Kimi K3 pokazuje, że test z pelikanem już nie wystarcza

Moonshot AI pokazał Kimi K3 z 2,8 biliona parametrów i zapowiedzią open weights do 27 lipca 2026 roku. Ciekawsza lekcja płynie jednak z testu Simona Willisona: ładny pelikan w SVG nie powie już, czy model poradzi sobie z agentową pracą.

Kimi K3 wchodzi jako duży i drogi model z chińskiego laboratorium

Simon Willison opisuje zapowiedź Moonshot AI: firma nazywa Kimi K3 swoim najmocniejszym modelem, z 2,8 biliona parametrów, dostępnym przez stronę i API. Open weights mają pojawić się do 27 lipca 2026 roku.

Moonshot przedstawia go jako pierwszy open 3T-class model. Willison przytacza dane Artificial Analysis: 1547 Elo w long-horizon knowledge work evaluation, koszt 0,94 dolara za zadanie i o 21 % mniej tokenów wyjściowych niż Kimi K2.6. Cena API, 3 dolary za milion input tokenów i 15 dolarów za milion output tokenów, stawia go wyżej niż starsze modele Kimi.

Mały prompt SVG pokazał koszt maksymalnego reasoning

Willison nie zatrzymał się na tabelach benchmarków. Przez OpenRouter uruchomił swój stały prompt o pelikanie jadącym na rowerze, wygenerowanym jako SVG. Test kosztował 25 centów, bo model zużył 16 658 output tokenów, w tym 13 241 reasoning tokenów.

To sygnał operacyjny, którego marketingowa tabela zwykle nie pokazuje. Dla zespołów produktowych i inżynierskich liczy się nie tylko wynik, lecz także koszt zwykłej interakcji i kontrola reasoning effort. W tym teście Kimi K3 ma na razie tylko poziom max.

Pelikan nie mierzy już tego, co rozstrzyga o użyteczności modelu

Willison pisze, że pelican benchmark zaczął się jako żart i w dużej mierze przestał korelować z jakością najlepszych modeli. Dziś ważniejsze są tool use, długie rozmowy i niezawodne kroki agentowe.

Pelikan nadal działa jako hello world. Potwierdza dostęp, cenę, poprawny SVG i podstawowe rozumienie przestrzeni. Jako ranking możliwości jest już za wąski.

O adopcji zdecydują testy w pracy z narzędziami

W przypadku Kimi K3 warto obserwować open weights release, realne koszty poza jednym promptem i obsługę niższych poziomów reasoning. Ważniejsze będą niezależne testy tool callingu i długich zadań.

Jeśli model polegnie w agentowych workflow, dobry pelikan go nie uratuje. Jeśli zadziała, będzie to kolejny znak, że chińskie laboratoria walczą już nie tylko ceną, ale też górną półką możliwości.

Werdykt Lilith

Pelikan jest uroczym kanarkiem w kopalni. Pokazuje, że model oddycha, ale hali pełnej narzędzi już za niego nie poprowadzi.