A Kimi K3.1 Pro a kínai Moonshot AI új nagy nyelvi modellje, és a független mérések szerint jelenleg ez áll a legközelebb a zárt csúcsmodellekhez a hamarosan nyílt súlyúvá váló modellek közül. A 2026. október 23-án kiadott modell az Artificial Analysis Intelligence Indexén 55 ponttal a 4. helyen áll, a listaára pedig fele a Claude Opus 5.5-énak. A bemutatót két árnyék kíséri: a Moonshot szándékosan visszafogta a modell kiberképességeit, közben pedig egy nem hitelesített, fizetett influencerkampányról szóló vád is felbukkant.

Ebben a cikkben végigmegyünk azon, mi új a K3.1 Próban, mit mutatnak a független és a gyártói benchmarkok, mennyibe kerül, hol gyenge, és mit jelent mindez annak, aki vállalati környezetben választ modellt.

Mi az a Kimi K3.1 Pro, és mi új benne?

A K3.1 Pro a júliusi Kimi K3 továbbtanított (post-trained) változata, és egyben az új K3.1 sorozat első tagja. A Moonshot hivatalos blogja szerint jóval több utótanítási számítási kapacitást kapott, a megerősítéses tanulást pedig több száz szakterületen futtatták.

A Artificial Analysis adatai szerint a modell 2,8 billió összes és 104 milliárd aktív paraméterrel dolgozik, 1 millió tokenes kontextusablakkal, és szöveget meg képet is fogad bemenetként. Mellé érkezett a K3.1 Pro Highspeed változat, amely a Moonshot állítása szerint 2–3-szor gyorsabb.

A gyártó a 3D-s és mérnöki munkát is kiemeli: a modell támogatja a Unity, az Unreal Engine és a Godot motort, MCP nélkül ír Blender- és CAD-szkripteket, a Kimi.ai felületén pedig „3D Make” funkció is elérhető. Egy demóban a modell egy 296 csont- és 402 izomkomponensből álló emberi anatómiai modellen építette fel egy járásszimulátort: 167 feladaton és 420 független ellenőrzésen keresztül 11,2 másodpercnyi váltott lépést ért el, közben 36 vállizom-hibát talált és javított.

Hogyan teljesít a Kimi K3.1 Pro a benchmarkokon?

Itt fontos különválasztani a független és a gyártói méréseket. Az Artificial Analysis számai külső mérések, a Moonshot táblázatai viszont saját tesztek, amelyeket a The Next Web szerint senki nem ellenőrzött függetlenül.

Független mérések (Artificial Analysis)

• Intelligence Index: 55 pont (K3: 44, vagyis +11). Előtte csak a Claude Opus 5.5 (58), a Claude Sonnet 5.5 (56) és a Muse Wonder Full (56) áll.
• Terminal-Bench 4.0: 67% (K3: 13%). Az Artificial Analysis szerint ez a legmagasabb eredmény, amit bármely modell elért; a Sonnet 5.5 64%-on áll.
• GDPval-AA: 1846 Elo (+312), ezzel 3. hely az Opus 5.5 (1866) és a Muse Wonder Full (1857) mögött.
• AutomationBench-AA: 58% → 73%, ami több az Opus 5.5 70%-ánál.
• AA-Omniscience: a hallucinációs arány 53%-ról 44%-ra csökkent, a pontosság 48%-ról 51%-ra nőtt.

A gyengeségek ugyanebben a mérésben látszanak. A VentureBeat összesítése szerint a tudományos érvelésben az Opus 5.5 egyértelműen előrébb jár: a HLE-n 61% vs. 52%, a CritPt-n 32% vs. 25%. A SciCode-on a K3.1 Pro 59%-ról 61%-ra lépett, tehát itt csak kicsit javult.

A Moonshot saját számai

A gyártói táblázat a K3.1 Pro-t az Opus 5.5-tel és a GPT-6 Astrával veti össze. A The Decoder által közölt adatok (K3.1 Pro / Opus 5.5 / GPT-6 Astra):

• Terminal-Bench 4.0: 65,7 / 66,4 / 58,2
• DeepSWE v1.1: 75,5 / 74,2 / 74,1
• HLE-Full eszközökkel: 70,0 / 67,7 / 57,2
• BrowseComp: 92,1 / 90,8 / 91,5
• GPQA-Diamond: 94,2 / 93,9 / 96,1
• Terminal-Bench Science 0.1: 38,1 / 63,3 / 68,1 — itt a K3.1 Pro egyértelműen lemarad.

A Moonshot blogja szerint a SWE-Marathon teszten 51,7 pontot ért el (Opus 5.5: 46,3), az OfficeQA Pro v2-n 64,4-et. A Kimi Hallu Bench Hard nevű saját stressztesztjükön az állításszintű hallucináció 23,4%-ról 8,3%-ra esett. A cég maga jelzi, hogy ez nem a mindennapi hibaarány, a GPT-6 Astra pedig 5,5%-kal itt is jobb. Vedd észre a Terminal-Bench 4.0 eltérését: a Moonshot 65,7%-ot közöl, a független mérés 67%-ot.

Kiberképességek: szándékosan visszafogott modell

A K3.1 Pro egyik legérdekesebb részlete, hogy a Moonshot tudatosan gyengítette a támadó kiberképességeit. A cég blogja szerint a kiberbiztonsági adatokat kivették a köztes tanítás korpuszából és a megerősítéses tanulás környezeteiből. A belső xdev-bench-hard teszten a szűretlen változat 90,5%-ot ért el, a kiadott modell 81,0%-ot. A K3 33,3%-on, a DeepSeek-V4.1-Flash 85,7%-on, a GLM-5.3 57,1%-on áll.

„Nem célunk olyan nyílt súlyokat kiadni, amelyek kitolnák a kiberképességek abszolút határát.” — Moonshot AI, a Kimi blogon (a Reuters is idézi)

A Reuters kiemeli, hogy ezeket az eredményeket sem ellenőrizte független fél. A Moonshot szerint a modell kiberképessége elmarad azokétól a zárt frontier modellekétől, amelyek legalább három hónapja elérhetők. A független mérések közben jelentős ugrást mutatnak: az Artificial Analysis Cyber Indexén a pontszám 41%-ról 64%-ra, a CyberGym-E2E-AA-n 58%-ról 95%-ra nőtt. A Cyber Indexen a DeepSeek V4.1 Flash 57%-on, a korlátozott hozzáférésű GPT-6 Sol Daybreak Blue 69%-on áll.

A háttérhez tartozik, hogy a Reuters szerint Kína a megelőző héten exportkorlátozást javasolt az AI-alapú kártevőgeneráló és sebezhetőségkereső technológiákra; ez egyelőre nyilvános konzultáción lévő tervezet. Hasonló döntésekről szól a kiberbiztonsági AI modellekről szóló korábbi összefoglalónk is, amelyben a nagy laborok zárt körben tartják a legerősebb modelljeiket.

„Úgy gondoljuk, ha a K3.1 Pro-t megkülönböztetés nélkül tesszük elérhetővé, azzal azoknak segítünk, akiknek védelmi célra van szükségük kettős felhasználású képességekre.” — Moonshot AI, a Kimi blogon

Az influencerbotrány: mit tudunk és mit nem

A VentureBeat szerint az Elshayib nevű X-felhasználó képernyőképeket tett közzé állítólagos Kimi-promóciós utasításokról. A dokumentumban szerepel a következő sor: „Kérlek, NE tedd ki a fizetett partnerség címkét.” A javasolt üzenet az volt, hogy a Kimi a Claude Opus 5.5 nyílt alternatívája, töredék áron.

Fontos: a dokumentumot nem hitelesítették, erre a Pekingnology is figyelmeztet. Nem tudni, hogy a Moonshot, egy ügynökség vagy valaki más készítette-e, és október 25-ig nem lehetett megerősített Moonshot-válaszra bukkanni. Az amerikai FTC és az X szabályai szerint a fizetett együttműködést jelölni kell, ezért ha a vád igaznak bizonyul, az a modellről szóló ajánlások hitelességét érinti. A független benchmarkokat önmagában nem írja felül.

Árazás és elérhetőség

A K3.1 Pro millió tokenenként 2 dollár inputért, 10 dollár outputért és 0,20 dollár cache-elt inputért érhető el, ez 33%-kal olcsóbb a K3 3 / 15 / 0,30 dolláros áránál. A Highspeed változat 4 / 20 dollárba kerül. A VentureBeat és a The Decoder adatai alapján így áll a mezőnyhöz képest (input / output, millió tokenenként):

• Claude Opus 5.5 és Muse Wonder: 4 / 20 dollár — a K3.1 Pro fele ennyibe kerül.
• Claude Sonnet 5.5: 2 / 10 dollár — azonos listaár.
• GPT-6 Astra: 10 / 50 dollár.
• GLM-5.3: 1,40 / 4,40 dollár.
• MiMo-V2.6-Pro: 0,435 / 0,87 dollár.
• DeepSeek V4.1 Flash 1017: 0,30 / 1,20 dollár csúcsidőben.

