Kimi K3.1 Pro tvrtke Moonshot koketira s vodećom pozicijom među modelima s otvorenim težinama usred optužbi o skandalu s plaćenim influencerima
Moonshot je u petak predstavio Kimi K3.1 Pro, novi veliki jezični model s tri bilijuna parametara. Riječ je o naknadno treniranoj inačici modela Kimi K3, koji je objavljen u srpnju. Prema dostupnim rezultatima, ovaj bi model mogao postati vodeći svjetski model s otvorenim težinama kada Moonshot objavi težine pod otvorenom licencom, što je najavljeno za 4. studenoga 2026.
Na indeksu inteligencije tvrtke Artificial Analysis Kimi K3.1 Pro svrgnuo je Xiaomijev MiMo-V2.6-Pro, DeepSeek V4.1-Flash-1017, Metin Muse Wonder i OpenAIjev GPT-6 Astra. Model se ističe u složenom kodiranju, financijskoj analizi, 3D stvaranju i radu na softverskoj sigurnosti. Najveća poboljšanja pokazuje u zadacima koji traže ponovljeno kodiranje, korištenje alata, otklanjanje pogrešaka i reviziju. Zasad je dostupan preko aplikacija i razvojnog API-ja, a cijene su mu upola niže od Claudea Opusa 5.5 i Metinog Muse Wondera, dok su DeepSeek i Xiaomi i dalje jeftiniji. Model je istodobno postao i predmet navodnog skandala s plaćenim influencerima na mreži X.
Kontekst
Modeli s otvorenim težinama omogućuju da se istrenirani parametri objave pod licencom koja dopušta daljnje korištenje, za razliku od zatvorenih modela. Benchmarkovi su vanjska mjerila na kojima se modeli uspoređuju, a API je programsko sučelje preko kojeg razvijatelji pristupaju modelu. Kod agentskih zadataka model ne odgovara samo na pitanje, nego izvodi niz radnji. Cijene se izražavaju po milijunu tokena, a predmemorirani ulazni tokeni imaju posebnu tarifu. Moonshotove usporedbe sastavljene su od vlastitih testiranja i izvana objavljenih rezultata, uz razlike u agentskom softveru i uvjetima evaluacije, pa nisu jedno kontrolirano natjecanje glava-na-glava.
Ključne brojke
Kimi K3.1 Pro ima tri bilijuna parametara, a objava težina planirana je za 4. studenoga 2026. Na AutomationBench-AA evaluator navodi 73% prema 70% u korist Kimija, a na GDP.pdf 31% prema 26%. Opus prednjači na Humanity’s Last Exam s 61% prema 52% i na CritPtu s 32% prema 25%. Na drugim testovima Kimi raste s 47% na 52% na Humanity’s Last Exam, s 23% na 25% na CritPtu i s 59% na 61% na SciCodeu. U Moonshotovoj usporedbi Kimi zaostaje 30 bodova za Astrom i 25,2 boda za Opusom na Science rezultatu. API stoji 2 dolara po milijunu ulaznih tokena, 10 dolara po milijunu izlaznih i 0,20 dolara za predmemorirani ulaz. Highspeed inačica košta 4 dolara za ulaz i 20 dolara za izlaz.
Standardni Kimi je 50% jeftiniji od Opusa 5.5 i Muse Wondera te 80% jeftiniji od Astronovih osnovnih tarifa, ali nema popust prema Sonnetu 5.5, koji na širokom indeksu inteligencije ima jedan bod više.
Što to znači
Za razvojne timove terminalni rezultat čini Kimi vrijednim provjere na održavanju repozitorija, otklanjanju pogrešaka i tijekovima koji izmjenjuju pregled datoteka, uređivanje koda, pokretanje testova i reakcije na padove. Rezultat na poslovnom softveru podupire testiranje agenata koji izvode više povezanih operacija. To su smjernice za odabir pilot-projekata, a ne jamstva za vlastite aplikacije. Podjela rezultata ide u prilog odabiru prema radnom opterećenju, umjesto tretiranja ukupnog poretka kao univerzalnog. Dokazi više upućuju na bolje izvršavanje zadataka nego na jednako velik skok u svakoj vrsti zaključivanja.
Za znanstveno-računalne timove Science je razlog da u evaluaciji zadrže alternative.
Što slijedi
Ključni datum je 4. studenoga 2026., kada Moonshot planira objaviti težine pod otvorenom licencom. Do tada će model ostati dostupan preko aplikacija i API-ja, a vanjski evaluatori nastavit će usporedbe. Ostaje vidjeti kako će se najavljeni rezultati potvrditi i hoće li navodni skandal s influencerima utjecati na percepciju modela.