مدل استدلالی Kimi K3.1 Pro رونمایی شد؛ جهش در وظایف ایجنتی و پیشتازی میان مدل‌های وزنباز

مدل Kimi K3.1 Pro با امتیاز ۵۵ در جایگاه چهارم شاخص سنجش هوش قرار گرفت؛ جهش بزرگ در عملکرد ایجنتی و پیشتازی در میان مدل‌های وزنباز

مدل استدلالی جدید شرکت مون‌شات (Moonshot) با کسب امتیاز ۵۵، نسبت به نسل قبلی یعنی Kimi K3 (با بیشینه امتیاز ۴۴) رشد چشمگیر ۱۱ امتیازی را تجربه کرده است. این مدل در شاخص سنجش هوش (Intelligence Index) اکنون تنها پشت سر سه مدل مطرح دنیا قرار دارد: مدل Claude Opus 5.5 (با بیشینه امتیاز ۵۸)، مدل Claude Sonnet 5.5 (با بیشینه امتیاز ۵۶) و مدل Muse Wonder Full (با بیشینه امتیاز ۵۶).

به‌محض انتشار عمومی وزن‌های مدل K3.1 Pro، این مدل به قدرتمندترین هوش مصنوعی وزنباز جهان با بالاترین امتیاز تبدیل خواهد شد و شکاف میان برترین مدل‌های وزنباز و مدل‌های انحصاری در این شاخص از ۱۲ امتیاز به تنها ۳ امتیاز کاهش می‌یابد.

مهم‌ترین دستاوردها و نتایج:
➤ جهش چشمگیر در قابلیت‌های ایجنتی: مدل Kimi K3.1 Pro در ارزیابی جامع GDPval با ثبت امتیاز Elo ۱٬۸۴۶ در جایگاه سوم ایستاده که افزایشی ۳۱۲ امتیازی نسبت به Kimi K3 را نشان می‌دهد و تنها پشت سر Claude Opus 5.5 (با امتیاز ۱٬۸۶۶) و Muse Wonder Full (با امتیاز ۱٬۸۵۷) قرار گرفته است. همچنین Kimi K3.1 Pro بالاترین امتیاز ثبت‌شده میان تمام مدل‌ها را در بنچمارک Terminal-Bench 4.0 به نام خود ثبت کرد؛ این مدل با جهشی شگفت‌انگیز از ۱۳ درصد در نسخه Kimi K3 به ۶۷ درصد رسید و بالاتر از Claude Sonnet 5.5 (با امتیاز ۶۴ درصد) ایستاد. علاوه بر این، در بنچمارک AutomationBench که جریان‌های کاری خودکار و ایجنتی در نرم‌افزارهای ابری (SaaS) را می‌سنجد، امتیاز مدل از ۵۸ درصد به ۷۳ درصد جهش یافته است.

➤ پیشرفت‌های متعادل‌تر در سایر ارزیابی‌ها: در آزمون دشوار Humanity's Last Exam امتیاز مدل از ۴۷ درصد به ۵۲ درصد رسیده، در بنچمارک CritPt از ۲۳ درصد به ۲۵ درصد و در آزمون کدنویسی علمی SciCode از ۵۹ درصد به ۶۱ درصد افزایش یافته است. افزون بر این، در شاخص ارزیابی جامع Omniscience، امتیاز مدل از ۲۰ به ۳۰ رشد کرده که حاصل کاهش چشمگیر نرخ توهم از ۵۳ درصد به ۴۴ درصد و افزایش دقت پاسخگویی از ۴۸ درصد به ۵۱ درصد است.

➤ هزینه تقریباً برابر به ازای هر تسک (۱٫۹۸ دلار): مدل K3.1 Pro به ازای هر تسک در شاخص هوش از ۵۵ هزار توکن خروجی استفاده می‌کند که ۱۴ درصد بیشتر از مصرف ۴۸ هزار توکنی Kimi K3 است؛ بااین‌حال، از آنجا که نرخ رسمی توکن‌های ارائه‌شده توسط شرکت سازنده ۳۳ درصد ارزان‌تر شده، هزینه پردازش هر تسک تقریباً دست‌نخورده مانده و در حدود همان ۱٫۹۸ دلار است.

مشخصات و جزئیات تکمیلی مدل:
➤ پنجره زمینه (کانتکست): ۱ میلیون توکن.
➤ ابعاد مدل: ۲٫۸ تریلیون پارامتر کل و ۱۰۴ میلیارد پارامتر فعال (Active Parameters).
➤ حالت‌های ورودی: چندحالته با پشتیبانی از متن و تصویر.
➤ وزن‌ها و مجوز انتشار: وزن‌های مدل در حال حاضر منتشر نشده‌اند، اما انتظار می‌رود مون‌شات به‌زودی وزن‌های آن را برای استفاده عموم منتشر کند.
➤ قیمت‌گذاری: ۲ دلار برای هر ۱ میلیون توکن ورودی، ۱۰ دلار برای هر ۱ میلیون توکن خروجی و ۰٫۲۰ دلار برای هر ۱ میلیون توکن کش‌شده (Cache Hit) که در هر سه بخش ۳۳ درصد ارزان‌تر از Kimi K3 است.

نتایج تک‌تک ارزیابی‌ها و بنچمارک‌ها: