Kimi K3.1 Pro от Moonshot претендует на лидерство среди моделей с открытыми весами на фоне обвинений в скандале с платными инфлюенсерами

Китайский ИИ-стартап Moonshot в пятницу представил свою новейшую и самую мощную на сегодня большую языковую модель (LLM): Kimi K3.1 Pro — это дообученная версия предшественницы Kimi K3, вышедшей в июле, с 3 трлн параметров, и этот релиз, похоже, станет историческим.

Дело в том, что Kimi K3.1 Pro набирает настолько высокие баллы в сторонних бенчмарках — по данным как самой Moonshot, так и независимой компании Artificial Analysis, тестирующей ИИ-модели, — что почти наверняка станет лучшей в мире ИИ-моделью с открытыми весами, когда Moonshot опубликует веса под открытой лицензией. По словам компании, это произойдет через полторы недели, 4 ноября 2026 года.

Уже сейчас Kimi K3.1 Pro опережает Xiaomi MiMo-V2.6-Pro, DeepSeek V4.1-Flash-1017, новую Muse Wonder от Meta и даже GPT-6 Astra от OpenAI в Intelligence Index от Artificial Analysis.

Модель отлично справляется со сложным программированием, финансовым анализом, созданием 3D-контента и задачами в области безопасности ПО, демонстрируя особенно заметный прогресс в задачах, требующих многократного написания кода, использования инструментов, отладки и доработки.

Пока разработчики и пользователи могут получить к ней доступ через приложения компании и программный интерфейс (API) для разработчиков. Тарифы на входные и выходные токены вдвое ниже, чем у Claude Opus 5.5 и Muse Wonder от Meta, хотя DeepSeek и Xiaomi остаются дешевле.

Однако модель также оказалась в центре предполагаемого скандала с платными инфлюенсерами в соцсети X.

Наибольший прирост — в длительном программировании и работе с инструментами

Самые впечатляющие улучшения Kimi проявляются в тестах, где агент должен выполнить последовательность действий, а не просто ответить на сложный вопрос.

Общие результаты получены от Artificial Analysis; сравнения в области безопасности взяты из ее Cyber Index и результатов на момент запуска. Проценты, пункты индекса и рейтинги Elo измеряют разные вещи, и сравнивать их между строками не следует.

Для команд разработчиков результат в терминальном тесте делает Kimi достойной оценки в задачах сопровождения репозиториев, отладки и рабочих процессах, где чередуются просмотр файлов, правка кода, запуск тестов и реакция на сбои. Результат в бизнес-ПО говорит в пользу тестирования агентов, выполняющих несколько связанных операций. Это соображения для выбора пилотных проектов, а не измеренные гарантии для собственных приложений компании.

Текущее сравнение Kimi и Opus от этой компании также ставит Kimi впереди в AutomationBench-AA (73% против 70%) и в рассуждениях по документам GDP.pdf (31% против 26%). Opus сохраняет лидерство в Humanity’s Last Exam (61% против 52%) и CritPt (32% против 25%). Такое распределение говорит в пользу выбора модели под конкретную нагрузку, а не восприятия сводного рейтинга как универсальной иерархии.

В других независимых тестах прирост скромнее: Humanity’s Last Exam — с 47% до 52%, физический тест CritPt — с 23% до 25%, SciCode — с 59% до 61%. Данные убедительнее свидетельствуют об улучшении выполнения задач, чем о столь же крупном скачке во всех видах рассуждений.

Собственное сравнение Moonshot дает иной ракурс:

Moonshot составляет эти сравнения на основе собственного тестирования и сторонних опубликованных результатов, при различиях в агентном ПО и условиях оценки. Это не единое контролируемое очное сравнение.

Результат компании в Terminal-Bench также расходится с данными Artificial Analysis: Moonshot ставит Kimi чуть позади Opus, тогда как независимый оценщик сообщает о лидирующих 67%. Оба результата подтверждают конкурентоспособность; ни один не доказывает универсального превосходства в программировании.

Для команд, занимающихся научными вычислениями, результат в Science — повод сохранить альтернативы в оценке. В сравнении Moonshot Kimi отстает от Astra на 30 пунктов, а от Opus — на 25,2 пункта, несмотря на сильные показатели в других тестах программирования.

Цены API: дешевле Opus, на уровне Sonnet, дороже DeepSeek

На API-платформе Moonshot K3.1 Pro стоит 2 доллара за миллион входных токенов, 10 долларов за миллион выходных и 0,20 доллара за миллион кэшированных входных токенов. Это на треть ниже тарифов Kimi K3.

Вариант Highspeed стоит 4 доллара за вход и 20 долларов за выход, кэшированный вход — по-прежнему 0,20 доллара. Moonshot заявляет об эквивалентном интеллекте при скорости примерно в два-три раза выше. Ускорение генерации следует оценивать отдельно от продолжительности всего рабочего процесса, который также ждет инструменты, сборки и тесты.

Это опубликованные тарифы за токены в долларах США, проверенные 24 октября 2026 года, без учета дополнительных сборов за инструменты, платы за запись в кэш, налогов и согласованных скидок. Указанные тарифы OpenAI действуют до 272 000 входных токенов; для более длинных запросов ставки выше. Документация DeepSeek сопоставляет ее Flash API с моделью 1017 и применяет внепиковые цены вне установленных часов в будние дни, включая все выходные. GPT-6 Sol включена для сравнения в области кибербезопасности; в ее документации более новой моделью указана GPT-6.1 Sol.

Стандартная Kimi на 50% дешевле за входной или выходной токен, чем Opus 5.5 и Muse Wonder, и на 80% дешевле базовых тарифов Astra. Но по входу/выходу она не дешевле Sonnet 5.5, которая на один пункт выше в общем Intelligence Index. Кроме того, Sonnet берет меньше за кэшированный вход.

По сравнению с пиковыми тарифами DeepSeek Kimi берет примерно в 6,7 раза больше за некэшированный вход и в 8,3 раза больше за выход. Аргументом за такую переплату могут быть лучшие результаты на конкретной нагрузке, а не общее утверждение, что модели с открытыми весами недороги.

Unreal Engine, CAD и финансовые модели: что, по словам Moonshot, умеет создавать модель

В демонстрации возможностей программирования Moonshot прямо упоминает Unreal Engine наряду с Unity и Godot. Компания утверждает, что Kimi может сочетать работу с игровыми движками, веб-поиск и 3D-генерацию для создания законченных интерактивных проектов. Также отмечаются браузерные интерфейсы, сцены на Three.js и улучшения в верстке, анимации и визуальном оформлении.

Для бизнеса эти заявления предполагают пилотные проекты с интерактивными демонстрациями продуктов, учебными симуляциями, прототипами игр и браузерной визуализацией. Но они не доказывают, что одного запроса к API достаточно для готового к продакшену проекта на Unreal: окружающему агенту по-прежнему нужен доступ к движку, файлам проекта, инструментам и способ протестировать результат.

Работа с 3D не ограничивается играми. Moonshot утверждает, что Kimi может превратить текстовое описание, эскиз или референсное изображение в модель, работать с существующими коллекциями ассетов и изменять геометрию, материалы и компоновку сцен через скрипты Blender или CAD без необходимости в MCP-коннекторах для таких скриптовых операций.

Компания особо выделяет настраиваемые проекты механических компонентов, архитектуры, конфигурируемых продуктов и мебели. Ее приложение 3D Make позволяет просматривать и редактировать модели онлайн, скачивать их для 3D-печати или экспортировать видео и Live Photos.

Это делает правдоподобными такие применения, как исследование вариантов дизайна и генерация прототипов. Однако результат BenchCAD измеряет качество реконструкции, а не производственные допуски, прочность конструкции или соответствие нормативам. Инженерным командам по-прежнему понадобятся существующие процессы валидации, прежде чем считать сгенерированную деталь готовой к производству.

Это различие существенно: по сообщениям, агент исследовал дефекты среды, вместо того чтобы бесконечно подстраивать поведение, за которое получал вознаграждение. Это по-прежнему демонстрация компании, а не независимое доказательство сопоставимой надежности в инженерных проектах.

Финансы — еще одна явная цель. Moonshot описывает моделирование в таблицах, инвестиционный скрининг, анализ рентабельности и исследования, в которых выводы прослеживаются до источников. Внутренние тесты показывают прирост на 7,2 пункта в финансовом моделировании и на 11,6 пункта в исследованиях, а также результат примерно в 4,2 раза выше, чем у предшественницы, в симуляции управления бизнесом.

Независимый результат GDPval-AA и результат Moonshot в OfficeQA дают основания тестировать аналитические процессы с большим объемом документов. Подходящими пилотами могли бы стать подготовка первого черновика со ссылками на источники, сверка цифр в отчетности и сборка рабочей книги для проверки аналитиком. Внутренний результат симуляции управления не доказывает соответствующего роста реальной выручки или производительности.

Больше дообучения — и агент, который находит ошибки в своем симуляторе

Moonshot объясняет обновление значительно расширенным дообучением Kimi K3, включая обучение с подкреплением в сотнях предметных областей. На этом этапе модели учатся на обратной связи по попыткам выполнения задач.

Компания описывает улучшения на всех этапах этого процесса: в обучающем ПО, обработке длинного контекста, вычислительной эффективности, изолированных средах для инструментов, планировании попыток и проверке качества сред. Ее объяснение сосредоточено на том, чтобы масштабное обучение работало стабильно; о новой архитектуре модели или количественном прорыве в стоимости обучения не сообщается.

Описанный эксперимент с симулятором ходьбы дает конкретный пример поведения, к которому стремится Moonshot.

Kimi построила конвейер симуляции и обучения на основе human-atlas — анатомической модели с 296 скелетными элементами и 402 мышечными компонентами. По словам Moonshot, за 167 заданий и 420 независимых проверок модель дорабатывала контроллер, пока симулированное тело не перешло от падения через несколько секунд к чередующимся шагам в течение 11,2 секунды.

Когда корректировка вознаграждения не улучшила движения рук, модель исследовала динамику симулятора, исправила 36 ошибок в расчете плеч моментов мышц плеча и заново обучила контроллер.

Значение для бизнеса — в самом подходе к отладке: проверить, не ошибочна ли среда, вместо того чтобы раз за разом подправлять одно и то же неудачное решение. Такое поведение стоит искать у инженерных агентов. Сам же этот результат остается демонстрацией компании, а не доказательством воспроизводимой работы на незнакомых промышленных симуляциях.

Киберзащита — сильная сторона, но сводный балл скрывает компромиссы

Cyber Index оценивает поиск уязвимостей, их воспроизведение и исправление без поломки существующего ПО. Сводный результат Kimi в 64% дает командам безопасности повод протестировать ее как помощника в ревью кода и устранении уязвимостей, в том числе в сложных репозиториях, требующих многократного исследования.

Результаты по отдельным компонентам показывают, почему выбор модели по-прежнему зависит от задачи.

Kimi лидирует в CyberGym-E2E-AA с 95% против 93% у Daybreak Blue. В CWE-Bench-AA лидирует DeepSeek с 69%, опережая Daybreak Blue (65%) и Kimi (61%). В DeepsecBench-AA Kimi набирает 37%, уступая Daybreak Blue с 48%.

Artificial Analysis также сообщает, что Kimi ни разу не отказала в выполнении этих задач из соображений безопасности. Некоторые конкуренты теряют баллы, когда их сервисы отклоняют запросы. Поэтому рейтинг отражает как возможности, так и то, что тестируемый сервис позволяет делать разработчикам; он не выделяет максимальные технические возможности модели.

Moonshot утверждает, что отдельно ограничила наступательные возможности в сфере безопасности, удалив обучающие материалы по кибербезопасности и отфильтровав задачи обучения с подкреплением. Во внутренней оценке разработки эксплойтов нефильтрованная версия решила 90,5% задач максимум за три попытки, финальная модель — 81%. По словам компании, общие улучшения в программировании все равно переносятся на задачи безопасности, несмотря на эти меры.

С точки зрения внедрения эти результаты подтверждают целесообразность пилота по исследованию уязвимостей или предложению патчей под контролем. Они не доказывают, что агент может безопасно применять каждое предложенное исправление к рабочей инфраструктуре без тестов и проверки.

Стоимость выполненного рабочего процесса важнее скидки на токены

По данным отчета Artificial Analysis на момент запуска, Kimi обходится в 1,98 доллара за задачу Intelligence Index — примерно столько же, сколько K3. Средний объем вывода вырос примерно с 48 000 до 55 000 токенов, что отчасти съедает снижение тарифов.

