Το κινεζικό Kimi K3.1 Pro πήγε από την όγδοη περίπου διαφορά στο ταμπλό των κορυφαίων σχεδόν στην πρώτη γραμμή: 55 βαθμοί στον Artificial Analysis Intelligence Index, 11 περισσότεροι από το Kimi K3, και τέταρτη θέση. Μπροστά του βρίσκονται μόνο το Claude Opus 5.5 με 58, το Claude Sonnet 5.5 με 56 και το Muse Wonder Full με 56, σύμφωνα με την Artificial Analysis, όπως μεταδίδει το The Decoder.
Η Moonshot AI περιγράφει το K3.1 Pro ως εκδοχή του K3 με πολύ περισσότερη υπολογιστική ισχύ στη φάση μετά την αρχική εκπαίδευση. Κυκλοφορεί ήδη στο Kimi.ai, στο Kimi Work, στο Kimi Code και στο API. Υπάρχει και παραλλαγή Highspeed, που σύμφωνα με την εταιρεία τρέχει δύο με τρεις φορές πιο γρήγορα.
Ανοιχτά βάρη και ένα κενό που μικραίνει
Η Moonshot σχεδιάζει να δημοσιεύσει τα βάρη του μοντέλου έως τις 4 Νοεμβρίου 2026. Τα «βάρη» είναι οι παράμετροι που προκύπτουν από την εκπαίδευση και επιτρέπουν σε οποιονδήποτε να τρέξει το μοντέλο ο ίδιος. Αν γίνει, το K3.1 Pro θα είναι το ανοιχτό μοντέλο με την υψηλότερη βαθμολογία και η απόσταση από τα κλειστά θα πέσει από τους 12 στους 3 βαθμούς, με την προϋπόθεση ότι δεν θα αλλάξει τίποτε άλλο στο μεταξύ.
Τα μεγάλα άλματα είναι σε εργασίες agents
Η μεγαλύτερη βελτίωση φαίνεται σε εργασίες όπου το μοντέλο δουλεύει αυτόνομα, ως AI agent. Στο GDPval-AA φτάνει 1.846 μονάδες Elo, 312 πάνω από το K3, και είναι λίγο πίσω από το Claude Opus 5.5 (1.866) και το Muse Wonder Full (1.857). Στο Terminal-Bench 4.0 η Moonshot αναφέρει 65,7%, μπροστά από το GPT-6 Astra (58,2%) και λίγο πίσω από το Opus 5.5 (66,4%). Το K3 έφτανε μόλις 13% στο ίδιο τεστ.
Πέφτουν και οι «παραισθήσεις», δηλαδή οι ανακριβείς ισχυρισμοί του μοντέλου. Στο εσωτερικό τεστ Kimi Hallu Bench Hard το ποσοστό έπεσε από 23,4% σε 8,3%, σύμφωνα με την εταιρεία, που σημειώνει ότι πρόκειται για τεστ πίεσης και όχι για μέτρο του γενικού ποσοστού λαθών. Το GPT-6 Astra έχει 5,5% στο ίδιο τεστ, άρα προηγείται ακόμη.
Τρισδιάστατα μοντέλα και κώδικας
Το μοντέλο δουλεύει απευθείας με τις μηχανές παιχνιδιών Unity, Unreal Engine και Godot, ενώ γράφει και εκτελεί σκριπτ για το Blender και λογισμικά CAD χωρίς MCP connectors. Στο BenchCAD παίρνει 92,7% με εργαλεία, κοντά στο Opus 5.5 (96,2%) και στο GPT-6 Astra (95,9%). Χωρίς εργαλεία φτάνει 72,8%, έναντι 73,0% του Opus 5.5. Στο Kimi.com προστέθηκε και η λειτουργία «3D Make» για προεπισκόπηση, επεξεργασία και εξαγωγή 3D μοντέλων.
Ίδιο μέγεθος, φθηνότερα tokens
Το μέγεθος μένει ως έχει: 2,8 τρισεκατομμύρια παράμετροι συνολικά, με 104 δισεκατομμύρια ενεργές κάθε φορά, και παράθυρο context ενός εκατομμυρίου tokens, με κείμενο και εικόνες. Οι τιμές στο API πέφτουν κατά 33%: 2 δολάρια ανά εκατομμύριο tokens εισόδου (από 3) και 10 για την έξοδο (από 15). Το κόστος ανά εργασία του δείκτη μένει σχεδόν ίδιο, 1,98 δολάρια έναντι 2,00, επειδή το μοντέλο παράγει 14% περισσότερα tokens εξόδου. Στην Artificial Analysis, κανένα μοντέλο με παρόμοιο αριθμό παραμέτρων δεν βαθμολογείται υψηλότερα.
Σκόπιμο φρένο στις επιθετικές δυνατότητες
Η Moonshot αφιερώνει μέρος της τεχνικής της ανάρτησης στην κυβερνοασφάλεια. Παρατήρησε ότι η ικανότητα εντοπισμού ευπαθειών μεγάλωνε όσο κλιμακωνόταν η εκπαίδευση, γιατί σχετικό υλικό υπήρχε στα δεδομένα. Για την ανοιχτή έκδοση αφαίρεσε τα δεδομένα αυτά και από τις δύο φάσεις. Στο εσωτερικό xdev-bench-hard, που αναπαράγει πρόσφατα γνωστές ευπάθειες σε λογισμικό όπως ο πυρήνας του Linux, η έκδοση χωρίς καθαρισμό λύνει το 90,5% των εργασιών και η καθαρισμένη το 81,0%. Το DeepSeek-V4.1-Flash φτάνει 85,7% και το Kimi K3 είχε 33,3%.
Η εταιρεία λέει ότι κανένα ανοιχτό μοντέλο δεν πρέπει να σπρώχνει το απόλυτο όριο των επιθετικών δυνατοτήτων, αλλά θέλει να ανεβάζει σταδιακά όσα μπορούν να κάνουν, γιατί τα ίδια μοντέλα χρησιμεύουν και στην άμυνα, για παράδειγμα στον έλεγχο παλιών συστημάτων. Η Anthropic είχε δείξει ήδη ότι ακόμη και το GLM-5.3, με βαθμολογία 45, μπορεί να γράψει exploits σχεδόν στο επίπεδο του Claude Mythos.
Πηγή: The Decoder
