블로그로 돌아가기

AI 뉴스업데이트

Kimi K3.1 Pro 출시: 1M 컨텍스트, 오픈 웨이트 11월 4일 예정

Moonshot AI의 Kimi K3.1 Pro가 제공하는 것: 1M 토큰 컨텍스트, 벤더 벤치마크, API id, 11월 4일까지 오픈 웨이트 — 그리고 긴 에이전트 실행 비용.

작성자: CheapTokens Team 게시됨 업데이트됨읽는 시간 5분

커버: 1M 토큰 컨텍스트 윈도우와 11월 4일 예정 오픈 웨이트를 갖춘 Kimi K3.1 Pro
이 페이지의 내용
  1. Moonshot이 발표한 내용
  2. 한도와 API 세부 사항
  3. 벤치마크와 읽는 방법
  4. 에이전트 비용에 미치는 의미
  5. 같은 워크로드를 직접 시험해 보기
  6. 다음에 주목할 것

Moonshot AI는 2026년 10월 23일 Kimi K3.1 Pro를 공개했습니다. 1,048,576 토큰 컨텍스트 윈도우를 갖춘 모델로, 에이전틱 및 코딩 작업을 겨냥하며 11월 4일까지 전체 오픈 웨이트를 공개하겠다고 약속했습니다. 빠진 것은 API 가격 하나입니다. 10월 23일에 확인한 페이지에서는 공개되지 않았습니다.

빠른 결론을 원하셨다면 여기 있습니다. 흥미로운 모델, 강력한 벤더 수치, 하지만 아직 워크로드 비용을 산정할 방법이 없습니다. 아래에는 발표 내용이 실제로 말하는 것, 벤치마크를 읽는 방법, 그리고 오늘 실행할 수 있는 모델로 같은 종류의 작업을 했을 때의 비용 계산이 있습니다.

Moonshot이 발표한 내용#

Kimi K3.1 Pro 발표(2026년 10월 23일 확인)에 따르면 K3.1 Pro는 K3.1 시리즈의 첫 모델입니다. 더 빠른 변형인 Kimi K3.1 Pro Highspeed도 있으며, Moonshot은 이를 2–3배 빠르다고 설명합니다. API id는 kimi-k3.1-pro와 kimi-k3.1-pro-highspeed입니다.

Moonshot은 이를 "3T급 오픈 웨이트 모델"이라고 부르며 전체 웨이트는 2026년 11월 4일까지 공개된다고 합니다. 텔레그램 재전언에는 정확한 파라미터 수가 인용되어 있지만 공식 페이지에는 없으므로 그 수치는 미확인으로 취급하세요.

발표에 따르면 오늘 사용할 수 있는 곳은 Kimi.ai와 앱, Kimi Work 데스크톱 3.1.0+, Kimi Code(/model 경유), Kimi API(API 고객 대상 Zero Data Retention 제공), 그리고 Kimi Business입니다. Kimi Business에서는 엔터프라이즈 관리자가 직접 켜야 하며, 출시 시점에는 기본적으로 꺼져 있습니다.

한도와 API 세부 사항#

퀵스타트(2026년 10월 23일 확인)에 따르면 다음과 같습니다.

  • 컨텍스트 윈도우: 1,048,576 토큰;
  • max_completion_tokens: 기본 131,072, 최대 1,048,576;
  • 컨텍스트 구간 없이 토큰당 단일 가격;
  • 기본 TTL 5분의 자동 컨텍스트 캐싱; 캐시 쓰기는 TTL(5분 또는 1시간) 기준으로 과금되며, 캐시된 입력은 캐시 적중 가격으로 청구됩니다;
  • 기본 URL https://api.moonshot.ai/v1, OpenAI SDK용 예제 포함.

가격에 관해. 10월 23일 확인했을 때 가격 페이지는 K3.1 Pro에 대해 빈 표를 반환했습니다. 입력, 캐시, 출력 가격이 아직 공개되지 않았으므로 오늘 보이는 "Kimi K3.1 Pro 비용은 X"라는 말은 모두 추측입니다.

벤치마크와 읽는 방법#

모두 Moonshot 자체 수치이며, 최대 추론 노력, temperature 1.0, top-p 0.95로 실행되었습니다.

  • Terminal-Bench 4.0: 65.7% (GPT-6 Astra 58.2%, Claude Opus 5.5 66.4%);
  • 도구 사용 BenchCAD: 92.7% (Opus 5.5 96.2%, GPT-6 Astra 95.9%);
  • Kimi Code Bench 3.0, 장기 지평: 61.2%로 K3의 55.95% 대비;
  • Moonshot 내부 Kimi Hallu Bench Hard의 주장 수준 환각률: 8.3%로 K3의 23.4%에서 감소.

