‏Kimi K3.1 Pro: مدل open-weight سه تریلیونی با کانتکست یک میلیونی

تیم Kimi مدل Kimi K3.1 Pro رو معرفی کرده. این اولین مدل سری K3.1 و به گفتهٔ خودشون قوی‌ترین مدل open-weight (یعنی مدلی که وزن‌هاش عمومی منتشر می‌شه و می‌تونی روی سرور خودت اجراش کنی) کلاس سه تریلیونی‌شونه، با کانتکست یک میلیون توکن. یه نسخهٔ Highspeed هم اومده که 2 تا 3 برابر سریع‌تره. هر دو از امروز روی Kimi.ai، Kimi Work، Kimi Code و Kimi API در دسترسن و وزن‌های کامل تا 4 نوامبر منتشر می‌شه.

K3.1 Pro در واقع همون Kimi K3 هست که با compute خیلی بیشتری post-train شده. تیم Kimi می‌گه برای RL (یعنی یادگیری تقویتی که مدل با آزمون و خطا و گرفتن پاداش یاد می‌گیره) روی صدها حوزهٔ مختلف، همهٔ لایه‌های زیرساخت رو بهینه کردن تا هر مقدار compute اضافه نتیجهٔ قابل پیش‌بینی بده. تو Terminal-Bench 4.0 این مدل 65.7٪ گرفته، بالاتر از GPT-6 Astra با 58.2٪ و کمی پایین‌تر از Claude Opus 5.5 با 66.4٪.

تو کدنویسی، مدل با موتورهای بازی مثل Unity، Unreal Engine و Godot کار می‌کنه و صفحه‌های فرانت‌اند و صحنه‌های Three.js رو با کیفیت بصری بهتری می‌سازه. یه نمونهٔ جالب: روی مدل آناتومی متن‌باز human-atlas (با 296 جزء اسکلتی و 402 عضله) یه شبیه‌ساز راه رفتن ساخته. طی 167 مأموریت، آدمک شبیه‌سازی‌شده از زمین خوردن تو چند ثانیه رسید به 11.2 ثانیه راه رفتن پیوسته. وقتی تنظیم reward جواب نداد، مدل خودش 36 خطا تو محاسبات moment-arm عضلات شونه پیدا کرد و درستشون کرد.

تو BenchCAD (یعنی بازسازی مدل سه‌بعدی از چند تصویر با تولید کد CAD) با ابزار 92.7٪ گرفته که نزدیک به Opus 5.5 با 96.2٪ هست. بدون MCP هم می‌تونه برای Blender و نرم‌افزارهای CAD اسکریپت بنویسه. تو مالی روی OfficeQA Pro v2 با امتیاز 64.4 بهترین نتیجه رو گرفته. نرخ hallucination (یعنی ادعای غلطی که مدل با اطمینان می‌گه) تو بنچمارک داخلی سختشون از 23.4٪ تو K3 به 8.3٪ رسیده، هرچند خودشون می‌گن این عدد نرخ خطای استفادهٔ روزمره نیست.

جالب‌ترین بخش، امنیت سایبریه. تیم Kimi دیده که با بیشتر شدن post-training، توان پیدا کردن آسیب‌پذیری هم بالا می‌ره، چون دادهٔ امنیتی لای دادهٔ عمومی قاطی بوده. برای نسخهٔ open-weight این داده رو هم از mid-training و هم از محیط‌های RL حذف کردن. نتیجه: تو بنچمارک داخلی xdev-bench-hard نسخهٔ بدون حذف 90.5٪ مسئله‌ها رو حل می‌کرد و نسخهٔ نهایی 81.0٪. یعنی حذف داده واقعاً اثر داشته، ولی مدل هنوز از نسل قبلش قوی‌تره.

به گفتهٔ تیم Kimi، اصلشون اینه که وزن‌هایی منتشر نکنن که مرز توان حملهٔ سایبری رو جلوتر ببره، ولی کم‌کم این توان رو تو مدل‌های باز بالا ببرن. استدلالشون اینه که مدل باز به تیم‌های بیشتری اجازه می‌ده کد خودشون، حتی سیستم‌های قدیمی، رو بررسی کنن. برای استفاده تو Kimi Code مدل رو با دستور /model انتخاب می‌کنی و تو API اسمش kimi-k3.1-pro هست.

نکات کلیدی:

• Kimi K3.1 Pro کانتکست یک میلیون توکنی داره و وزن‌هاش تا 4 نوامبر 2026 منتشر می‌شه.
• نسخهٔ Highspeed دو تا سه برابر سریع‌تر از K3.1 Pro هست.
• امتیاز K3.1 Pro تو Terminal-Bench 4.0 برابر 65.7٪ هست، در برابر 66.4٪ برای Claude Opus 5.5 و 58.2٪ برای GPT-6 Astra.
• نرخ hallucination در سطح ادعا تو بنچمارک داخلی از 23.4٪ به 8.3٪ رسیده.
• با حذف دادهٔ سایبری، امتیاز xdev-bench-hard از 90.5٪ به 81.0٪ پایین اومده.
• تو Kimi Enterprise دسترسی به K3.1 Pro به‌صورت پیش‌فرض خاموشه و ادمین باید روشنش کنه.