Moonshot AI представила Kimi K3.1 Pro 23 октября. Это первая модель серии K3.1 и дообученная версия Kimi K3 с контекстом 1 млн токенов: в анонсе Moonshot есть архитектура, полная таблица бенчмарков и тарифы API.
Коротко о главном. Модель сильна там, где можно ходить в инструменты: агентные пайплайны, веб-поиск, разбор документов, длинные инженерные задачи. Там, где ответ нужно достать из внутренних знаний без поиска и запуска кода, K3.1 Pro конкурентам уступает. Отдельная история - кибернавыки: Moonshot сама ограничила способность модели искать и эксплуатировать уязвимости, и на внутреннем тесте это стоило примерно 10 пунктов.
Габариты: MoE на 2,8 трлн параметров, из которых на каждый токен работают 104 млрд. Это не модель для домашнего сервера. Полные веса обещаны не позднее 4 ноября, лицензия на момент анонса не объявлена.
Что такое Kimi K3.1 Pro и чем она отличается от K3
Архитектура унаследована от K3. Ставка сделана на постобучение: вычислений на этом этапе потрачено заметно больше, а обучение с подкреплением шло сразу по сотням прикладных областей. Отсюда и профиль результатов: модель тренировали доводить задачу до конца в рабочем сценарии, а не только выдавать аккуратный ответ на общий вопрос.
Вход: текст, изображения и видео. Выход: только текст. Контекст 1 млн токенов пригодится в пайплайнах, куда в промпт приезжает длинная история правок, документация и логи прогонов.
Архитектура: 2,8 трлн параметров MoE и 104 млрд активных
MoE (mixture of experts) устроена так: внутри модели живёт большой набор экспертных подсетей, а маршрутизатор на каждом токене выбирает небольшую их часть. Общий пул параметров у K3.1 Pro огромный, 2,8 трлн, но в вычислении одного токена участвуют 104 млрд. Отсюда типичная путаница: «активных всего 104 млрд» звучит как модель среднего размера. Для скорости инференса это и правда ближе к средним моделям, а для памяти нет: держать в памяти нужно весь пул весов.
Поэтому число активных параметров не превращает K3.1 Pro в кандидата на домашний запуск. Устройство K3, включая схему экспертов и гибридное внимание, разобрано в отдельном материале по архитектуре.
Всегда включённые рассуждения и параметр reasoning_effort
Отключить режим рассуждений нельзя. Глубину задаёт параметр reasoning_effort с тремя значениями: low, high и max. По умолчанию стоит max.
Практический смысл: дефолт выжимает качество, но каждое размышление оплачивается исходящими токенами. На простых задачах вроде переписывания абзаца или извлечения поля из JSON режим max добавляет в основном счёт. Независимых замеров расхода токенов на момент публикации нет, так что бюджет придётся считать по своим прогонам.
Где доступна Kimi K3.1 Pro и сколько стоит API
Каналы доступа:
- Kimi.ai и мобильные приложения Kimi для iOS, Android и HarmonyOS;
- Kimi Work, десктопное приложение для Windows и Mac на Apple silicon, нужна версия 3.1.0 или новее;
- Kimi Code, модель выбирается командой /model;
- API с идентификаторами
kimi-k3.1-proиkimi-k3.1-pro-highspeed.
В корпоративной версии Kimi модель по умолчанию выключена, включить её должен администратор.
Цены: $2 за миллион входящих токенов и $10 за миллион исходящих, кешированный вход стоит $0,20. Highspeed обходится ровно вдвое дороже: $4 и $20. Для сравнения, K3 стоила $3 и $15, то есть новая модель подешевела на треть (тарифы API и таблица бенчмарков).
Как reasoning_effort и Highspeed влияют на счёт
Рычагов три. Первый: reasoning_effort. Значение max по умолчанию означает больше исходящих токенов на каждый ответ, а исходящие стоят в пять раз дороже входящих. Второй: выбор Highspeed. Он вдвое дороже и, по заявлению компании, в 2-3 раза быстрее: для интерактивных сценариев разумно, для ночных пакетных задач сомнительно. Третий: кеширование входа за $0,20. Длинный системный промпт, инструкция агента или общий кусок документации в кеше снижают цену повторных обращений к тем же токенам в десять раз относительно обычного входа.
Одна оговорка по бюджету: по данным того же разбора, цена $2/$10 совпадает с промо-ценой Gemini 4 Argon, которая с 1 декабря удвоится. Прямое сравнение стоимости на этом фоне быстро устареет.
