Moonshot представила Kimi K3.1 Pro, обошедшую модели OpenAI в рейтинге ИИ

Китайская лаборатория Moonshot AI представила Kimi K3.1 Pro, усовершенствованную версию Kimi K3, прошедшую дополнительное обучение с увеличенными вычислительными затратами. В рейтинге Artificial Analysis Intelligence Index новинка получила 55 баллов, улучшив результат предшественницы на 11 баллов. Это позволило ей занять четвёртое место и опередить все модели OpenAI, представленные в рейтинге.

Выше расположились Claude Opus 5.5 с 58 баллами, а также Claude Sonnet 5.5 и Meta Muse Wonder Full, набравшие по 56 баллов. Moonshot AI планирует опубликовать веса Kimi K3.1 Pro 4 ноября. Если позиции конкурентов к этому моменту не изменятся, она станет лидером среди моделей с открытыми весами, а их отставание от проприетарных систем сократится с 12 до 3 баллов.

Одновременно разработчик выпустил Kimi K3.1 Pro Highspeed, которая работает в два или три раза быстрее основной версии. Обе доступны через Kimi.ai, Kimi Work, Kimi Code и API.

Самый заметный прирост новая модель продемонстрировала в задачах, требующих самостоятельного выполнения последовательности действий. В GDPval-AA она получила рейтинг Эло 1846, превысив результат K3 на 312 баллов. Впереди остались только Claude Opus 5.5 с 1866 баллами и Wonder Full с 1857 баллами. В Terminal-Bench 4.0 результат вырос с 13 % у K3 до 65,7 %. Для сравнения, GPT-6 Astra набрала 58,2 %, а Claude Opus 5.5 получила 66,4 %.

Во внутреннем стресс-тесте Kimi Hallu Bench Hard доля ошибочных ответов снизилась с 23,4 до 8,3 %. Moonshot подчёркивает, что этот показатель нельзя считать общей частотой ошибок модели. GPT-6 Astra в том же испытании показала более низкую долю галлюцинаций, составившую 5,5 %.

В финансовом моделировании Kimi K3.1 Pro прибавила 7,2 балла, а в финансовых исследованиях улучшила результат на 11,6 балла. По утверждению разработчика, в тесте офисных задач OfficeQA Pro v2 модель опередила всех конкурентов.

Kimi K3.1 Pro также может напрямую работать с Unity, Unreal Engine и Godot, исправлять проекты и запускать их сборку. В BenchCAD с дополнительными инструментами она набрала 92,7 %, приблизившись к Claude Opus 5.5 с 96,2 % и GPT-6 Astra с 95,9 %. Без инструментов результат составил 72,8 %, практически сравнявшись с 73 % у Claude Opus 5.5.

Лучше всего модель справляется с параметрическим моделированием механических деталей и архитектурных объектов. Она способна создавать и выполнять скрипты для Blender и CAD-программ без MCP-коннекторов. На Kimi.com появилась функция 3D Make для просмотра, редактирования и экспорта трёхмерных моделей.

Архитектура сохранила масштаб K3: всего 2,8 трлн параметров, из которых при работе активируются 104 млрд. Контекстное окно вмещает 1 млн токенов, поддерживаются текст и изображения. По данным Artificial Analysis, модель находится на границе Парето и показывает самый высокий Intelligence Index среди систем сопоставимого размера.

Стоимость использования снизилась примерно на треть. Миллион входных токенов теперь стоит $2 вместо $3, выходных составляет $10 вместо $15, а кешированных входных токенов стоит $0,20 вместо $0,30. Выполнение одной задачи Intelligence Index обходится в $1,98 против $2 у K3, хотя новая модель генерирует на 14 % больше выходных токенов.

Отдельное внимание Moonshot уделила возможностям в области кибербезопасности. По мере увеличения масштабов пост-обучения модель лучше справлялась с поиском уязвимостей. Соответствующие материалы входили в обучающие данные, а профильные задачи использовались при обучении с подкреплением.

Для версии с открытыми весами лаборатория исключила данные по кибербезопасности на обоих этапах обучения. В результате показатель в xdev-bench-hard снизился с 90,5 до 81 %. Этот внутренний тест включает задачи, связанные с недавно обнаруженными уязвимостями Linux, Node.js и JavaScriptCore. DeepSeek-V4.1-Flash получила в нём 85,7 %, а Kimi K3 набрала 33,3 %.

В Moonshot считают, что публикация весов не должна расширять доступные возможности для кибератак. При этом лаборатория намерена постепенно развивать открытые модели, учитывая их пользу для защиты, включая анализ устаревших систем. Ранее Anthropic показала, что китайская Z.ai GLM-5.3 с результатом 45 баллов в AA Index способна создавать эксплойты, сопоставимые по сложности с разработками Claude Mythos.