Kimi K3.1 Pro: миллион токенов и быстрая версия — что объявила Moonshot AI

Moonshot AI представила Kimi K3.1 Pro — новую модель семейства K3 с заявленным контекстным окном до одного миллиона токенов. Одновременно появилась K3.1 Pro Highspeed: по оценке компании, она отвечает в два-три раза быстрее обычной версии. Обе модели уже доступны в продуктах Kimi и через API. При этом полные веса разработчик пока только обещает опубликовать к 4 ноября. Для тех, кто выбирает модель сегодня, это существенное различие: доступ к облачному API и возможность запустить собственную копию — не одно и то же.

Что именно появилось

В официальном анонсе Moonshot называет K3.1 Pro мультимодальной моделью для работы с кодом, документами и агентными задачами. Компания отдельно показывает примеры в 3D-моделировании и финансовом анализе. Это широкий перечень, но он не означает, что один и тот же режим одинаково хорош во всех профессиях. Большая часть демонстраций и сравнительных тестов опубликована самим разработчиком; считать их независимой проверкой было бы неправильно.

Анонс не ограничился страницей компании. 23 октября Vercel сообщила о доступности обеих версий через свой AI Gateway и указала для них разные идентификаторы. Это подтверждает существование двух маршрутов подключения, но не подтверждает заявленную точность на документах конкретной организации. При работе через посредника стоит отдельно проверить тариф, ограничения, обработку данных и возможность переключения поставщика.

Заявление о миллионе токенов легко принять за обещание «загрузить всю папку и получить правильный ответ». На практике ёмкость окна говорит лишь о том, сколько материала система может принять в одном запросе. Ответ всё равно зависит от качества исходных файлов, положения нужного абзаца среди других, формулировки вопроса и способности модели сослаться на конкретное место. Мы подробно объясняли эту разницу в материале о контекстном окне и том, почему ИИ забывает.

Кому новость действительно полезна

Первый понятный сценарий — анализ нескольких связанных документов. Например, команда сверяет основной договор, приложения и историю изменений. Длинный контекст может сократить число ручных этапов нарезки текста. Но проверяющий всё равно должен открыть исходный пункт и убедиться, что ответ относится к нужной версии договора. Если результат нельзя сопоставить с файлом и страницей, удобство загрузки большого объёма не превращается в надёжный рабочий процесс.

Второй сценарий — кодовая база и длинная задача агента. Здесь имеет смысл сравнивать не красоту первого ответа, а завершённую работу: прошли ли тесты, не изменились ли посторонние файлы, сколько времени ушло на проверку и исправления. Особенно важны права доступа и журнал действий. Для такого пилота пригодится наш гайд по приёмке изменений ИИ-агента.

Третий сценарий — интерактивная работа, где ожидание ответа мешает человеку. Именно здесь версия Highspeed выглядит логичной кандидатом. Однако опубликованное разработчиком ускорение в два-три раза не следует механически переносить на собственные задачи: задержка зависит от длины входа и выхода, нагрузки, расположения сервера и способа подключения. Замерять нужно от отправки запроса до готового проверенного результата, а не только время до первого символа.

Что пока остаётся неизвестным

Дата публикации весов — план, а не состоявшаяся поставка. До фактического релиза нельзя утверждать, что модель уже доступна для локального развёртывания, подходит к конкретной видеокарте или разрешена для нужного способа использования. Аналогично статус «открытых весов» не заменяет чтения лицензии. Когда файлы появятся, стоит сверить точное название версии, условия использования, размер, контрольные суммы и требования к инфраструктуре.

Отдельного испытания заслуживают заявления о точности. В анонсе есть результаты внутренних и внешних бенчмарков, в том числе по работе с финансовыми документами. Это полезная подсказка для выбора кандидата в тест, но не гарантия отсутствия ошибок в российских договорах, таблицах или переписке. Перенос с демонстрационных наборов на реальные документы — именно то место, где чаще всего скрываются исключения.

Как проверить модель за один рабочий день

Подготовьте три разрешённых набора: короткий документ с очевидным ответом, длинный пакет с двумя похожими версиями и случай, где ответа нет. Для каждого заранее запишите правильный фрагмент, страницу и допустимую формулировку «не найдено». Удалите персональные данные и коммерческие секреты до загрузки во внешний сервис.

Затем задайте одни и те же вопросы K3.1 Pro, вашему текущему инструменту и, если нужен быстрый диалог, версии Highspeed. Просите не только вывод, но и цитату с указанием исходного файла. Проверяющий, не знающий, какая модель дала ответ, отмечает точность, пропуски, выдуманные ссылки, время проверки и полную стоимость вызова. Если модель уверенно отвечает на вопрос без ответа в исходнике, такой прогон нельзя считать успешным.

Результат лучше сохранить в таблице: задача, версия модели, объём входа, ответ, подтверждающий фрагмент, ошибка, время до принятого результата. Тогда следующее обновление можно сравнить на тех же примерах, а не по памяти. Для повторяемой проверки пригодится чек-лист подготовки ИИ к независимой оценке.

Вывод

Kimi K3.1 Pro интересна сочетанием очень длинного заявленного контекста, мультимодального входа и двух вариантов скорости. На 24 октября модели доступны как сервис, а публикация полных весов ещё впереди. Практическое решение — не переносить в неё весь архив сразу, а проверить несколько своих документов и один заведомо неразрешимый вопрос. Большое окно экономит подготовку входа только тогда, когда ответ выдерживает сверку с оригиналом.

Частые вопросы

Можно ли уже скачать K3.1 Pro и поставить на свой сервер? В анонсе обещана публикация полных весов к 4 ноября. Пока не стоит писать инструкцию по локальному запуску как для уже выпущенных файлов.

Highspeed умнее обычной Pro? Moonshot выделяет у неё скорость, а не отдельную гарантию качества. Для выбора нужны одинаковые контрольные задания и измерение полного результата.

Если документ помещается в контекст, поиск по нему больше не нужен? Нет. Поиск, цитирование и ручная проверка источника остаются полезными: модель может пропустить нужное условие даже после загрузки всего файла.