Kimi K3.1 Pro: 1 млн токенов, дешевле на треть и урезанный кибернавык

Что произошло, почему это важно и что взять в работу.

Открытая модель с агенточными бенчмарками уровня Opus 5.5 и ценой на треть ниже предшественника — реальный кандидат на замену закрытым API в задачах длинного кодинга, но только если не нужна «голая» эрудиция.

Связанные услуги: каталог, AI Boost Team, стать клиентом.

Треть цены и миллион токенов

23 октября Moonshot AI выкатила Kimi K3.1 Pro, первую модель новой серии. Цифры в анонсе выглядят как приглашение пересчитать расходы на API: $2 за миллион входящих токенов и $10 за миллион исходящих. Предшественница K3 стоила $3 и $15, то есть новая модель дешевле ровно на треть. Кешированный вход — $0,20 за миллион.

Контекст — 1 млн токенов. Это уже не игрушка: в окно влезает средний репозиторий или пакет договоров за квартал. Архитектура унаследована от K3: MoE на 2,8 трлн параметров, из них 104 млрд активных на каждый токен. Модель принимает текст, картинки и видео, отдаёт текст.

K3.1 Pro стоит $2 за миллион входящих токенов и $10 за миллион исходящих, кешированный вход – $0,20.

Доступ — сервисы Kimi, сайт Kimi.ai, приложения на iOS, Android и HarmonyOS, десктопный Kimi Work для Windows и Mac на Apple silicon (нужна версия 3.1.0 или новее), Kimi Code через /model и сам API с идентификаторами kimi-k3.1-pro и kimi-k3.1-pro-highspeed. В корпоративной версии Kimi модель по умолчанию выключена, включает администратор. Веса Moonshot обещает выложить не позднее 4 ноября.

Отдельная версия Highspeed, по заявлению компании, работает в 2–3 раза быстрее и стоит вдвое дороже: $4 и $20 за миллион токенов. Для тех, кто гоняет агента в цикле, разница в скорости часто важнее разницы в цене за токен.

Руки сильные, голова слабая

Профиль у K3.1 Pro неровный, но с понятной логикой. В задачах, где модель долго работает с инструментами, она лидирует или идёт вровень с Opus 5.5: SWE Marathon v1.1 — 51,7 против 46,3, HLE-Full с инструментами — 70,0 против 67,7, Agents’ Last Exam — 43,2 против 42,6, OfficeQA Pro v2 — 64,4 против 62,2, BrowseComp — 92,1 против 91,5 у GPT-6 Astra.

Там, где надо ответить «из головы», картина обратная. HLE-Full без инструментов — 51,1 против 59,8 у Opus 5.5. HLE-Diamond — 39,4 против 65,8 у GPT-6 Astra. Terminal-Bench Science 0.1 — 38,1 против 68,1. ProgramBench — 31,5 против 65,0, и это самый болезненный разрыв: там задача засчитывается, только если программа прошла порог в 95%.

В индексе Artificial Analysis модель набрала 55 баллов и заняла четвёртое место, прибавив 11 к K3. После выкладки весов это, по оценке той же Artificial Analysis, будет сильнейшая открытая модель на рынке.

Среди открытых конкурентов K3.1 Pro впереди почти везде. Единственное исключение — DeepSWE v1.1: там DeepSeek-V4.1-Flash-1017 дала 77,0 против 75,5 и обошла вообще всех, включая закрытые модели.

Фактическая точность подросла. Во внутреннем стрессе Kimi Hallu Bench Hard доля ложных утверждений упала с 23,4% до 8,3%. У Opus 5.5 — 15,0%, у GPT-6 Astra — 5,5%. Сама Moonshot предупреждает: примеры в тесте собраны так, чтобы провоцировать ошибки, в обычной работе цифры будут другими. Для финансовых документов даже такой прогресс — аргумент.

Что на самом деле резали

Самая интересная часть анонса — не бенчмарки, а раздел про кибербезопасность. По мере роста постобучения модель всё лучше искала уязвимости. Причину нашли в данных: киберматериалы были рассыпаны по общему корпусу mid-training, а задачи на взлом попадали в наборы сред для RL. Эксперименты на внутренних моделях показали: без чистки на любом из двух этапов кибернавык растёт сам.

