Moonshot випустила Kimi K3.1 Pro сьогодні, і ключова цифра тут — не кількість параметрів. Це дата релізу. Повні ваги з’являться 4 листопада. Модель класу 3T з відкритими вагами та контекстним вікном у 1 мільйон токенів існуватиме як файл, який можна завантажити, і вперше в історії це твердження стає правдою для моделей такого розміру.
Terminal-Bench — головний індикатор
На Terminal-Bench 4.0, який ставить coding-агентів перед реалістичними завданнями в терміналі з обмеженими ресурсами та оцінює їх за допомогою суворих тестів для кожного завдання, K3.1 Pro набирає 65,7%. GPT-6 Astra — 58,2%. Claude Opus 5.5 — 66,4%. Прочитайте це ще раз і дайте собі зрозуміти порядок: модель з відкритими вагами відстає від найкращої закритої моделі в агентній роботі в терміналі лише на один пункт, а іншу перевищує.
На власному Code Bench 3.0 Long-horizon від Kimi, який тестує багатокрокове виконання та використання інструментів у різних інженерних доменах, K3.1 Pro зростає з 55,95% у K3 до 61,2%. Саме цей приріст має цікавити тих, хто запускає coding-агента на локальній моделі і стикається зі стіною на четвертому чи п’ятому кроці завдання. Стіна змістилася.
Мільйон токенів — це не маркетинг цього разу
Контекстне вікно — друга частина. Якщо ви колись вставляли весь monorepo в промпт і сподівалися на диво, K3.1 Pro — це реліз, де це перестає бути фокус-трюком. Робота агентів на довгих горизонтах означає довгі транскрипти, а довгі транскрипти означають тиск на KV-кеш. Я ще не знаю розмір VRAM при повному вікні 1M, бо ніхто поза Moonshot не запускав це на споживчому залізні. Саме це домашнє завдання чекає 4 листопада, і саме ця частина мене цікавить найбільше.
Варіант Highspeed заслуговує на окрему згадку. Kimi стверджує, що він працює з пропускною здатністю в 2–3 рази вищою, ніж звичайний K3.1 Pro. Швидший варіант зазвичай означає дистильовану версію або іншу схему сервірування, і для інтерактивного кодування цей компроміс зазвичай виправданий. Обидва варіанти вже доступні сьогодні на Kimi.ai, Kimi Work, Kimi Code та через API. Безкоштовний шлях закінчується там, де починаються ваги.
Киберздатність усунено навмисно
Це розділ, якого я не очікував, і він заслуговує на уважне читання. Kimi заявляє, що під час розробки вони прослїдили зростання власних досліджень вразливостей до кіберзв’язаного контенту, вбудованого в загальний корпус середнього тренування, а також до кіберзв’язаних завдань у міксі RL-середовища. Вони видалили ці дані з обох етапів перед релізом. Загальне кодування залишили незмінним.
Потім вони протестували результат на xdev-bench-hard, внутрішньому бенчмарку, побудованому на реальних нещодавно розкритих вразливостях у ядрі Linux, Node.js, JavaScriptCore, Exim та VirGL. Агент отримує вразливе джерело, коротку підказку про баг і має сам розібратися з рештою. Я вважаю, що це правильне рішення для релізу з відкритими вагами. Це також означає, що модель, яку ви завантажуєте, навмисно слабша в пошуку дір у тому самому ПЗ, яке працює на ваших серверах. Обидва твердження правдиві, і ви маєте знати, що саме отримуєте.
Інші цифри, коротко
На BenchCAD, який вимірює 3D-реконструкцію з багатопоточних рендерів через згенерований CAD-код, K3.1 Pro набирає 92,7% з інструментами проти 96,2% у Opus 5.5 та 95,9% у Astra. Достатньо близько, щоб різниця малоймовірно вирішувала долю проєкту. На OfficeQA Pro v2, який охоплює багатокроковий аналіз фінансових документів, показник становить 64,4. Демо, яке я постійно згадую, — це walking simulator: побудований на human-atlas, відкритій анатомічній моделі з 296 кістковими компонентами (включно з хрящами) та 402 м’язовими компонентами, на 167 місіях і 420 незалежних оглядах, агент змусив симульовану людину піти від падіння за секунди до безперервного ходьби протягом 11,2 секунд. Коли формування винагороди застрягло на руках, він запустив open-loop-проби симулятора та знайшов 36 помилок у розрахунках плечей моментів м’язів плеча.
Остання деталь — і є справжня історія тут. Не таблиця бенчмарків. Модель, яка діагностує, що її функція винагороди неправильна, і шукає баг у фізиці, робить щось інше, ніж модель, яка просто набирає високі бали.
4 листопада — дата. До того корисна робота — це арифметика: який рівень квантування влізе, скільки KV-кешу з’їдає вікно 1M на довжинах послідовностей, які я фактично використовую, і чи тримається пропускна здатність, коли контекст повний, а не порожній. Я виконаю цей розрахунок до появи посилання на завантаження.