Moonshot dnes vydal Kimi K3.1 Pro a klíčové číslo není počet parametrů. Je jím datum vydání. Plné váhy přistanou 4. listopadu. Model třídy 3T s otevřenými váhami a kontextovým oknem 1 milionu tokenů bude existovat jako soubor ke stažení a je to poprvé, co je tato věta pravdivá v této velikosti.
Terminal-Bench je ten, na který se vyplatí sledovat
Na Terminal-Bench 4.0, který hodí coding agenty do realistických úloh v terminálu s omezenými zdroji a hodnotí je přísnými testy pro každou úlohu, dosahuje K3.1 Pro 65,7 %. GPT-6 Astra je na 58,2 %. Claude Opus 5.5 je na 66,4 %. Přečtěte si to znovu a nechte si usadit pořadí: model s otevřenými váhami je v agentic terminálové práci o jeden bod za nejlepším uzavřeným modelem a před tím druhým.
Na vlastním Code Bench 3.0 Long-horizon od Kimi, který testuje vícekrokovou exekuci a použití nástrojů napřícs inženýrskými obory, se K3.1 Pro posouvá z 55,95 % u K3 na 61,2 %. To je zisk, který by měl zajímat kohokoli, kdo provozuje coding agenta proti lokálnímu modelu a narazí na zeď ve čtvrtém nebo pátém kroku úlohy. Zeď se posunula.
Milion tokenů tentokrát není marketing
Kontextové okno je druhý díl. Pokud jste někdy vložili celý monorepo do promptu a doufali, K3.1 Pro je vydání, kdy to přestane být party trik. Dlouhodobá agentic práce znamená dlouhé transkripty a dlouhé transkripty znamenají tlak na KV cache. Zatím neznám spotřebu VRAM při plném okně 1M, protože nikdo mimo Moonshot to neproběhl na spotřebitelském hardwaru. To je domácí úkol čekající na 4. listopadu a je to část, která mě zajímá nejvíc.
Variantu Highspeed stojí za to zmínit zvlášť. Kimi uvádí, že běží s throughputem 2 až 3krát vyšším než plain K3.1 Pro. Rychlejší varianta obvykle znamená destilovanou nebo jinak servírovanou verzi a pro interaktivní coding se obvykle vyplatí. Oba jsou dnes živé na Kimi.ai, Kimi Work, Kimi Code a v API. Zdarma cesta končí tam, kde začínají váhy.
Cyber schopnosti záměrně odstranili
Toto je sekce, kterou jsem neočekával, a zaslouží si pečlivé přečtení. Kimi uvádí, že během vývoje dohledali zisky ve výzkumu zranitelností zpět na cyber obsah zabudovaný do obecného mid-training korpusu, plus cyber úlohy v mixu RL prostředí. Tato data odstranili z obou fází před vydáním. Obecné coding schopnosti ponechali netknuté.
Potom otestovali výsledek na xdev-bench-hard, interním benchmarku postaveném na reálných, nedávno odhalených zranitelnostech v Linux kernelu, Node.js, JavaScriptCore, Exim a VirGL. Agent dostane zranitelný zdroj, krátkou nápovědu k bugu a musí si zbytek vypočítat. Myslím, že je to správné rozhodnutí pro vydání s otevřenými váhami. Znamená to ale také, že model ke stažení je záměrně slabší v hledání děr v přesně tom softwaru, který běží na vašich serverech. Obojí je pravda a měli byste vědět, co dostáváte.
Ostatní čísla stručně
Na BenchCAD, který měří 3D rekonstrukci z multi-view renderů přes generovaný CAD kód, dosahuje K3.1 Pro s nástroji 92,7 % oproti 96,2 % u Opus 5.5 a 95,9 % u Astra. Dostatečně blízko, aby rozdíl pravděpodobně nerozhodl projekt. Na OfficeQA Pro v2, který pokrývá vícekrokovou analýzu finančních dokumentů, dosahuje 64,4. Demo, na které neustále myslím, je walking simulator: postavený na human-atlas, otevřeném anatomickém modelu se 296 kosterními komponentami včetně chrupavek a 402 svalovými komponentami, napřícs 167 misemi a 420 nezávislými recenzemi, agent dostal simulovaného člověka z kolapsu během sekund k neustálému chůzi po dobu 11,2 sekund. Když tvarování odměny uvízlo na pažích, spustil open-loop sondy simulátoru a našel 36 chyb v výpočtech momentových ramen svalů ramene.
Ten poslední detail je skutečný příběh zde. Ne tabulka benchmarků. Model, který diagnostikuje, že jeho vlastní odměňovací funkce je špatná, a jde hledat bug v fyzice, dělá něco jiného než model, který skóruje dobře.
4. listopadu je datum. Mezi tím a tím užitečná práce je aritmetika: jaká úroveň kvantizace se vejde, kolik KV cache sníme okno 1M při délkách sekvencí, které skutečně používám, a zda throughput drží, když je kontext plný místo prázdný. Tu matematiku budu počítat, než se objeví odkaz ke stažení.