이렇게 읽으세요. 터미널 작업에서는 최상위에 근접하고, CAD에서는 뒤처지며, 전작 대비 허위 주장이 크게 줄었다고 주장합니다. 네 가지 중 두 가지는 Moonshot 내부 벤치마크이므로, 이를 기반으로 무언가를 재구축하기 전에 독립 실행 결과를 기다리세요. Moonshot은 또한 공격적 사이버 역량을 제한하기 위해 중간 학습과 강화 학습에서 사이버 관련 데이터를 제거했다고 밝혔습니다.

에이전트 비용에 미치는 의미#

1M 윈도우는 에이전트가 많은 컨텍스트(저장소 파일, 도구 출력, 긴 이력)를 유지할 때 중요합니다. 하지만 대부분의 에이전트 루프는 호출당 백만 토큰이 필요하지 않습니다. 수만 토큰을 여러 번 반복하는 것이 필요합니다. 비용은 여기서 발생하며, 오늘 산정할 수 있습니다.

에이전트가 1,000단계를 실행하고 각 단계에서 30,000 토큰의 컨텍스트를 보내고 800 토큰을 받는다고 가정해 봅시다. 이는 30,000 × 1,000 = 30,000,000 입력 토큰과 800 × 1,000 = 800,000 출력 토큰입니다. 표는 CheapTokens에서 사용 가능한 모델에 대해 OpenRouter 참조와 나란히 정확히 이 비용을 산정합니다.

모델 요청당 1,000회 요청 OpenRouter, 1,000회 요청
GLM-5.3-Flash $0.00063 $0.632 $1.30
DeepSeek-V4-Flash $0.00053 $0.53 $1.55
MiniMax-M2.7 $0.0016 $1.62 $9.96

요청당 입력 30,000개 및 출력 800개 토큰입니다. 100만 토큰당 가격은 현재 기준이며 당사 요금제에 따라 함께 변경됩니다. OpenRouter 열은 동일한 작업량에 대한 참고 가격을 보여줍니다.

에이전틱 및 코딩 루프에는 MiniMax-M2.7이 단연 선택입니다. 2026년 10월 23일에 확인한 사실에 따르면 입력과 출력 모두 OpenRouter 참조보다 저렴하며, 180K 컨텍스트와 답변당 최대 8,192 출력 토큰을 제공합니다. 이 워크로드의 한 단계 비용은 $0.0016입니다.

1,000 에이전트 단계 비용(단계당 입력 30,000, 출력 800)
  • MiniMax-M2.7$1.62

가격은 실시간 가격 목록에서 가져오므로 요금이 변경되면 위 수치도 갱신됩니다. 모델을 나란히 보려면 가격 페이지를 열고, 자체 루프의 단계별 추정은 AI 에이전트 비용 추정 방법을 참고하세요.

같은 워크로드를 직접 시험해 보기#

CheapTokens API는 OpenAI 호환되므로 기존 클라이언트는 새 기본 URL과 모델 id만 있으면 됩니다. 전체 id가 필요하며, 가격 목록의 짧은 이름은 허용되지 않습니다.

bash
curl https://api.cheaptokens.dev/v1/chat/completions \
  -H "Authorization: Bearer $CHEAPTOKENS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "MiniMaxAI/MiniMax-M2.7",
    "messages": [{"role": "user", "content": "List the files you would read first in a Python repo with a failing test."}],
    "max_tokens": 400
  }'

응답에는 입력 및 출력 토큰이 담긴 usage 블록이 포함됩니다. 이를 단계 수에 곱하면 위 표의 자체 버전을 얻을 수 있습니다. 설정 세부 사항은 문서에 있으며, 세 모델 중 선택 중이라면 GLM vs DeepSeek vs MiniMax가 작업별로 안내합니다.

다음에 주목할 것#

  • 가격. Kimi 가격 페이지를 다시 확인하세요. 입력, 캐시, 출력 가격이 나타나면 동일한 1,000단계 계산을 적용할 수 있습니다.
  • 11월 4일. 오픈 웨이트. 독립 평가는 보통 며칠 안에 이어집니다.
  • Highspeed. 가격과 컨텍스트 윈도우는 K3.1 Pro와 별도로 확인되지 않았습니다.

새로운 장문 컨텍스트 모델에 대한 경험칙 하나: 윈도우 크기에 흥분하기 전에 실제 단계(컨텍스트 입력, 답변 출력)의 비용을 산정하세요.

태그: