Kimi ha presentado K3.1 Pro, el primer modelo de su serie K3.1 y su modelo de pesos abiertos de clase 3T más capaz hasta la fecha. Diseñado para avanzar en la inteligencia abierta, el modelo cuenta con una ventana de contexto de 1 millón de tokens y está optimizado para capacidades de agentes en varios dominios, incluyendo programación, creación 3D e investigación financiera. Para soportar interacciones de alta velocidad, la empresa también lanzó Kimi K3.1 Pro Highspeed, que proporciona un rendimiento de 2 a 3 veces más rápido que la versión Pro estándar. Si bien los modelos están disponibles actualmente a través de la API de Kimi y sus plataformas web, se prevé que los pesos completos del modelo se publiquen al público el 4 de noviembre de 2026.
El rendimiento del modelo está impulsado por un aumento sustancial en el cómputo de posentrenamiento en comparación con su predecesor, Kimi K3. En las evaluaciones de programación, K3.1 Pro demuestra resultados competitivos frente a los principales modelos propietarios. Por ejemplo, en Terminal-Bench 4.0 —que evalúa agentes de programación en tareas de terminal con recursos limitados— K3.1 Pro obtuvo un 65.7%, superando a GPT-6 Astra (58.2%) y quedando solo ligeramente por detrás de Claude Opus 5.5 (66.4%). En el modelado 3D, el modelo puede inferir relaciones espaciales a partir de texto o bocetos para generar activos compatibles con CAD, obteniendo un 92.7% en la evaluación BenchCAD. Además, K3.1 Pro muestra mejoras significativas en flujos de trabajo financieros, logrando un aumento de rendimiento de 4.2 veces sobre K3 en operaciones comerciales simuladas y mejorando su precisión fáctica en la prueba de estrés Kimi Hallu Bench Hard.
El rendimiento del modelo está impulsado por un aumento sustancial en el cómputo de posentrenamiento en comparación con su predecesor, Kimi K3. En las evaluaciones de programación, K3.1 Pro demuestra resultados competitivos frente a los principales modelos propietarios.
Además, K3.1 Pro muestra mejoras significativas en flujos de trabajo financieros, logrando un aumento de rendimiento de 4.2 veces sobre K3 en operaciones comerciales simuladas y mejorando su precisión fáctica en la prueba de estrés Kimi Hallu Bench Hard.
Para gestionar los riesgos asociados con modelos de alta capacidad, Kimi implementó controles específicos durante el proceso de entrenamiento para reducir las capacidades cibernéticas ofensivas. La empresa identificó que el contenido relacionado con ciberseguridad estaba incrustado de forma natural en el corpus general de entrenamiento intermedio y en los entornos de RL; al eliminar estos datos específicos mientras conservaban las tareas de programación de propósito general, lograron reducir con éxito el rendimiento del modelo en la investigación de vulnerabilidades. En pruebas internas, la versión sin estas medidas de reducción de riesgos resolvió el 90.5% de los problemas en la evaluación xdev-bench-hard, mientras que la versión final de K3.1 Pro alcanzó el 81.0%. Kimi sostiene que, si bien estas medidas reducen las capacidades ofensivas, el modelo sigue siendo una herramienta útil para fines defensivos, como la auditoría de bases de código heredadas en busca de vulnerabilidades de seguridad.
En pruebas internas, la versión sin estas medidas de reducción de riesgos resolvió el 90.5% de los problemas en la evaluación xdev-bench-hard, mientras que la versión final de K3.1 Pro alcanzó el 81.0%.