av CAD-kod, fick K3.1 Pro 92,7 procent med verktyg. Det närmar sig Claude Opus 5.5 med 96,2 procent och GPT-6 Astra med 95,9 procent. Funktionen 3D Make finns nu på kimi.ai och i Kimi-appen. Den låter användarna förhandsgranska och redigera 3D-modeller online och ladda ner dem färdiga för 3D-utskrift.

Moonshot AI uppger också att modellen fick 64,4 poäng, ett resultat i toppklass, på OfficeQA Pro v2, som testar komplex analys av finansiella data från verkliga ekonomiska dokument. Företaget redovisar även förbättringar jämfört med K3 i sina interna finansbenchmarkar: 7,2 poäng inom finansiell modellering, 11,6 poäng inom finansiell research och cirka 4,2 gånger K3:s resultat inom affärsverksamhet. I Kimi Hallu Bench Hard, ett internt stresstest av faktamässig korrekthet, sjönk modellens hallucinationsfrekvens på påståendenivå från 23,4 procent för K3 till 8,3 procent. Andelen svar som innehöll minst ett sakfel motsvarade 42,4 procent av föregångarens nivå. I blogginlägget påpekas att utvärderingen medvetet utformats för att undersöka situationer där fel lätt uppstår och att de redovisade frekvenserna inte motsvarar den totala felfrekvensen vid daglig användning.

I ett internt test av kodning med lång tidshorisont, som beskrivs i blogginlägget, byggde K3.1 Pro en simulator för människans gångdynamik ovanpå human-atlas, en anatomisk modell av människokroppen med öppen källkod som omfattar 296 skelettdelar och 402 muskeldelar. Under 167 uppdrag och 420 oberoende granskningar förbättrade modellen en gångkontroll stegvis. När belöningsformning inte förbättrade armrörelserna genomförde den tester av simulatorns dynamik med öppen styrning, identifierade och korrigerade 36 fel i beräkningarna av axelmusklernas hävarmar och tränade om kontrollsystemet.

Cybersäkerhetsåtgärder och principer för öppna modellvikter

Moonshot AI uppgav att företagets förmåga att hitta sårbarheter förbättrades stadigt i takt med att efterträningen skalades upp, och hänförde utvecklingen till cyberrelaterat innehåll i den allmänna korpusen för mellanstegsträning samt cyberrelaterade uppgifter i blandningen av miljöer för förstärkningslärande. Inför lanseringen av K3.1 Pro med öppna vikter uppgav företaget att det identifierade och tog bort cyberrelaterade data från båda träningsstegen, samtidigt som det behöll de allmänna kodningsuppgifter som behövs för att modellen ska vara användbar.

På xdev-bench-hard, företagets interna benchmark med expertgranskade uppgifter för att hitta och utnyttja sårbarheter baserat på källkod, löser en kontrollpunkt som tränats utan dessa riskreducerande åtgärder 90,5 procent av problemen vid pass@3, medan den slutliga K3.1 Pro-modellen når 81,0 procent, enligt blogginlägget. Moonshot AI uppgav att resultaten visar att borttagningen av data påtagligt minskar cyberförmågan jämfört med vad samma träningspipeline annars skulle ha gett, och att K3.1 Pro:s cyberförmåga fortfarande ligger under nivån hos de främsta proprietära modeller som har varit offentligt tillgängliga i minst tre månader.

I blogginlägget beskriver företaget två principer bakom lanseringen av modellen med öppna vikter. För det första vill företaget inte släppa öppna modellvikter som skulle flytta fram den yttersta gränsen för cyberförmåga. För det andra avser företaget att stegvis höja den cyberförmåga som finns tillgänglig i modeller med öppna vikter. Företaget framhåller att icke-diskriminerande åtkomst ger fler team möjlighet att granska den kod de underhåller, även i äldre system som sällan får särskilda säkerhetsgranskningar.

Modellkonfiguration i Kimi Code

Separat dokumentation för Kimi Code beskriver hur modellerna görs tillgängliga för utvecklare. Dokumentationen listar sex modell-ID:n i modellfamiljerna K3.1 Pro, K3, K2.8 Preview och K2.7 Code Highspeed. Den beskriver k3.1-pro som en flaggskeppsmodell med 3 biljoner parametrar och ett kontextfönster på upp till 1 048 576 token för medlemmar på högre nivåer. Highspeed-versionen uppges ha samma kapacitet men förbruka ungefär dubbelt så mycket av kvoten. Enligt sidan är K3.1 Pro nu helt tillgänglig i Kimi Code.

Enligt dokumentationen stöder K3.1 Pro-modellerna endast resonemangsläge, och förfrågningar där resonemang är inaktiverat avvisas med ett HTTP 400-fel. Båda de nya modellerna godtar inställningarna low, high eller max för reasoning_effort, där max är standardvärdet, och båda kan ta emot bild- och videoindata. Enligt de nya abonnemangsplanerna kräver k3.1-pro Plus eller högre, och kontextfönstret på 1M är reserverat för Pro eller högre. k3.1-pro-highspeed kräver Pro eller högre. Med de äldre abonnemangsplanerna motsvarar nivåerna Moderato respektive Allegretto.

Dokumentationen rekommenderar att man startar en ny session i stället för att byta till de nya modellerna mitt under en session, använder de inbyggda Responses-, chat completion- eller message-API:erna för att få så stabila resultat som möjligt och anger exakta modell-ID:n i tredjepartsverktyg, eftersom ett felstavat ID leder till att K2.8 Preview används i stället, utan resonemangsläge.

Företaget uppgav att de fullständiga modellvikterna för Kimi K3.1 Pro kommer att släppas senast den 4 november 2026.