Moonshot AI menepati janjinya. Bobot penuh Kimi K3.1 Pro kini tersedia di Hugging Face, dua hari sebelum batas waktu yang dijanjikan perusahaan saat peluncuran model itu pada 23 Oktober 2026. 🔗 Hugging Face
Repositori moonshotai/Kimi-K3.1-Pro dibuat pada 2 November 2026, dan Moonshot mengumumkannya lewat X pada 4 November. Model ini disebut perusahaan sebagai model paling mampu di kelas 3T (3 triliun parameter) yang pernah mereka rilis sebagai bobot terbuka. 🔗 i10x
Artikel ini melaporkan pemenuhan janji tersebut. Artikel kami sebelumnya, terbit 4 November, hanya mencatat batas waktu janji itu karena bobotnya belum tampak di Hugging Face pada pagi itu.
Spesifikasi Teknis
Kimi K3.1 Pro adalah model Mixture-of-Experts (MoE) dengan 2,8 triliun parameter total dan 104 miliar parameter aktif per token. Arsitekturnya terdiri dari 93 lapisan: 69 lapisan Kimi Delta Attention dan 24 lapisan Gated DSA. 🔗 Hugging Face
Moonshot menyatakan Gated DSA menggantikan lapisan Gated MLA berbasis full-attention pada Kimi K3, demi pemodelan konteks panjang yang lebih efisien. Setiap token dirutekan ke 16 dari 896 ahli, ditambah 2 ahli bersama. 🔗 Hugging Face
- Attention: 96 head, kosakata 160.000 token
- Jendela konteks: 1.048.576 token
- Encoder visual: MoonViT-V2, 401 juta parameter, mendukung masukan teks-plus-gambar
- Kuantisasi: bobot MXFP4 dengan aktivasi MXFP8, hasil quantization-aware training
- Ukuran unduhan: sekitar 1,56 TB dalam 96 berkas safetensors
Siap Pakai: Tiga Mesin Inferensi yang Direkomendasikan
Detail paling praktis bagi tim yang ingin menjalankan model sendiri: bobot dikirim langsung dalam format MXFP4, hasil quantization-aware training, bukan kompresi pasca-pelatihan. Artinya, yang diunduh adalah artefak berbit rendah yang siap dideploy. 🔗 The Merkle
Kartu model merekomendasikan tiga mesin inferensi: vLLM, SGLang, dan TokenSpeed. Di sisi API, platform.kimi.ai menyediakan endpoint kimi-k3.1-pro yang kompatibel dengan format OpenAI/Anthropic, dengan parameter reasoning_effort yang mendukung level low, high, dan max (default max). 🔗 Hugging Face
Varian Highspeed yang diklaim 2–3 kali lebih cepat memang sudah tersedia sejak peluncuran awal, tetapi bobot yang dibuka ini adalah varian Pro standar; Highspeed tidak memiliki repositori sendiri. 🔗 i10x
Lisensi: MIT dengan Dua Klausul Komersial
Lisensi Kimi K3.1 Pro terbaca seperti MIT standar: penggunaan, penyalinan, modifikasi, penggabungan, publikasi, distribusi, sublicensing, penjualan, fine-tuning, dan pembuatan turunan — semuanya diizinkan. Namun dua klausul kemudian memisahkan "terbuka" dari "komersial". 🔗 The Merkle
- Jika bisnis Model-as-a-Service Anda — yang memberi pihak ketiga kontrol bermakna atas input, parameter, atau data pelatihan — bersama afiliasinya melebihi 20 juta dolar AS pendapatan agregat dalam 12 bulan berturut-turut, Anda harus menandatangani perjanjian terpisah dengan Moonshot sebelum penggunaan komersial.
- Produk dengan lebih dari 100 juta pengguna aktif bulanan atau lebih dari 20 juta dolar pendapatan bulanan harus menampilkan "Kimi K3.1-Pro" secara menonjol di antarmuka pengguna.
