Kimi K3.1 Pro to ta sama baza co K3, tylko ze znacznie większym RL. W Terminal-Bench brakuje mu do Opusa 5.5 niecały punkt

Moonshot AI udostępniło 23 października Kimi K3.1 Pro w API i swoich aplikacjach. Model bazowy się nie zmienił: firma sama pisze, że K3.1 Pro to wersja K3 po post-treningu z wyraźnie większym budżetem obliczeniowym.

Moonshot zostawił bazę K3 i dołożył dużo więcej reinforcement learningu

Żeby prowadzić wspólny RL w setkach dziedzin, Moonshot przebudował według własnych słów cały stack: framework RL, inferencję z długim kontekstem, harmonogram rolloutów i sandboxy. Efekt to model z kontekstem 1 miliona tokenów, który w testach programowania, zadań agentowych i wiedzy dorównuje najmocniejszym zamkniętym modelom albo zbliża się do nich. W Terminal-Bench 4.0 podaje 65,7 %, przy 58,2 % dla GPT-6 Astra i 66,4 % dla Claude Opus 5.5. We własnym Kimi Code Bench 3.0 Long-horizon wynik rośnie z 55,95 % dla K3 do 61,2 %.

Nathan Lambert, który wcześniej współkierował projektem Olmo w Ai2 i napisał książkę o post-treningu, podsumował to na X jednym wpisem. Pierwsze wydanie K3 było jego zdaniem bardzo imponującym modelem bazowym z lżejszym post-treningiem, a teraz wygląda na to, że Moonshot wreszcie opanował swój RL. Chiny, jak dodaje, dotrzymują kroku w przyroście możliwości.

Niezależny pomiar Artificial Analysis daje modelowi 55 punktów w Intelligence Index. Simon Willison zauważa, że to więcej niż 53 punkty Claude Fable 5.1, GPT-6 Astra i Gemini 4 Argon i mniej tylko od 58 punktów Claude Opus 5.5. API kosztuje 2 dolary za milion tokenów wejściowych i 10 dolarów za milion wyjściowych, czyli tyle co GPT-6.1 Sol i połowę ceny Opusa 5.5. Wag jeszcze nie ma, Moonshot obiecuje je do 4 listopada 2026.

Post-trening staje się szybszą drogą do czołówki

Dla rynku to ważniejsze niż pojedyncze wyniki. Skoro ta sama baza z większym RL potrafi tak podskoczyć, dystansu między chińskimi a amerykańskimi laboratoriami nie mierzy się już wyłącznie liczbą chipów do pretreningu. Post-trening można powtarzać częściej i mniejszymi porcjami, i właśnie tam Moonshot przeznaczył moc obliczeniową. Dla amerykańskich laboratoriów, które liczą na ograniczenia eksportu chipów, to niewygodny sygnał: limity sprzętowe spowalniają budowę nowej bazy, ale nadrabianie przez RL hamują już znacznie słabiej.

Dla zespołów programistów zmienia się wybór modelu. Model w cenie GPT-6.1 Sol i z wynikami tuż poniżej Opusa 5.5 ma za kilka dni trafić do sieci jako otwarte wagi. Kto nie może wysyłać kodu ani dokumentów do chińskiej chmury, dostanie opcję, która nie wymaga API Moonshota. Będzie to jednak model klasy 3 bilionów parametrów, więc samodzielnie uruchomią go tylko zespoły z klastrem GPU.

Większość tych liczb Moonshot zmierzył sam

Terminal-Bench uruchomiono w harnessie Claude Code, Kimi Code Bench to test wewnętrzny, a wyniki konkurencji firma przepisuje z ich blogów i rankingów. W wewnętrznym teście obciążeniowym halucynacje na poziomie pojedynczych twierdzeń spadły z 23,4 % do 8,3 %, przy czym Moonshot sam zastrzega, że nie są to wskaźniki błędów przy codziennym użyciu. Artificial Analysis odnotowało też, że podczas pomiaru indeksu model wygenerował 150 milionów tokenów wyjściowych przy medianie 87 milionów. Cena za milion tokenów niewiele więc mówi o cenie za zadanie: za gadatliwy model płaci się wielokrotnie.

Drugie dno dotyczy cyberbezpieczeństwa. Moonshot podaje, że usunął z treningu dane związane z cyberbezpieczeństwem. Wersja bez tych zabiegów rozwiązała w wewnętrznym teście xdev-bench-hard 90,5 % zadań, finalny K3.1 Pro 81,0 %. Ofensywne możliwości modelu są więc celowo niższe niż to, co potrafi wyprodukować pipeline, a mimo to wyraźnie wyższe niż w K3. Gdzie ta granica przesunie się następnym razem, decyduje na razie wyłącznie samo laboratorium.

Rozstrzygną 4 listopada i pierwsze niezależne testy wag

Pierwszy sygnał jest prosty: czy Moonshot do 4 listopada opublikuje pełne wagi i na jakiej licencji? Drugi przyjdzie od niezależnych zespołów, które uruchomią model we własnych harnessach i sprawdzą, czy wynik z Terminal-Bench utrzyma się bez Claude Code. Trzeci pokaże, czy teza Lamberta sprawdza się szerzej. Jeśli DeepSeek albo Qwen pokażą podobny skok wyłącznie dzięki post-treningowi, RL stanie się główną trasą wyścigu chińskich laboratoriów.

Werdykt Lilith

Moonshot wziął ten sam silnik i po prostu dużo dłużej docierał go na torze. Kto w Waszyngtonie wierzył, że wystarczy pilnować fabryk silników, właśnie się przekonuje, że wyścig rozstrzyga się w boksach.