Moonshot AI

Kimi K3.1 ProOuvert

Moonshot’s 2.8T-parameter MoE flagship with 1M context, native multimodality and frontier reasoning.

#3publié le 20 oct. 2026·Open Weights·2.8T MoE
textimage1.0M ctxraisonnement
Intelligence
94.2 #3
AAQI 68.0
Vitesse Sortie
45 t/s
ITL 22.2 ms/tok
Prix mixte (3:1)
$8 /1M
Entrée $4/M · Sortie $20/M
Contexte
1.0M
≈ 2,500 pages A4 · sortie max 131,072

Quality Domain Radar

6-Axis Frontier Evaluation vs Category Average & Flagship

Kimi K3.1 Pro
Claude Mythos Preview (#1)
Average (68)
Coding (72)Mathematics (95)Hard Science (GPQA) (98)Agentic & Tool Use (82)Knowledge (MMLU) (45)Vision / Multimodal (96)

Les axes du radar sont approximés depuis les scores par catégorie lorsque les mesures directes manquent — voir Méthodologie.

Points forts & compromis

Là où il gagne

  • Top-3 podium score — frontier reasoning and agentic tool use
  • 1M context with open weights
  • Strong SWE-bench / Terminal-Bench results for long-horizon coding
  • Multimodal document and chart understanding at 96+

Points de vigilance

  • Multi-node cluster required for self-hosting (2.8T MoE)
  • 45 tok/s output — slower than flash-tier peers
  • Premium pricing vs. smaller open models

Cas d'usage clés

Long-horizon coding agents
131K output window rewrites whole files; leads SWE-bench-class leaderboards.
Agentic browsing & research
Tool-use loops over 1M-token contexts — the K-line’s signature workload.
Multimodal enterprise RAG
Charts, scans and PDFs ingested natively alongside text.

Démarrage rapide développeur & API

Définissez d’abord MOONSHOT_API_KEY — obtenir une clé API
curl https://api.moonshot.ai/v1/chat/completions \
  -H "Authorization: Bearer $MOONSHOT_API_KEY" \
  -H "content-type: application/json" \
  -d '{
    "model": "kimi-k3-1-pro",
    "messages": [{"role": "user", "content": "Refactor this function for O(n) time and explain the change."}]
  }'

Ressources & liens officiels

Déploiement API

Comparer hôtes et latence

Débit, TTFT et tarifs de cache chez Groq, Cerebras, Together, DeepInfra, Fireworks, Bedrock et Azure.

GroqCerebrasTogether AIDeepInfraFireworks AIAWS BedrockAzure AI
Voir la matrice des fournisseurs →

Scores par Source

Duels en direct

Specs en direct & architecture

Sous le capot
Kimi K3.1 Pro — 2.8T MoE, ~40B active
  • Sparse MoE routing — ~40B active per token out of 2.8T total
  • Native multimodality: text + vision in a single weight set
  • Reasoning effort levels with a 131K max output window
  • INT4 checkpoints for cheaper multi-node serving
Date de Sortie
20 oct. 2026
Architecture
Kimi K3.1 Pro — 2.8T MoE, ~40B active
Paramètres
2.8T MoE
Licence
Open Weights
Fenêtre de Contexte
1,000,000 tokens
Sortie max
131,072 tokens
Modalités
text + image
Tarifs du cache
lecture $0.4 · écriture $5 /1M
Raisonnement
Niveaux d'effort
Prix Entrée
$4/M
Prix Sortie
$20/M
Vitesse Sortie
45 t/s
Temps au Premier Token
—
Données mises à jour
22 oct. 2026
Matériel et inférence locale
Données : Convly AI (CC BY 4.0) ↗
GPU min.
Multi-node cluster (e.g. 2× 8-GPU H200 141GB nodes)

Facture mensuelle estimée

Dépense mensuelle estimée
$0.00
Calcul des économies vs GPT-4o…

Citer et intégrer

Badge Markdown GitHub
Loading badge markdown...
BibTeX
@misc{llmpodium2026kimik31pro,
  title = {Benchmark Analysis and Intelligence Evaluation of Kimi K3.1 Pro},
  author = {LLMPodium Research},
  year = {2026},
  url = {https://llmpodium.com/models/kimi-k3-1-pro}
}

Intégrer le badge de score

Ajoutez un badge Podium Score en direct à votre README GitHub ou Hugging Face — il renvoie vers le classement en direct.

Aperçu
Kimi K3.1 Pro LLMPodium Score
Markdown
Loading badge snippet...
HTML
Loading badge snippet...

Plus de Moonshot AI

Modèles alternatifs

Meilleures alternatives à Kimi K3.1 Pro selon les capacités, le prix et les benchmarks.

0 / 4