Kimi K3.1 ProはK3と同じベースにRLを大幅追加。Terminal-BenchでOpus 5.5との差は1ポイント未満

Moonshot AIは10月23日、Kimi K3.1 ProをAPIと自社アプリで提供開始した。ベースモデルは変わっていない。同社自身、K3.1 ProはK3にかなり大きな計算量のポストトレーニングを施した版だと説明している。

MoonshotはK3のベースを残し、強化学習を大幅に積み増した

Moonshotによると、数百の領域にまたがる合同RLを回すため、スタック全体を作り直した。RLフレームワーク、長文脈推論、ロールアウトのスケジューリング、sandboxまでが対象だ。その結果、100万トークンのコンテキストを持ち、コーディング、エージェント、知識系のテストで最強クラスのプロプライエタリモデルに並ぶか迫るモデルになったという。Terminal-Bench 4.0では65.7%を記録し、GPT-6 Astraの58.2%を上回り、Claude Opus 5.5の66.4%に迫る。自社のKimi Code Bench 3.0 Long-horizonでは、K3の55.95%から61.2%に伸びた。

Ai2でOlmoプロジェクトを共同で率い、ポストトレーニングに関する本も書いたNathan Lambertは、X上の1つの投稿でこう要約した。最初のK3は非常に優れたベースモデルだったがポストトレーニングは軽めで、今回MoonshotはついにRLを使いこなしたように見えるという。中国は能力向上のペースにしっかりついてきている、とも付け加えた。

Artificial Analysisの独立測定では、Intelligence Indexで55ポイントだった。Simon Willisonによれば、Claude Fable 5.1、GPT-6 Astra、Gemini 4 Argonの53を上回り、上にいるのはClaude Opus 5.5の58だけだ。APIの価格は入力100万トークンあたり2ドル、出力100万トークンあたり10ドルで、GPT-6.1 Solと同じ、Opus 5.5の半分にあたる。重みはまだ公開されておらず、Moonshotは2026年11月4日までの公開を約束している。

ポストトレーニングがフロンティアへの近道になりつつある

市場にとっては、個々のスコアよりこちらの方が重要だ。同じベースでもRLを増やすだけでここまで伸びるなら、中国と米国のラボの差は、事前学習用のチップをどれだけ持っているかだけでは測れなくなる。ポストトレーニングはより頻繁に、より小さな単位で繰り返せる。Moonshotが計算資源をつぎ込んだのはまさにそこだ。チップの輸出規制に頼る米国のラボにとっては不都合なシグナルだ。ハードウェアの制限は新しいベースモデルの構築を遅らせるが、RLによる追い上げはそれほど止められない。

開発チームにとっては、モデル選びの条件が変わる。GPT-6.1 Solと同じ価格で、Opus 5.5のすぐ下の成績を出すモデルが、数日のうちにオープンウェイトとしても手に入る見込みだ。コードや文書を中国のクラウドに送れない組織でも、MoonshotのAPIに頼らない選択肢が生まれる。ただし3兆パラメータ級のモデルなので、自前で動かせるのはGPUクラスタを持つチームに限られる。

数字の大半はMoonshot自身が測ったもの

Terminal-BenchはClaude Codeのharnessで実行され、Kimi Code Benchは社内テストで、競合のスコアは各社のブログやリーダーボードから引用されている。社内のストレステストでは、主張単位のハルシネーション率が23.4%から8.3%に下がった。ただしMoonshot自身、日常利用での誤り率ではないと断っている。さらにArtificial Analysisによると、このモデルは指標の測定中に1億5000万の出力トークンを生成した。中央値は8700万だ。100万トークンあたりの価格は、タスクあたりの費用をほとんど示さない。饒舌なモデルには何倍も払うことになる。

もう1つの論点はサイバーセキュリティだ。Moonshotは、訓練データからサイバー関連のデータを取り除いたと説明する。こうした措置を施していない版は、社内テストxdev-bench-hardで90.5%の課題を解いたが、最終版のK3.1 Proは81.0%だった。攻撃的な能力は、パイプラインが本来生み出せる水準より意図的に低く抑えられている。それでもK3よりは大きく上だ。次にその線をどこに引くかは、今のところラボ自身だけが決めている。

11月4日と、重みの最初の独立検証が分かれ目になる

最初のシグナルは単純だ。Moonshotは11月4日までに完全な重みを公開するのか、そしてどのライセンスで公開するのか。2つ目は独立したチームから来る。各自のharnessでモデルを動かし、Claude CodeなしでもTerminal-Benchの結果が保たれるかを確かめるはずだ。3つ目は、Lambertの見立てがより広く当てはまるかどうかだ。DeepSeekやQwenがポストトレーニングだけで同様の飛躍を見せれば、RLは中国のラボにとって主戦場になる。

Lilithの判定

Moonshotは同じエンジンを使い、サーキットでずっと長く慣らし運転をしただけだ。エンジン工場さえ見張っていれば十分だと信じていたワシントンの人々は、勝負がピットで決まることに今になって気づいている。