На ее странице актуального сравнения, проверенной 24 октября, указано 2,11 доллара для Kimi и 5,98 доллара для Opus 5.5. Цифры для Kimi на момент запуска и актуальные различаются, но последнее сравнение все равно показывает измеренную стоимость Kimi примерно на 65% ниже, чем у Opus; это не прогноз экономии на каждой корпоративной задаче.

Оценка в сфере кибербезопасности показывает более выраженный компромисс:

Artificial Analysis объясняет рост стоимости Kimi примерно на 15% по сравнению с K3 примерно удвоенным потреблением входных токенов. По сравнению с DeepSeek модель выигрывает семь процентных пунктов, но обходится примерно в 6,7 раза дороже за оцененную задачу.

Это подсказывает конкретный эксперимент при внедрении: использовать более дешевую модель для работы, с которой она справляется удовлетворительно, а Kimi тестировать на нерешенных или более сложных случаях. Сэкономит ли такая маршрутизация деньги, зависит от стоимости повторов и сбоев; опубликованные результаты такую схему не измеряют.

В документации по тарификации Kimi также сказано, что повторяющиеся префиксы автоматически кэшируются, обычно на пять минут, а за запись в кэш взимается отдельная плата в зависимости от срока хранения. Командам, многократно передающим большие репозитории или документы, следует измерять записи в кэш и попадания в него, а не оценивать счет только по выводу.

Для корпоративного пилота полезно сравнивать стоимость одного принятого результата, включая выполнение инструментов, повторы и правки людьми, наряду со временем выполнения и долей сбоев.

Разработчикам нужно проверять не только название модели

Идентификаторы API — kimi-k3.1-pro и kimi-k3.1-pro-highspeed. В справочнике параметров Moonshot указано, что на обе распространяются ограничения Kimi K3.

Параметр усилия рассуждений принимает значения low, high или max, по умолчанию — max. Изменение усилия в ходе диалога аннулирует попадания в кэш префиксов. Разработчикам следует тестировать именно планируемую настройку, а не полагать, что вызовы с меньшим усилием воспроизведут результаты запуска при максимальном усилии.

В документации также зафиксированы temperature 1,0 и top-p 0,95, поддерживается автоматический, отключенный или обязательный выбор инструментов. В многошаговых обменах приложения должны сохранять полные возвращенные сообщения ассистента, включая содержимое рассуждений.

Эти детали важны при адаптации существующего агента: сохраняемое состояние диалога, обработка инструментов и поведение кэша могут влиять как на результаты, так и на стоимость. Чтобы воспроизвести демонстрации компании с кодом, CAD и игровыми движками, API-модели также нужна соответствующая среда выполнения.

Moonshot указывает доступ через веб- и мобильные приложения, Work и Code и сообщает, что клиенты API могут использовать режим Zero Data Retention. Корпоративным администраторам нужно включить K3.1 Pro вручную, поскольку для организаций доступ изначально отключен.

Обвинения в скрытой рекламе через инфлюенсеров омрачают запуск

Дебют Kimi K3.1 Pro также привлек внимание из-за обвинений в том, что инфлюенсеров просили продвигать модель, не раскрывая коммерческих отношений с Moonshot.

Пользователь X Elshayib опубликовал скриншоты, которые он назвал инструкциями для рекламной кампании Kimi, заявив, что отказался участвовать на таких условиях. Предполагаемые инструкции требовали от авторов присылать черновики на утверждение и содержали указание: «Пожалуйста, НЕ ставьте метку платного партнерства», что нарушало бы ряд законов США и, вероятно, других стран.

Предложенные тезисы представляли Kimi как открытый аналог Claude Opus 5.5 от Anthropic за малую долю его цены.

Ключевые факты остаются невыясненными. Как прямо отмечается в материале Pekingnology, подлинность документа не была независимо подтверждена. Неясно, исходили ли инструкции от Moonshot, стороннего агентства или кого-то еще, сколько авторов их получили и публиковал ли кто-либо оплаченные отзывы на этих условиях.