Бенчмарки: где Kimi K3.1 Pro действительно лидирует
Почти все цифры в этом разделе - данные самой Moonshot. Единственная независимая точка отсчёта - индекс Artificial Analysis: 55 баллов и четвёртое место, на 11 баллов больше, чем у K3. Там же указано, что после выкладки весов модель станет сильнейшей открытой.
| Бенчмарк | K3.1 Pro | Лучший конкурент |
|---|---|---|
| SWE Marathon v1.1 | 51,7 | Claude Opus 5.5, 46,3 |
| HLE-Full с инструментами | 70,0 | Claude Opus 5.5, 67,7 |
| BrowseComp | 92,1 | GPT-6 Astra, 91,5 |
| Agents' Last Exam | 43,2 | Claude Opus 5.5, 42,6 |
| OfficeQA Pro v2 | 64,4 | Claude Opus 5.5, 62,2 |
SWE Marathon, BrowseComp и Agents' Last Exam: что эти тесты меряют
Названия мало что говорят человеку вне бенчмарк-тусовки, а вес победы зависит от класса задачи. SWE Marathon проверяет длинные многошаговые инженерные сценарии: модель ведёт работу по этапам, а не выдаёт один ответ. BrowseComp - про веб-поиск и навигацию по источникам: найти, отфильтровать, сверить. Agents' Last Exam оценивает длинные агентные последовательности действий. OfficeQA Pro v2 ближе к офисной работе с документами и вычислениями. HLE-Full с инструментами замеряет ответы на сложные вопросы с опорой на внешние средства: поиск, код, файлы.
Общий знаменатель у всех пяти один: у модели есть чем подкрепить ответ. Именно этот класс задач K3.1 Pro и вытягивает. Детальных протоколов прогонов в анонсе нет, поэтому сравнивать тесты между собой по сложности стоит осторожно.
Почему победы с отрывом в 0,6 пункта - это не победа
Посчитаем разрывы. Agents' Last Exam: 43,2 против 42,6, отрыв 0,6 пункта. BrowseComp: 92,1 против 91,5, снова 0,6. OfficeQA Pro v2: 64,4 против 62,2, два с лишним пункта. На таких дистанциях результат гуляет от формулировок промпта, числа прогонов и агентной обвязки. Настоящий отрыв виден в SWE Marathon v1.1, где 51,7 против 46,3 у Claude Opus 5.5 - это уже 5,4 пункта, и вот их интересно проверять независимо.
Второй момент методики: набор конкурентов выбрала сама Moonshot. В таблице соседствуют закрытые Claude Fable 5.1, GPT-6 Astra и Claude Opus 5.5, а также открытые DeepSeek-V4.1-Flash-1017 и GLM-5.3. Любой отчёт с таким составом участников показывает картину глазами его автора. Таблица в анонсе, к слову, обрывается на Terminal-Bench 4, данных по нему нет.
Где модель проигрывает: тесты «из головы» и ProgramBench
Провальные классы названы прямо: HLE без инструментов, HLE-Diamond и ProgramBench. Логика предсказуемая. Модель натаскивали на сценарии, где можно сходить и проверить, поэтому в задачах без доступа к поиску, выполнению кода или документам она слабее. Конкретных баллов по этим тестам в доступных материалах нет, так что масштаб отставания оценить нельзя. Сам факт отставания зафиксирован, величина - нет.
HLE без инструментов и HLE-Diamond: почему провал закономерен
HLE и HLE-Diamond проверяют ответы на очень трудные вопросы из внутренних знаний. Ставка на RL по прикладным областям и на инструментальные сценарии даёт перекос в сторону «сходи и уточни», а не «вспомни точно». Для модели, которую учили работать руками, это ожидаемое поведение, а не баг конкретного прогона.
Практический вывод: если ваша задача - викторина, фактологическая справка без веб-доступа или ответ на вопрос по редкой теме без источников, лидерства ждать не стоит. Дайте модели поиск, и картина поменяется.
ProgramBench: что это значит для кодогенерации
Тут важно развести два сценария. Агентная разработка с инструментами, где модель правит репозиторий, запускает тесты и читает ошибки, - сильная сторона K3.1 Pro, это видно по SWE Marathon v1.1. Генерация кода «с нуля» без опоры на окружение, которую меряет ProgramBench, - слабое место.
Рекомендация простая: держите модель в связке с запуском кода, линтерами и тестами. Как оракул, который пишет функцию по описанию и не проверяет результат, она проиграет тому же Claude Opus 5.5 чаще, чем хотелось бы.
Зачем Moonshot урезала кибернавыки и чем заплатила
Перед выкладкой весов компания сознательно притормозила одну способность: поиск и эксплуатацию уязвимостей. Ограничение вводили на этапах mid-training и RL. Это не отказ в системном промпте: из обучения убрали соответствующий материал, поэтому модель переучивалась без него.
xdev-bench-hard: что показывают 33% → 81% и минус 10 пунктов
Три числа складываются в понятную арифметику. У K3 на внутреннем xdev-bench-hard было 33%. У K3.1 Pro - 81%. Ограничение киберданных стоило примерно 10 пунктов (детали в разборе анонса). Если вычесть эти 10 пунктов, до фильтрации модель показывала бы около 91%; это оценка по разнице, а не отдельный замер. Оговорка по источнику: xdev-bench-hard - внутренний тест Moonshot, независимой проверки этих цифр нет.
