Китайская Moonshot AI выпустила Kimi K3.1 Pro — новую флагманскую модель для программирования, сложных рассуждений и агентных задач. По собственным тестам компании, она почти догнала Claude Opus 5.5 в...

Китайская Moonshot AI выпустила Kimi K3.1 Pro — новую флагманскую модель для программирования, сложных рассуждений и агентных задач. По собственным тестам компании, она почти догнала Claude Opus 5.5 в работе с терминалом, стала дешевле предшественницы и научилась лучше справляться с длинными задачами. Дальше о других интересных деталях релиза.

K3.1 Pro построена на базе Kimi K3 с архитектурой Mixture of Experts: всего 2,8 трлн параметров, из которых около 104 млрд активируются при обработке токена. Вместо обучения новой модели с нуля Moonshot сосредоточилась на дополнительном обучении с подкреплением (RL). Для этого переработали инфраструктуру обучения и расширили набор задач, на которых модель учится работать с инструментами.

Контекстное окно осталось на уровне 1 млн токенов. Модель принимает текст и изображения, умеет работать с инструментами и рассчитана на многоэтапные задачи: от исправления ошибок в больших проектах до анализа финансовых документов и генерации 3D-моделей через CAD-инструменты.

Во время дополнительного обучения Moonshot заметила, что вместе с навыками программирования растёт способность модели находить и эксплуатировать уязвимости. Перед выпуском разработчики убрали из обучающих данных материалы по кибератакам и исключили соответствующие задачи из обучения с подкреплением. Обычные задачи программирования оставили.

Эффект проверили на внутреннем бенчмарке xdev-bench-hard, где агент должен разработать эксплойт для известной уязвимости и добиться выполнения кода.

Версия без ограничений справилась с 90,5% заданий, а финальная K3.1 Pro — с 81%. Оба результата рассчитаны с учётом трёх попыток. Для сравнения, предыдущая Kimi K3 набирала 33,3%.

Получается, даже после намеренного ограничения новая модель значительно превосходит предшественницу в задачах эксплуатации уязвимостей. Да и 81% на внутреннем тесте сложно назвать низким результатом.

Компания хочет сохранить возможности для защитного анализа кода, но не выпускать в открытый доступ модель с максимально развитыми наступательными навыками. Полные веса планируют опубликовать до 4 ноября. После сторонние разработчики смогут дополнительно обучать модель, в том числе на исключённых типах задач.

В Terminal-Bench 4.0, где ИИ-агенты решают практические задачи в терминале, K3.1 Pro набрала 65,7% против 66,4% у Claude Opus 5.5 и 58,2% у GPT-6 Astra. В собственном тесте длительных задач программирования Moonshot зафиксировала рост с 55,95% у K3 до 61,2% у новой версии.

Доля фактических ошибок в специальном стресс-тесте снизилась с 23,4% до 8,3%.