Kiinalainen Moonshot AI julkaisi perjantaina Kimi K3.1 Pron, uuden K3.1-sarjansa ensimmäisen mallin. Kyseessä on heinäkuussa julkaistun Kimi K3:n jatkokoulutettu versio, jonka yhtiö asemoi suoraan Anthropicin ja OpenAI:n kärkimalleja vastaan koodauksessa, agenttityössä ja tiedonhaussa.
Malli on jo käytettävissä Kimi.ai-palvelussa, Kimi Codessa ja rajapinnan kautta. Avoimet painot Moonshot lupaa julkaista marraskuun alussa. Hinta laski samalla selvästi edeltäjästä, mikä tekee mallista kiinnostavan vaihtoehdon kehittäjille, jotka ajavat pitkiä agenttitehtäviä.
Biljoonaluokan malli, josta vain murto-osa on käytössä
Kimi K3.1 Pro on Mixture of Experts (MoE) -malli, eli se koostuu suuresta joukosta erikoistuneita osaverkkoja. Parametreja on yhteensä noin 2,8 biljoonaa, mutta kutakin sanaketjun osaa kohden aktivoituu vain 104 miljardia. Mallissa on 896 asiantuntijaverkkoa, joista kerrallaan käytössä on 16.
Pohja-arkkitehtuuri on peräisin K3:sta. Siihen kuuluu Moonshotin oma Kimi Delta Attention, joka keventää huomiomekanismin muistinkulutusta pitkissä syötteissä. Konteksti-ikkuna on miljoona tokenia, ja malli ottaa vastaan tekstiä, kuvia ja videota.
Uutta on ennen kaikkea jälkikoulutus. Moonshot kertoo käyttäneensä siihen huomattavasti aiempaa enemmän laskentaa ja ajaneensa vahvistusoppimista satojen eri tehtäväalueiden yli yhtä aikaa. Tätä varten yhtiö joutui uudistamaan koulutuskehyksensä, hiekkalaatikkoympäristönsä ja pitkien syötteiden päättelyn.
Koko on myös käytännön kysymys. K3:n kohdalla Moonshot suositteli ajamista vähintään 64 kiihdyttimen supersolmuissa MXFP4-tarkkuudella. Kyse ei siis ole mallista, jonka yritys pyörittää yhdellä näytönohjaimella omassa konesalissaan.
Koodauksessa kärjen tuntumassa, tieteessä selvästi jäljessä
Moonshotin omien mittausten mukaan K3.1 Pro saa Terminal-Bench 4.0 -testissä 65,7 prosenttia. Claude Opus 5.5 yltää samassa vertailussa 66,4 prosenttiin, joten ero on alle prosenttiyksikön. Pitkiä ohjelmointitehtäviä mittaavassa SWE-Marathonissa Kimi on yhtiön taulukossa kärjessä luvulla 51,7, kun Opus 5.5 saa 46,3.
Useimmat luvut on ajettu Claude Code -ympäristössä suurimmalla päättelytasolla. Se kertoo, että Moonshot tavoittelee nimenomaan kehittäjiä, jotka käyttävät jo valmiita koodausagentteja ja voivat vaihtaa mallia niiden alla.
Heikkous näkyy tieteellisissä terminaalitehtävissä. Terminal-Bench Science -testissä K3.1 Pro saa 38,1 pistettä, kun GPT-6 Astra yltää 68,1:een ja Opus 5.5 63,3:een. Kaikki luvut ovat Moonshotin itse raportoimia, ja osa vertailuista perustuu yhtiön sisäisiin testeihin.
Yhtiön sisäisessä Kimi Code Bench 3.0 -testissä, joka mittaa pitkäkestoista ohjelmointia, tulos nousi K3:n 55,95 pisteestä 61,2 pisteeseen. Parannus näkyy juuri niissä tehtävissä, joissa agentti joutuu ylläpitämään suunnitelmaa satojen työvaiheiden ajan.
Vähemmän hallusinaatioita ja tarkoituksella rajatut kyberkyvyt
Moonshot nostaa esiin luotettavuuden parantumisen. Yhtiön sisäisessä Kimi Hallu Bench Hard -testissä väitetason hallusinaatioiden osuus laski K3:n 23,4 prosentista 8,3 prosenttiin. GPT-6 Astra pärjää samassa testissä yhä paremmin 5,5 prosentin tuloksella.
Talousanalyysissä malli raportoi kärkituloksen 64,4 OfficeQA Pro v2 -testissä. 3D-mallinnuksessa, jossa geometria kuvataan koodina, se saa BenchCAD-testissä 92,7 pistettä, noin neljä pistettä Opus 5.5:n ja Astran alapuolella.
Tietoturvan osalta Moonshot teki tietoisen rajauksen. Yhtiö poisti kyberturvallisuuteen liittyvän aineiston jälkikoulutuksesta, koska malli julkaistaan avoimin painoin. Sisäisessä hyökkäystehtävien testissä suodattamaton versio ratkaisi 90,5 prosenttia tehtävistä, julkaistu malli 81 prosenttia.
Hinta ja käyttöönotto kehittäjille
Rajapinnassa K3.1 Pro maksaa kaksi dollaria miljoonalta syötetokenilta ja kymmenen dollaria miljoonalta tulostetokenilta. Välimuistiosumat maksavat 0,20 dollaria. K3:n hinnat olivat kolme ja viisitoista dollaria, joten pudotus on noin kolmannes.
Rinnalle julkaistiin Highspeed-versio, joka Moonshotin mukaan toimii kahdesta kolmeen kertaa nopeammin kaksinkertaiseen hintaan. Rajapinta on OpenAI-yhteensopiva, joten olemassa olevien työkalujen siirtäminen vaatii lähinnä mallitunnuksen vaihdon.
Käytössä on muutama rajoitus. Päättelytila on aina päällä, lämpötila on lukittu ja kuvat on lähetettävä base64-muodossa tai ladattuina tiedostoina. Itse ajaminen ei onnistu ennen painojen julkaisua, ja silloinkin 2,8 biljoonan parametrin malli vaatii usean palvelinsolmun klusterin.
Moonshot muistuttaa lisäksi, että koodausagentin on palautettava mallille koko edellinen vastaus päättelyhistorioineen. K3:n kohdalla historian karsiminen teki tuloksista epävakaita, joten agenttikehyksen asetukset kannattaa tarkistaa ennen siirtymistä.
Yhteenveto
Kimi K3.1 Pro kaventaa kiinalaisten ja yhdysvaltalaisten kärkimallien eroa ohjelmoinnissa lähes olemattomaksi ainakin valmistajan omissa mittauksissa. Samalla hinta laskee kolmanneksella, mikä painaa pitkissä agenttiajoissa, joissa tokeneita kuluu miljoonia.
Ratkaisevaa on, pitävätkö luvut riippumattomissa testeissä ja julkaiseeko Moonshot painot lupauksensa mukaisesti marraskuussa. Tieteellisissä tehtävissä malli jää yhä selvästi jälkeen, joten se sopii parhaiten ohjelmistokehitykseen ja dokumenttipainotteiseen analyysiin.