Ещё один факт из того же сравнения: открытая DeepSeek-V4.1-Flash-1017 по этому тесту оказалась выше. Конкретных цифр в доступных материалах нет, так что величину отставания оценить нельзя, но сам факт стоит держать в голове при выборе модели под security-задачи.
Что это значит для тех, кто использует модель в security
Фильтрация снижает потолок, базу она не отменяет. Аудит кода, разбор CVE, анализ конфигураций и поиск типовых ошибок остаются рабочей нагрузкой для K3.1 Pro, особенно с инструментами. Если у вас red team или проверка с высокими требованиями к потолку, ориентируйтесь на DeepSeek-V4.1-Flash-1017: по заявленным цифрам она в этом классе выше.
Ждать «безопасной» модели не стоит. Урезание убирает часть навыка, но не превращает инструмент в безобидный: 81% на профильном тесте - это по-прежнему много.
Открытые веса: кому они реально нужны
Полные веса Moonshot обещает выложить не позднее 4 ноября. Лицензия на момент анонса не объявлена. До этой даты планы на самостоятельный запуск висят в воздухе: без условий лицензии нельзя оценить ни коммерческое использование, ни требования к атрибуции. Опыт K3 подсказывает, что ждать: после публикации появляются и разборы реальных требований к инференсу (анализ весов K3), и вопросы к полноте отчёта (разбор техотчёта K3).
Почему 2,8 трлн параметров - не про домашний запуск
104 млрд активных параметров на токен означают умеренную вычислительную нагрузку на каждом шаге. Память под веса считается от общего пула: 2,8 трлн параметров нужно где-то хранить целиком, а маршрутизатор обращается к разным экспертам в разных вызовах. Конкретных требований к VRAM и дискам в анонсе нет, прикидки «влезет ли в восемь видеокарт» до публикации весов бессмысленны.
Кому веса реально нужны: облачным провайдерам, которые добавят модель в каталог, и компаниям с жёстким требованием держать данные внутри периметра. Владельцам домашних AI-серверов проще взять API и смотреть на модели на порядки меньше: 2,8 трлн параметров на одной домашней машине не размещаются, сколько бы активных параметров ни было.
Лицензия не объявлена: что это значит на практике
Статус фиксируем честно: на момент анонса лицензия не объявлена. Любые планы на коммерческое развёртывание весов преждевременны, а решения стоит принимать после публикации условий. Тип лицензии не додумываем: открытые веса у Moonshot и раньше сопровождались отдельными оговорками, и что окажется в тексте на этот раз, неизвестно.
Kimi K3.1 Pro против конкурентов: когда брать, а когда нет
Брать: агентные пайплайны с инструментами, длинный контекст до 1 млн токенов, веб-исследования, разбор больших документов и репозиториев, сценарии, где нужен уверенный tool use. Не брать как единственную модель: задачи на закрытые знания без доступа к источникам, генерация кода без окружения, security-сценарии с высокими требованиями к потолку.
Сравнение идёт с Claude Fable 5.1, GPT-6 Astra и Claude Opus 5.5 из закрытых моделей и с DeepSeek-V4.1-Flash-1017 и GLM-5.3 из открытых. Набор участников выбрала сама Moonshot, и это влияет на картину: в чужой таблице редко оказываются модели, которые обгоняют автора на его же тестах. Как открытые модели в 2026-м подошли к закрытым, разбираем в отдельном материале.
Практический чек-лист перед переключением
- Есть ли у задачи доступ к инструментам: поиску, запуску кода, файлам. Без этого сильные стороны модели не включатся.
- Нужен ли контекст больше стандартного. 1 млн токенов оправдывает переезд в сценариях с большими репозиториями и документацией.
- Критична ли цена исходящих токенов при reasoning_effort=max. Для коротких ответов ставьте low и не платите за глубину, которая не нужна.
- Требуется ли держать данные у себя. Тогда ждите весов и лицензии, а не стройте бюджет на API.
- Насколько важна скорость: Highspeed вдвое дороже и, по заявлению компании, в 2-3 раза быстрее.
- Есть ли планка по security-задачам: тут выше DeepSeek-V4.1-Flash-1017.
Если по чек-листу набирается три и больше пунктов в пользу K3.1 Pro, начните с одного пилота на своём наборе задач и прогоните его на reasoning_effort=low и max: разница в расходе токенов сразу покажет, где дефолт работает на качество, а где просто на счёт.