Moonshot uvedl Kimi K3.1 Pro, model zaměřený na dlouhé agentní úlohy při vývoji softwaru, parametrickém 3D modelování a finančních analýzách. Spojuje kontextové okno o velikosti milionu tokenů s vícekrokovým používáním nástrojů, aby mohl pracovat s rozsáhlými podklady a provádět navazující kroky v editorech, příkazové řádce či specializovaných aplikacích.
Stejný architektonický základ, důraz na práci s nástroji
K3.1 Pro navazuje na architektonický základ původního Kimi K3. Používá transformer typu mixture-of-experts s celkem 2,8 bilionu parametrů, z nichž se při zpracování každého tokenu aktivuje 104 miliard. Nová verze klade důraz na agentní postupy, při nichž model v několika krocích pracuje s příkazovou řádkou, upravuje obsah v editoru, používá testy a pracuje s oborovými aplikacemi.
Kontextové okno pojme jeden milion tokenů a model nativně podporuje multimodální vstupy. Dlouhý kontext je určen například pro rozsáhlé softwarové repozitáře, firemní výkazy nebo sbírky přepisů.
V terminálovém testu mezi GPT-6 Astra a Claude Opus 5.5
Ve srovnání zveřejněném Moonshotem získal Kimi K3.1 Pro v Terminal-Bench 4.0 skóre 65,7 %. Překonal v něm GPT-6 Astra s 58,2 %, ale zůstal za Claude Opus 5.5, který dosáhl 66,4 %. Výsledek Kimi pochází z běhu v prostředí Kimi Code.
Terminal-Bench 4.0 prověřuje agenty při úlohách v příkazové řádce s omezenými prostředky. V izolovaném prostředí musí procházet repozitáře, měnit soubory, spouštět příkazy a řešit vzniklé chyby. Skóre může výrazně ovlivnit testovací prostředí, které řídí volání nástrojů, opakované pokusy i správu kontextu.
Od herních enginů po parametrické CAD modely
Moonshot přizpůsobil model práci s herními enginy Unreal Engine a Unity; mezi podporované aplikace patří také Godot a Blender. Další oblastí je CAD software. Zamýšlený pracovní postup zahrnuje vytváření digitálních prvků a jejich sestavování do scén, na které má navazovat animace a vykreslování.
Pro tuto oblast firma zveřejnila výsledky testu BenchCAD, který hodnotí rekonstrukci 3D objektů podle pohledů z více úhlů pomocí generovaného CAD kódu. Podle Moonshotu dosáhl K3.1 Pro v konfiguraci s nástroji 92,7 %. V tomto srovnání tedy za oběma uvedenými konkurenty zaostal: Claude Opus 5.5 získal 96,2 % a GPT-6 Astra 95,9 %.
Finanční modely s propojenými výkazy a dohledatelnými vzorci
Ve finančních demonstracích Moonshot předvedl model ocenění Nvidie metodou diskontovaných peněžních toků a model pákového odkupu. Obsahovaly propojené výkazy a dohledatelné vzorce. Dalšími ukázkami byly prezentace o CATL určená investičnímu výboru a zpráva o odvětví kvantových počítačů s citacemi zdrojů.
V interních hodnoceních firmy se K3.1 Pro proti K3 zlepšil o 7,2 bodu ve finančním modelování a o 11,6 bodu ve finančním výzkumu. V simulovaných podnikových operacích podle Moonshotu dosáhl přibližně 4,2násobku skóre předchozí verze.
Moonshot dále uvádí skóre 64,4 v OfficeQA Pro v2, které označuje za nejlepší dosavadní výsledek. Pro finanční úlohy také tvrdí, že snížil výskyt halucinací o 65 %.
Přístup přes Kimi Work, Kimi Code a API
Při uvedení je model dostupný třemi cestami. Kimi Work slouží k práci s dokumenty a tabulkami, zatímco Kimi Code poskytuje prostředí pro vývoj softwaru z příkazové řádky. Třetí možností přístupu je Kimi API.
Pro interaktivní úlohy a vyšší propustnost je určena varianta K3.1 Pro Highspeed. Moonshot u ní uvádí dvakrát až třikrát rychlejší inferenci.
Zveřejnění vah Moonshot plánuje přibližně do dvou týdnů od uvedení modelu. Možnost provozovat jej na vlastní infrastruktuře závisí na tomto pozdějším vydání.