Penggunaan internal, serta penggunaan melalui produk resmi Moonshot atau mitra inferensi bersertifikat, dibebaskan dari kedua klausul tersebut. 🔗 The AI News Report
Benchmark: Menang di Sini, Kalah di Sana
Semua angka berikut berasal dari tabel benchmark resmi pada kartu model, yang memakai reasoning effort maksimum. Terminal-Bench 4.0 mencetak 65,7 — di atas GPT-6 Astra (58,2) dan sedikit di bawah Claude Opus 5.5 (66,4). 🔗 Hugging Face
HLE-Full dengan tools mencapai 70,0 dan BrowseComp 92,1 — keduanya skor tertinggi dalam tabel. Pada benchmark halusinasi internal Kimi Hallu Bench Hard, tingkat halusinasi klaim-level tercatat 8,3 persen (semakin rendah semakin baik). 🔗 Hugging Face
Vendor mencatat benchmark halusinasi itu sengaja memakai prompt-prompt sulit dari tugas kerja nyata, sehingga angkanya tidak mewakili tingkat kesalahan sehari-hari. Titik lemah juga dicetak: HLE-Diamond 39,4, jauh di bawah Astra (65,8); Program Bench 31,5 berbanding 65,0 milik Opus 5.5. 🔗 Hugging Face
Tabel vendor yang menandai kekalahan sendiri bernilai lebih dari siaran pers satu sisi. Semua skor ini adalah klaim Moonshot dari kartu modelnya, dan komunitas kini bisa menguji ulang dari bobot yang sudah terbuka.
Keamanan: Data Siber Dihapus dari Pelatihan
Postur keamanan yang dipratinjau saat peluncuran kini tertanam dalam bobot terbuka: Moonshot mengidentifikasi dan menghapus data terkait siber dari tahap mid-training dan reinforcement learning, setelah mengamati bahwa kapabilitas riset kerentanan meningkat seiring skala post-training. Tugas coding tujuan umum tetap dipertahankan. 🔗 Blog resmi Moonshot AI
Pada benchmark internal xdev-bench-hard, model final yang sudah dibersihkan tetap memecahkan 81,0 persen tugas, berbanding 90,5 persen pada checkpoint tanpa penghapusan data siber. 🔗 Hugging Face
Ada bukti independen pula: pada 3 November, Simon Willison menjalankan eksperimen "baca bobot mentah, sebutkan nama game" melalui kimi-k3.1-pro di OpenRouter, dan model itu benar mengidentifikasi Breakout setelah 9 menit 41 detik dan 19.493 token penalaran. 🔗 Simon Willison
Implikasi bagi Ekosistem Open-Weight
Bagi tim self-hosting, pertanyaan kini tinggal anggaran perangkat keras: bobot 1,56 TB membutuhkan kluster GPU skala besar, bukan laptop. Bagi ekosistem open-weight, pola "beri tanggal, kirim tepat waktu" sedang menjadi metrik kredibilitas bagi model unggulan. 🔗 The AI News Report
Dan garis 20 juta dolar adalah cara Moonshot memisahkan harga "terbuka" dari "komersial": gratis secara default, bayar pada skala. Dengan Kimi K3.1 Pro, persaingan model terbuka semakin memanas, terutama dari laboratorium AI Tiongkok yang kini rutin merilis bobot berukuran triliunan parameter.
Sumber
- Moonshot AI — Kartu model resmi Kimi K3.1 Pro di Hugging Face (moonshotai/Kimi-K3.1-Pro)
- Moonshot AI — Introducing Kimi K3.1 Pro (blog resmi, 23 Oktober 2026)
- i10x — Kimi K3.1 Pro Open Weights: Moonshot's 2.8T MoE Explained
- The AI News Report — Kimi K3.1 Pro open weights explained (4 November 2026)
- The Merkle — Kimi K3.1 Pro Open Weights vs the API
- Simon Willison — Qwen 3.8 27B on my laptop can interpret model weights, too (3 November 2026)
Tidak ada komentar:
Posting Komentar