На картеMoonshot AI представила в X Kimi K3.1 Pro — самую сильную свою модель с открытыми весами. Это MoE-модель класса 3T: 2,8 трлн параметров всего и 104 млрд активных, контекст на миллион токенов, на вход принимает не только текст. Вместе с ней вышла K3.1 Pro Highspeed, которая работает в 2–3 раза быстрее.
Обе версии уже доступны в Kimi.ai, Kimi Work, Kimi Code и через Kimi API. Веса компания обещает выложить до 4 ноября 2026 года.
По техническому блогу, K3.1 Pro — это Kimi K3 с заметно более тяжёлым пост-обучением: команда перестроила RL-инфраструктуру и обучала модель одновременно на сотнях прикладных областей.
Moonshot выделяет три направления:
- Код целыми проектами: от правок в рабочем репозитории до игр на Unreal Engine, Unity и Godot.
- Параметрическое 3D-моделирование. Модель сама пишет и запускает скрипты для Blender и CAD, собирает и правит детали, мебель, архитектурные модели.
- Финансовые задачи: модели, исследования, разбор отчётности. Цифра «минус 65% галлюцинаций» из анонса взята с внутреннего стресс-теста: доля ошибочных утверждений упала с 23,4% у K3 до 8,3%. Команда оговаривает, что тест специально собран из трудных случаев и не отражает частоту ошибок в обычной работе.
В сравнении с закрытыми моделями K3.1 Pro держится рядом с лидерами. На Terminal-Bench 4.0 у неё 65,7% — больше, чем у GPT-6 Astra (58,2%), и чуть меньше, чем у Claude Opus 5.5 (66,4%). На BenchCAD с инструментами — 92,7% против 96,2% у Opus 5.5. Все цифры приводит сама Moonshot, независимых замеров пока нет.
Отдельный раздел блога посвящён кибербезопасности. Перед открытым релизом из обучающих данных убрали материалы о поиске и эксплуатации уязвимостей. На внутреннем бенчмарке xdev-bench-hard версия без такой очистки решала 90,5% задач, финальная — 81%. По оценке Moonshot, в этой области модель уступает закрытым флагманам, которые вышли как минимум три месяца назад.
Следующий шаг
Если вы выбираете, на какой модели держать агентов и стоит ли переносить часть задач на открытые веса, это удобнее разобрать на ваших сценариях и бюджете.
Если захотите обсудить, как это применить у себя или в команде — пишите в Telegram @pimenov
