Inilabas na ang Kimi K3.1 Pro: 1M context, open weights sa Nob 4

Inilabas ng Moonshot AI ang Kimi K3.1 Pro noong 23 Oktubre 2026: isang modelong may 1,048,576-token na context window, na nakatuon sa agentic at coding na gawain, na may buong open weights na ipinangako bago ang 4 Nobyembre. Ang presyo ng API ang tanging kulang: sa mga pahinang tiningnan namin noong 23 Oktubre, hindi ito nakalathala.

Kaya kung dumating ka para sa mabilisang hatol, narito: kawili-wiling modelo, malalakas na numero mula sa vendor, wala pang paraan para presyuhan ang isang workload dito. Nasa ibaba ang aktwal na sinasabi ng anunsyo, kung paano basahin ang mga benchmark, at isang kalkulasyon ng gastos para sa parehong uri ng gawain sa mga modelong maaari mong patakbuhin ngayon.

Ano ang inanunsyo ng Moonshot#

Ang anunsyo ng Kimi K3.1 Pro (tiningnan noong 23 Oktubre 2026) ay nagsasabing ang K3.1 Pro ang unang modelo ng seryeng K3.1. Mayroon ding mas mabilis na variant, ang Kimi K3.1 Pro Highspeed, na inilalarawan ng Moonshot bilang 2–3× na mas mabilis. Ang mga API id ay kimi-k3.1-pro at kimi-k3.1-pro-highspeed.

Tinatawag ito ng Moonshot na "3T-class open-weight model" at sinasabing darating ang buong weights bago ang 4 Nobyembre 2026. May isang Telegram retelling na nagsipi ng eksaktong bilang ng parameter; hindi ito binanggit ng opisyal na pahina, kaya ituring na hindi kumpirmado ang numerong iyon.

Kung saan mo ito magagamit ngayon, ayon sa anunsyo: Kimi.ai at ang mga app, Kimi Work desktop 3.1.0+, Kimi Code (sa pamamagitan ng /model), ang Kimi API (na may Zero Data Retention para sa mga API customer) at Kimi Business, kung saan kailangang i-on ito ng enterprise admin — naka-off ito bilang default sa launch.

Mga limit at detalye ng API#

Ang quickstart (tiningnan noong 23 Oktubre 2026) ay nagbibigay ng mga numerong ito:

• context window: 1,048,576 tokens;
• max_completion_tokens: 131,072 bilang default, hanggang 1,048,576;
• flat na per-token na presyo, walang context tiers;
• awtomatikong context caching na may 5-minutong default na TTL; ang mga cache write ay sinisingil ayon sa TTL (5 minuto o 1 oras), ang cached input sa presyo ng cache-hit;
• base URL na https://api.moonshot.ai/v1, may mga halimbawa para sa OpenAI SDK.

Tungkol sa presyo. Ang pricing page ay nagbalik ng walang laman na mga table para sa K3.1 Pro noong tiningnan namin noong 23 Oktubre. Wala pang pampublikong presyo para sa input, cache o output, kaya anumang "Kimi K3.1 Pro costs X" na makita mo ngayon ay haka-haka lang.

Ang mga benchmark, at kung paano basahin ang mga ito#

Lahat ng ito ay sariling numero ng Moonshot, na pinatakbo sa maximum reasoning effort, temperature 1.0, top-p 0.95:

• Terminal-Bench 4.0: 65.7% (GPT-6 Astra 58.2%, Claude Opus 5.5 66.4%);
• BenchCAD with tools: 92.7% (Opus 5.5 96.2%, GPT-6 Astra 95.9%);
• Kimi Code Bench 3.0, long-horizon: 61.2% kumpara sa 55.95% ng K3;
• claim-level hallucination rate sa internal na Kimi Hallu Bench Hard ng Moonshot: 8.3%, bumaba mula 23.4% ng K3.

Basahin ito bilang: malapit sa tuktok sa terminal tasks, nasa likod sa CAD, at malaking pagbaba ng sinasabing gawa-gawang claim kumpara sa hinalinhan nito. Dalawa sa apat ay internal na benchmark ng Moonshot, kaya hintayin ang mga independiyenteng run bago mo itayo muli ang anuman sa paligid ng mga ito. Sinasabi rin ng Moonshot na inalis nila ang cyber-related data mula sa mid-training at reinforcement learning para limitahan ang offensive cyber capability.

Ano ang ibig sabihin nito para sa bill ng iyong agent#

Mahalaga ang 1M window kapag maraming context ang hawak ng iyong agent: repository files, tool output, mahabang history. Pero karamihan ng agent loop ay hindi nangangailangan ng isang milyong token kada call; kailangan nila ng ilang sampung libo, na inuulit nang maraming beses. Doon nagmumula ang bill, at mapapresyuhan mo ito ngayon.

Sabihin nating tumatakbo ang iyong agent ng 1,000 steps, at bawat step ay nagpapadala ng 30,000 tokens ng context at nakakakuha ng 800 tokens pabalik. Iyon ay 30,000 × 1,000 = 30,000,000 input tokens at 800 × 1,000 = 800,000 output tokens. Ang table ay nagpapresyo nang eksakto niyan sa mga modelong available sa CheapTokens, katabi ng OpenRouter reference:

Para sa agentic at coding loops, ang MiniMax-M2.7 ang direktang pipiliin: sa mga fact na tiningnan namin noong 23 Oktubre 2026, mas mura ang input at output nito kaysa sa OpenRouter reference, may 180K context at hanggang 8,192 output tokens kada sagot. Ang isang step ng workload na ito ay nagkakahalaga ng $0.0016.

Ang mga presyo ay mula sa live na price list, kaya nagre-refresh ang mga numero sa itaas kapag nagbago ang mga taripa. Para makita ang mga modelo nang magkatabi, buksan ang pricing page; para sa step-by-step na estimate ng sarili mong loop, tingnan ang how to estimate the cost of an AI agent.

Subukan ang parehong workload mismo#

OpenAI-compatible ang CheapTokens API, kaya ang umiiral na client ay kailangan lang ng bagong base URL at model id. Kailangan ang buong id; hindi tinatanggap ang maikling pangalan mula sa price list:

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
  }'

Ang response ay may usage block na may input at output tokens. I-multiply ang mga iyon sa bilang ng iyong step at mayroon ka nang sariling bersyon ng table sa itaas. Nasa docs ang mga detalye ng setup; kung pumipili ka sa tatlong modelo, dinadaanan ng GLM vs DeepSeek vs MiniMax ito ayon sa gawain.

Ano ang abangan sa susunod#

• Ang presyo. Muling tingnan ang Kimi pricing page: kapag lumitaw ang presyo ng input, cache at output, maaari mong patakbuhin ang parehong 1,000-step na kalkulasyon sa mga ito.
• 4 Nobyembre. Ang open weights. Karaniwang sumusunod ang mga independiyenteng evaluation sa loob ng ilang araw.
• Highspeed. Hindi kumpirmado nang hiwalay sa K3.1 Pro ang presyo at context window nito.

Isang rule of thumb para sa anumang bagong long-context na modelo: presyuhan ang iyong tunay na step (context in, answer out) bago ka magagalak sa laki ng window.