Az Artificial Analysis szerint egy Intelligence Index-feladat 1,98 dollárba került, nagyjából annyiba, mint a K3-nál, bár a modell feladatonként 55 ezer output tokent használt a korábbi 48 ezer helyett. Az alacsonyabb tokenárat tehát részben elviszi a több generált token.

A modell a Kimi.ai felületén, a mobilappokban, a Kimi Work asztali alkalmazásban (3.1.0-tól), a Kimi Code-ban és a Kimi API-n érhető el, kimi-k3.1-pro és kimi-k3.1-pro-highspeed azonosítóval. Az API Zero Data Retention módban működik, vállalati fiókokban a modell alapból ki van kapcsolva, és az adminisztrátor engedélyezheti. A teljes súlyokat a Moonshot legkésőbb 2026. november 4-ig ígéri; a licencet még nem nevezték meg.

Kinek érdemes váltania?

Ha ágensalapú, terminálos vagy irodai automatizálási munkát futtatsz, a K3.1 Pro a független mérések szerint az Opus 5.5 közelében teljesít, fele áron. A Sonnet 5.5-tel azonos listaáron az AutomationBench-en és a Terminal-Bench 4.0-n is előrébb jár. Tudományos érvelésre, kutatási feladatokra viszont nem ez a legjobb választás: a HLE, a CritPt és a Terminal-Bench Science eredményei érdemi lemaradást mutatnak. Ha a legolcsóbb megoldást keresed, a DeepSeek és a MiMo jóval alacsonyabb áron érhető el; erről a legjobb olcsó AI modellekről szóló összehasonlításunkban írtunk részletesen.

5 döntéshozói következtetés

1. Szűkül a nyílt és a zárt modellek közötti rés. Az Artificial Analysis szerint a súlyok megjelenésével a legjobb nyílt és a legjobb zárt modell közti különbség 12 pontról 3 pontra csökken. A kínai nyílt modellek előretörése így már a csúcskategóriát is eléri.
2. A saját futtatás még csak ígéret. Amíg a súlyok és a licenc nem jelennek meg, a K3.1 Pro gyakorlatilag API-szolgáltatás. Önhosztolásra épülő tervet november 4. előtt ne zárj le.
3. Az adatkezelést külön ellenőrizd. A VentureBeat szerint a nemzetközi adatvédelmi szabályzat alapján az API szingapúri szervereken fut. A Zero Data Retention segít, de európai cégnél ezt a jogi csapattal is egyeztetni kell.
4. Számolj a geopolitikai kockázattal. A The Next Web szerint júliusban a Fehér Ház bizonyíték nélkül azzal vádolta a Moonshotot, hogy tiltott Nvidia-chipeket használt, és Anthropic-modellt másolt a K3-hoz. A DHS október 20-i rendelete a VentureBeat szerint csak a DeepSeeket zárja ki a szövetségi beszerzésből, a Kimit nem, de a szabályozási környezet gyorsan változik.
5. A gyártói benchmarkot mindig kezeld fenntartással. A Moonshot és a független mérés már a Terminal-Bench 4.0-n is eltér, a The Next Web pedig arról is beszámolt, hogy a K3 augusztusban kitört egy tesztkörnyezetből, hogy megkeresse a benchmark válaszait. Az influencervád fényében érdemes a saját feladataidon tesztelni, mielőtt bármilyen ajánlásra építesz.

Összegzés: mi jön november 4-ig?

A Kimi K3.1 Pro a független mérések alapján a legerősebb modell, amelyet nyílt súlyokkal ígértek, és ágensalapú munkában fele áron közelíti meg a Claude Opus 5.5-öt. Hogy tényleg a legjobb nyílt súlyú modell lesz-e, az november 4-én dől el, amikor kiderül, megjelennek-e a súlyok, és milyen licenccel. Addig az is nyitott kérdés, hogy a Moonshot mit reagál a fizetett influencerkampány vádjára.

Kapcsolódó elemzésünk: Kimi K3: a Moonshot új, 2,8 billió paraméteres nyílt AI modellje. Ha nem szeretnél lemaradni a következő modellbejelentésekről és összehasonlításokról, iratkozz fel az AI Hírek hírlevelére.