Moonshot AI

Kimi K3.1 ProAberto

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

#3lançado 20 de out. de 2026·Open Weights·2.8T MoE
textimage1.0M ctxraciocínio
Provedores de APIObter chave de API →vs Claude 5.5 SonnetRanking
Inteligência
94.2 #3
AAQI 68.0
Velocidade de saída
45 t/s
ITL 22.2 ms/tok
Preço combinado (3:1)
$8 /1M
Entrada $4/M · Saída $20/M
Contexto
1.0M
≈ 2,500 páginas A4 · saída máx. 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)

Os eixos do radar são aproximados a partir dos scores de categoria quando faltam medições diretas — veja Metodologia.

Pontos fortes e trade-offs

Onde vence

  • 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+

Pontos de atenção

  • 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

Casos de uso matadores

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.

Quickstart do desenvolvedor e API

Defina primeiro MOONSHOT_API_KEY — obter uma chave de 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."}]
  }'

Recursos e links oficiais

Implantação de API

Comparar hosts e latência

Throughput, TTFT e preços de cache na Groq, Cerebras, Together, DeepInfra, Fireworks, Bedrock e Azure.

GroqCerebrasTogether AIDeepInfraFireworks AIAWS BedrockAzure AI
Ver matriz de provedores →

Pontuações por fonte

Confrontos diretos ao vivo

Especificações ao vivo e arquitetura

Por baixo do capô
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
Data de lançamento
20 de out. de 2026
Arquitetura
Kimi K3.1 Pro — 2.8T MoE, ~40B active
Parâmetros
2.8T MoE
Licença
Open Weights
Janela de contexto
1,000,000 tokens
Saída máx.
131,072 tokens
Modalidades
text + image
Preços de cache
leitura $0.4 · escrita $5 /1M
Raciocínio
Níveis de esforço
Preço de entrada
$4/M
Preço de saída
$20/M
Velocidade de saída
45 t/s
Tempo até o primeiro token
—
Dados atualizados
22 de out. de 2026
Hardware e inferência local
Dados: Convly AI (CC BY 4.0) ↗
GPU mín.
Multi-node cluster (e.g. 2× 8-GPU H200 141GB nodes)

Fatura mensal estimada

Gasto mensal estimado
$0.00
Calculando economia vs GPT-4o…

Citar e incorporar

Badge de Markdown do 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}
}

Incorporar selo de pontuação

Adicione um selo de Podium Score ao seu README no GitHub ou Hugging Face — ele aponta para o ranking ao vivo.

Pré-visualização
Kimi K3.1 Pro LLMPodium Score
Markdown
Loading badge snippet...
HTML
Loading badge snippet...

Mais de Moonshot AI

Modelos alternativos

Principais alternativas para Kimi K3.1 Pro com base em recursos, preço e benchmarks.

0 / 4