Che cosa cambia rispetto a K3
Moonshot AI ha annunciato Kimi K3.1 Pro, primo modello della serie K3.1: si tratta, secondo la fonte, di una versione post-addestrata di Kimi K3 con molta più potenza di calcolo dedicata a questa fase. L'azienda dichiara di aver condotto un reinforcement learning congiunto su centinaia di domini applicativi, intervenendo anche su framework di RL, inferenza a contesto lungo, infrastruttura dei sandbox e pianificazione dei rollout.
L'architettura di base resta quella di K3, con Kimi Delta Attention e Attention Residuals, e attiva 16 esperti su 896 tramite un framework Stable LatentMoE. Il modello conta 2,8 trilioni di parametri totali e 104 miliardi attivi, con una finestra di contesto da un milione di token; via API accetta testo, immagini e video. Non è un modello eseguibile su una singola GPU: per K3 Moonshot indica supernodi da almeno 64 acceleratori, con pesi in MXFP4 e attivazioni in MXFP8.
Disponibilità, prezzi e versione Highspeed
K3.1 Pro è attivo su Kimi.ai, Kimi Work, Kimi Code e tramite API con endpoint compatibile OpenAI, con gli identificativi kimi-k3.1-pro e kimi-k3.1-pro-highspeed. I prezzi indicati sono 2 dollari per milione di token in ingresso e 10 in uscita, con cache hit a 0,20 dollari; la variante Highspeed costa 4 e 20 dollari e, secondo il blog ufficiale citato dalla fonte, gira da due a tre volte più veloce. K3 era prezzato 3 e 15 dollari.
Il punto più delicato riguarda l'apertura: la fonte descrive K3.1 Pro come modello a pesi aperti, ma precisa che i pesi non sono ancora disponibili e che il rilascio è atteso a novembre 2026. Fino ad allora la fruizione passa esclusivamente dall'API a pagamento. Moonshot avrebbe inoltre rimosso dati di tipo cyber da mid-training e RL in vista del rilascio aperto: su un test interno non filtrato la percentuale di successi sarebbe stata del 90,5% a pass@3, mentre il modello distribuito si ferma all'81,0%.
Le prestazioni dichiarate e i limiti della verifica
Tutti i risultati sono autoreferenziali, ottenuti secondo Moonshot al massimo sforzo di ragionamento e in prevalenza con l'harness Claude Code, e vanno letti come dichiarazioni dell'azienda. Nel coding il modello segna 65,7% su Terminal-Bench 4.0, appena sotto il 66,4% attribuito a Claude Opus 5.5 nel grafico di Kimi, mentre su SWE-Marathon guida con 51,7 contro 46,3. Su Kimi Code Bench 3.0 Long-horizon, benchmark interno, sale a 61,2 dal 55,95 di K3.
Il divario più netto emerge nelle attività scientifiche da terminale: 38,1 su Terminal-Bench Science 0.1, contro 68,1 di GPT-6 Astra e 63,3 di Opus 5.5 sempre secondo il grafico dell'azienda. Su BenchCAD con strumenti il punteggio è 92,7 (Opus 5.5 a 96,2, GPT-6 Astra a 95,9), senza strumenti 72,8 contro 73,0. In finanza Moonshot rivendica 64,4 su OfficeQA Pro v2 e 58,6 su Frontier Finance, con guadagni interni di 7,2 punti nel modeling e 11,6 nella ricerca rispetto a K3. Sul test interno Kimi Hallu Bench Hard le allucinazioni a livello di affermazione scendono dal 23,4% all'8,3%, contro il 5,5% di GPT-6 Astra. Resta da verificare in modo indipendente l'intero quadro comparativo, che la fonte stessa qualifica come non confermato sulle pagine dei concorrenti.