Распространение скриншотов не доказывает, что Moonshot санкционировала нераскрытую рекламную кампанию. По состоянию на 25 октября в изученных для этого раздела материалах подтвержденного ответа компании на конкретные обвинения обнаружено не было.

Тем не менее вопрос раскрытия информации важен. Правила X требуют метки платного партнерства на соответствующих публикациях. Рекомендации Федеральной торговой комиссии США также требуют четко раскрывать существенные связи между рекомендующими и брендами, включая выплаты или бесплатные товары и услуги. Нарушал ли конкретный отзыв эти стандарты, зависело бы от фактических отношений, содержания и раскрытой информации, а не просто от существования предполагаемого брифа кампании.

Для корпоративных покупателей практический вопрос в том, не отражают ли якобы независимые рекомендации скрытые стимулы. Отделам закупок стоит спрашивать обозревателей об оплате, кредитах и редакционном согласовании и сверять заявления о ценах и развертывании с опубликованными условиями. Поскольку веса K3.1 Pro еще не опубликованы, а продакшен-API платный, широкие формулировки вроде «open source» или «бесплатно» требуют оговорок.

Сами по себе обвинения не обесценивают результаты независимых бенчмарков. Но они подчеркивают важность разделения рекламного энтузиазма и воспроизводимых доказательств: производительности на собственных нагрузках компании, общей стоимости эксплуатации, условий обработки данных и доступности весов для развертывания.

Где Kimi место в корпоративном шорт-листе — и где она пока не подходит

Данные на момент запуска подтверждают целесообразность нескольких целевых оценок, а не повсеместной замены существующих моделей.

Это оценка того, где стоит пилотировать модель, основанная на опубликованных данных; запуск не дает показателей принятия результатов в продакшене для этих корпоративных процессов.

Научные процессы требуют особой осторожности, учитывая большой разрыв в сравнении Moonshot по Science. Для массовых рутинных задач также нужно веское обоснование качеством, чтобы платить по тарифам Kimi, когда DeepSeek и MiMo значительно дешевле.

Результаты не оправдывают и непроверенных финансовых выводов или автоматических изменений в продакшене. По данным Artificial Analysis, доля галлюцинаций Kimi в AA-Omniscience снизилась с 53% до 44%, а точность выросла с 48% до 51%. Отдельный внутренний стресс-тест Moonshot показывает снижение с 23,4% до 8,3% на уровне утверждений. Это разные измерения, и ни одно не гарантирует уровень ошибок в повседневной работе.

Наконец, организации, которым нужен немедленный самостоятельный хостинг, пока не могут удовлетворить это требование с помощью K3.1 Pro. Финальные веса, условия лицензии и требования к продакшен-развертыванию еще не опубликованы. Режим Zero Data Retention для размещенного API не означает, что выполнены конкретные требования к местоположению данных, договорные или инфраструктурные требования.

До выхода весов компании, использующие API Moonshot, вынуждены доверять свои данные внешнему сервису, чья международная политика конфиденциальности указывает на серверы в Сингапуре, а не рассчитывать, что обработка останется в США. Это может особенно насторожить государственных поставщиков на фоне ужесточения контроля за ИИ китайской разработки: после ограничений, о которых писал VentureBeat, приказ DHS исключает DeepSeek из гражданских федеральных закупок и требует удалить ее продукты и подпадающие под действие сторонние реализации из систем ведомств. Этот приказ не касается Kimi, но дает потенциальным пользователям еще один повод проверить места обработки данных и требования госконтрактов, прежде чем отправлять конфиденциальные материалы.

Главный довод в пользу Kimi — сочетание конкурентной производительности в многошаговых задачах, более низких стандартных цен за токены, чем у ряда флагманских конкурентов, и обещанной возможности эксплуатировать модель самостоятельно. Главный довод в пользу сохранения альтернатив столь же конкретен: более дешевые модели, возможно, уже справляются с задачей, проприетарные конкуренты остаются сильнее в некоторых оценках, а самостоятельный хостинг пока остается делом будущего.

Для корпоративных команд следующий шаг — ограниченное сравнение на самых сложных повторяющихся задачах с измерением принятых результатов, общей стоимости и сэкономленного времени, — а заодно ожидание ноябрьской публикации весов, которая покажет, соответствует ли гибкость развертывания обещаниям бенчмарков.