ИИтог

Kimi K3.1 Pro: опубликованы открытые веса мультимодальной модели с контекстом 1 млн токенов

моделиРедакция ИИтогHacker News🔥83Рейтинг ИИтог83Влияние80Новизна65Релевантность100Неожиданность55Участники60Достоверность85
Kimi K3.1 Pro: опубликованы открытые веса мультимодальной модели с контекстом 1 млн токенов

В организации moonshotai на Hugging Face опубликованы карточка и открытые веса Kimi K3.1 Pro. Разработчики называют её открытой, нативно мультимодальной агентной моделью и своей самой мощной моделью «класса 3T» на сегодня (точное число параметров в доступном тексте не указано). Контекстное окно, 1 млн токенов.

Модель дообучена из Kimi K3 с помощью масштабного совместного обучения с подкреплением по сотням прикладных областей и стала первой в серии K3.1. По заявлению разработчиков, она заметно сильнее в программировании, создании 3D-контента, финансовых исследованиях, фактической точности и других агентных задачах; конкретных цифр в доступном тексте нет.

Из архитектурных изменений в карточке названо одно: по сравнению с Kimi K3 слои полного внимания Gated MLA заменены на слои Gated DeepSeek Sparse Attention (Gated DSA), чтобы эффективнее работать с длинным контекстом.

Большая часть карточки, сноски к оценке. Если не оговорено иное, все результаты K3.1 Pro получены при максимальном уровне рассуждения (reasoning effort max), температуре 1.0 и top-p 0.95. Сноски описывают набор тестов: по программированию (Terminal-Bench 4.0, Terminal-Bench-Science 0.1, SWE-Marathon v1.1, ProgramBench, DeepSWE v1.1, PostTrainBench, внутренние Kimi Code Bench 2.0 и 3.0 Long-horizon, BenchCAD), по агентным задачам (BioMysteryBench, Agents' Last Exam, OfficeQA Pro, Frontier Finance, Harvey Legal Agent, OSWorld V2.1, DECK-Arena и Design Bench, BrowseComp и другие), по рассуждению, знаниям и мультимодальности (GDP.pdf, HLE-Full и HLE-Diamond, MMMU-Pro, PerceptionBench, внутренний Kimi Hallucination Benchmark) и по кибербезопасности (ExploitBench, ExploitGym, xdev-bench-hard). Сами таблицы с баллами в доступном тексте отсутствуют, так что заявления о превосходстве над конкретными моделями проверить нельзя.

Значимые детали методики из сносок. Для большинства программистских и агентных тестов K3.1 Pro запускали через обвязку Claude Code (для части задач, через Kimi Code). В Terminal-Bench-Science в таблице указан результат 15.7 для более старой DeepSeek-V4.1-Flash с официального лидерборда, а не внутренняя оценка DeepSeek-V4.1-Flash-1017 (9.3). В ProgramBench задача засчитывается как 1, если балл не ниже 95%. В BrowseComp сжатие контекста включается на 200K токенов, максимум, 500 шагов. В ExploitBench у K3.1 Pro бюджет 300 ходов, в ExploitGym, шесть часов на задачу. Для HLE полные наборы содержат 2 500 и 1 000 вопросов; значения со звёздочкой считаны по текстовому подмножеству. Для Harvey Legal Agent взяты 1 251 публичная задача, а итог, доля задач, прошедших все критерии рубрики.

Доступ через API: платформа platform.kimi.ai, имя модели kimi-k3.1-pro, API совместим с форматами OpenAI и Anthropic. Уровень рассуждения задаётся полем reasoning_effort со значениями low, high и max (по умолчанию max). В многошаговых диалогах и при вызове инструментов нужно возвращать в messages полное сообщение ассистента как есть, включая reasoning_content и tool_calls, а не только content. На странице также есть инструкции запуска через Transformers, vLLM, SGLang и Docker Model Runner.

Ключевые факты

  • Kimi K3.1 Pro, открытая нативно мультимодальная агентная модель «класса 3T» с контекстом 1 млн токенов; веса опубликованы на Hugging Face в организации moonshotai.
  • Первая модель серии K3.1: дообучена из Kimi K3 обучением с подкреплением по сотням прикладных областей; слои Gated MLA заменены на Gated DeepSeek Sparse Attention.
  • Разработчики заявляют улучшения в программировании, 3D, финансовых исследованиях и фактической точности, но таблиц с баллами в доступном тексте нет.
  • Оценки сняты при reasoning effort max, температуре 1.0 и top-p 0.95; часть тестов внутренняя (Kimi Code Bench, Kimi Hallucination Benchmark), многие прогнаны через Claude Code.
  • API: kimi-k3.1-pro на platform.kimi.ai, совместим с OpenAI и Anthropic; reasoning_effort принимает low, high, max, а сообщения ассистента нужно возвращать целиком.

Почему это важно

Выход открытых весов у модели класса 3T с контекстом в 1 млн токенов и нативной мультимодальностью, заметное событие для открытого сегмента: такие модели обычно доступны только через закрытые API. Кроме того, карточка показывает, что в серии K3.1 разработчики сменили механизм внимания на Gated DeepSeek Sparse Attention ради более эффективной работы с длинным контекстом. Оценить, насколько модель сильнее предшественницы и конкурентов, по доступному тексту нельзя: таблиц с результатами в нём нет.

Кому это важно

Разработчикам агентных систем и программистским ассистентам, командам, которые работают с длинными документами и изображениями, и тем, кто следит за открытыми моделями и хочет сравнить их с закрытыми. Также интересно исследователям, занимающимся методикой оценки: сноски подробно описывают обвязки, бюджеты шагов и источники чужих результатов.

Как это применить

Опробовать модель можно через API на platform.kimi.ai (имя kimi-k3.1-pro, форматы OpenAI и Anthropic) или запустить веса самостоятельно: на странице приведены инструкции для Transformers, vLLM, SGLang и Docker Model Runner. Уровень рассуждения задаётся полем reasoning_effort (low, high, max; по умолчанию max). В диалогах с инструментами возвращайте в messages сообщение ассистента целиком, включая reasoning_content и tool_calls. Требования к оборудованию, лицензия и цены API в доступном тексте не указаны, смотрите их на самой странице модели.

Можно ли доверять

Источник, карточка модели от самих разработчиков, то есть заявления об улучшениях не независимы. Часть оценок опирается на внутренние тесты (Kimi Code Bench 2.0 и 3.0 Long-horizon, Kimi Hallucination Benchmark), а чужие результаты в таблицах взяты из технических отчётов, системных карт и лидербордов, а не пересчитаны. Сноски сами оговаривают несопоставимость: Elo и другие метрики нельзя напрямую сравнивать с точностью, а при тестировании проприетарных моделей возможно резервное поведение (fallback). Сами таблицы с баллами в доступном тексте отсутствуют.

Риски и подводные камни

Сравнения в карточке получены в разных обвязках: у K3.1 Pro чаще Claude Code или Kimi Code, у других моделей, свои, а часть цифр взята из чужих отчётов. В Terminal-Bench-Science в таблице стоит результат более старой DeepSeek-V4.1-Flash, а не новой. Для PostTrainBench оценка шла на GPU H20 вместо H100 и с изменённой моделью-судьёй. Для практического запуска важно, что в доступном тексте не указаны лицензия, число параметров, требования к железу и список рекомендуемых движков вывода. Если не возвращать сообщение ассистента целиком, многошаговые диалоги и вызовы инструментов будут работать не так, как требует модель.