Для открытой версии K3.1 Pro киберданные вычистили на обоих этапах, обычные задачи по программированию оставили. Эффект мерили на внутреннем xdev-bench-hard: недавно раскрытые уязвимости в ядре Linux, Node.js, JavaScriptCore, Exim и VirGL при включённых защитах. Агент получает исходник, подсказку о баге и бинарник, дальше пишет эксплойт, добивается выполнения кода в песочнице и достаёт секретную строку. Засчитывается лучшая из трёх попыток.

• GPT-5.6 Sol (оценка третьей стороны) — 100%
• Чекпойнт Kimi без чистки данных — 90,5%
• DeepSeek-V4.1-Flash — 85,7%
• Kimi K3.1 Pro — 81,0%
• GLM-5.3 — 57,1%
• Kimi K3 — 33,3%

Чистка срезала около 10 пунктов, но модель всё равно выросла с 33% до 81%. И здесь прячется главный риск для рынка: самоограничение работает, только пока так же поступают конкуренты. Открытая DeepSeek-V4.1-Flash на внутреннем тесте Moonshot решает 85,7% задач — больше, чем у K3.1 Pro. Если кто-то выложит веса без такой гигиены, у пользователей появится более capable инструмент, и вся конструкция «мы притормозили» посыпется.

Где таблица лукавит

К методике есть вопросы, и сноски сами их выдают. Kimi в большинстве тестов гоняли в обвязке Claude Code, а результаты конкурентов брали из их отчётов и лидербордов, выбирая максимум. Обвязки при этом разные. У закрытых моделей стоит пометка «with fallback», а что это значило в каждом конкретном тесте, не расшифровано. В OfficeQA Pro и Agents’ Last Exam Moonshot обнуляла задачи, где чужие модели находили готовые ответы в интернете — решение о том, что считать нарушением, принимала заинтересованная сторона.

Часть судей — свои: в BioMysteryBench оценивала Kimi K3, в PostTrainBench штатного судью заменили на DeepSeek-V4.1-Flash-1017, а тесты гоняли на H20 вместо H100. Есть и прямые нестыковки: в строке Business Operation у DeepSeek стоит 8,9 — ровно столько же, сколько у K3 на отдельном графике, похоже на ошибку. В разделе про кибербезопасность колонка подписана Claude Fable 5.1, хотя в сносках речь про Mythos 5.1.

Что делать до 4 ноября

Цена токена здесь — не цена задачи. Рассуждения включены всегда, отключить их нельзя, глубину задаёт reasoning_effort (low, high, max), и по умолчанию стоит max. Сколько токенов модель сожжёт на ответ, независимо никто не замерял. Значит, счёт может отличаться от прайс-листа в разы.

1. Считать не доллар за миллион, а стоимость успешно закрытой задачи на своём наборе: 30–50 реальных тикетов, одинаковый промпт, обе модели.
2. Прогнать отдельно «длинный кодинг с инструментами» и отдельно «вопросы из головы». Второе — слабое место, там закрытые API пока выигрывают с запасом.
3. Проверить кеш: $0,20 за кешированный вход критичны, если вы постоянно подаёте один и тот же системный промпт и базу знаний.
4. Для агентных циклов сравнить обычную и Highspeed: вдвое дороже, но в 2–3 раза быстрее — на длинных прогонах это может отбиться.
5. Дождаться весов 4 ноября, если нужен on-prem или закрытый контур. До этого — только API и сервисы Kimi.

Вердикт короткий. Как замена закрытому API в длинных агентных сценариях — да, тестировать стоит, особенно если счёт за Opus или GPT уже раздражает. Как универсальная модель «на всё» — нет: HLE-Diamond и ProgramBench показывают, что эрудиция и точная реализация без инструментов у неё проседают. Покупаете не общий интеллект, а рабочую лошадку для инструментальных цепочек. И прежде чем переписывать бюджет, замерьте расход токенов на своих задачах: дефолтный max — тихий множитель к чеку.