وقتی مدل تازه‌ای منتشر می‌شود، سازنده‌اش معمولاً جدول‌هایی پر از رتبهٔ اول منتشر می‌کند. سؤال اصلی اما این است که داوران مستقل چه می‌گویند. در این مقاله بنچمارک Kimi K3.1 Pro را عدد به عدد بررسی می‌کنیم: شاخص هوش Artificial Analysis، سرعت و هزینه، LMArena، SWE-bench، GPQA، Humanity's Last Exam و بنچمارک‌های ایجنت کدنویسی. این مدل را با Claude Opus 5.5، GPT-6.1 Sol، Gemini 4 Argon، DeepSeek V4.1 Flash، Qwen3.8 Max و MiMo-V2.6-Pro مقایسه می‌کنیم و توضیح می‌دهیم هر عدد واقعاً چه معنایی دارد.
اگر دنبال معرفی مدل، قیمت پلن‌ها و کاربردهای آن هستید، اول بررسی Kimi K3.1 Pro را بخوانید. این مقاله فقط روی عددها تمرکز دارد. یک یادآوری هم دربارهٔ نام: مدلی به اسم «Kimi K3 Pro» وجود ندارد و همهٔ عددهای این مقاله مربوط به Kimi K3.1 Pro است که ۱ آبان ۱۴۰۵ منتشر شد.
آخرین به‌روزرسانی: ۲ آبان ۱۴۰۵ — امتیازهای مستقل از Artificial Analysis (شاخص هوش v4.3.2) و LMArena، و امتیازهای رسمی از بلاگ Moonshot AI برداشته شده‌اند (دریافت: ۲ آبان ۱۴۰۵).
⚡ پاسخ کوتاه
Kimi K3.1 Pro در شاخص هوش Artificial Analysis امتیاز ۵۵.۱ گرفته و چهارم است. فقط Claude Opus 5.5 (۵۷.۶)، Claude Sonnet 5.5 (۵۶.۰) و Muse Wonder Full (۵۵.۸) از آن جلوترند و از GPT-6.1 Sol (۵۱.۸) و Gemini 4 Argon (۵۲.۶) بالاتر است. در Terminal-Bench 4.0 با ۶۷.۲ درصد بالاترین امتیاز ثبت‌شده را دارد. در مقابل، هزینهٔ هر تسک آن (۲.۱۱ دلار) سه برابر GPT-6.1 Sol است، سرعتش متوسط است (۷۳.۵ توکن در ثانیه) و در LMArena، جدول SWE-bench و شاخص Coding Agent هنوز ثبت نشده است.
📑 فهرست مطالب
هر عدد بنچمارک به سه چیز بستگی دارد: خود مدل، تنظیمات اجرا (سطح استدلال، دما، تعداد تلاش) و «هارنس»، یعنی نرم‌افزاری که مدل را به ابزارها وصل می‌کند. سازنده‌ها معمولاً بهترین تنظیمات را برای مدل خودشان انتخاب می‌کنند. ارزیاب مستقل اما همهٔ مدل‌ها را با یک روش ثابت اجرا می‌کند. برای همین عددهای رسمی و مستقل برای یک بنچمارک یکسان هم ممکن است فرق کنند. در راهنمای بنچمارک‌های هوش مصنوعی این مفاهیم را مفصل توضیح داده‌ایم.
در مورد K3.1 Pro، Moonshot خودش در پانویس نمودارها نوشته است: «همهٔ مدل‌ها با بیشترین سطح استدلال اجرا شدند؛ مدل‌های Claude ممکن است شامل fallback و مدل‌های GPT شامل محافظ‌های سایبری باشند.» بنچمارک داخلی Kimi Code Bench با هارنس Claude Code، OSWorld با هارنس Kimi Agent و BrowseComp با دمای ۱.۰ و top-p ۱.۰ اجرا شده‌اند.
شاخص هوش Artificial Analysis (نسخهٔ ۴.۳.۲) میانگین وزنی ۱۰ ارزیابی در چهار دسته است: ایجنت‌ها ۳۰ درصد، کدنویسی ۲۰ درصد، استدلال علمی ۲۰ درصد و عمومی ۳۰ درصد. ارزیابی‌ها این‌ها هستند: AA-Briefcase، GDPval-AA، AutomationBench-AA، Terminal-Bench 4.0، SciCode، AA-Omniscience، GDP.pdf، AA-LCR، Humanity's Last Exam و CritPt. توضیح کامل روش را در آموزش Artificial Analysis آورده‌ایم.
| مدل | شاخص هوش | وزن‌باز؟ | قیمت ورودی/خروجی (دلار) | هزینهٔ هر تسک |
|---|---|---|---|---|
| Claude Opus 5.5 (Max) | ۵۷.۶ | خیر | ۴ / ۲۰ | ۵.۹۸ دلار |
| Claude Sonnet 5.5 (Max) | ۵۶.۰ | خیر | ۲ / ۱۰ | ۵.۴۶ دلار |
| Kimi K3.1 Pro | ۵۵.۱ | هنوز نه (وعده: ۱۳ آبان) | ۲ / ۱۰ | ۲.۱۱ دلار |
| GPT-6 Astra (Max) | ۵۲.۷ | خیر | ۱۰ / ۵۰ | ۳.۲۶ دلار |
| Gemini 4 Argon (High) | ۵۲.۶ | خیر | ۲ / ۱۰ | ۱.۹۹ دلار |
| GPT-6.1 Sol (Max) | ۵۱.۸ | خیر | ۲ / ۱۰ | ۰.۷۲ دلار |
| MiMo-V2.6-Pro | ۴۶.۳ | بله | ۰.۴۳۵ / ۰.۸۷ | ۰.۱۳ دلار |
| Qwen3.8 Max (0902) | ۴۵.۴ | خیر | ۲ / ۶ | ۵.۴۱ دلار |
| DeepSeek V4.1 Flash 1017 (Max) | ۴۵.۱ | بله | ۰.۳۰ / ۱.۲۰ | ۰.۲۶ دلار |
| Kimi K3 (Max) | ۴۳.۶ | بله | ۳ / ۱۵ | ۲.۰۰ دلار |
شاخص هوش فقط یک بُعد است. در محیط واقعی، اینکه پاسخ چقدر طول می‌کشد و اجرای یک کار واقعاً چقدر هزینه دارد، به همان اندازه مهم است. Artificial Analysis این‌ها را جداگانه اندازه می‌گیرد. سرعت میانهٔ توکن‌های خروجی روی API رسمی هر سازنده محاسبه می‌شود.
| مدل | سرعت خروجی (توکن/ثانیه) | توکن خروجی برای کل شاخص | هزینهٔ هر تسک |
|---|---|---|---|
| Kimi K3.1 Pro | ۷۳.۵ | ۱۴۸ میلیون | ۲.۱۱ دلار |
| Claude Opus 5.5 (Max) | ۹۶.۳ | ۲۶۰ میلیون | ۵.۹۸ دلار |
| GPT-6.1 Sol (Max) | ۵۷.۳ | ۶۷ میلیون | ۰.۷۲ دلار |
| Gemini 4 Argon (High) | ۷۹.۱ | ۱۱۳ میلیون | ۱.۹۹ دلار |
| DeepSeek V4.1 Flash 1017 (Max) | ۱۹۵.۲ | ۲۱۱ میلیون | ۰.۲۶ دلار |
| Qwen3.8 Max (0902) | ۴۱.۸ | ۱۹۲ میلیون | ۵.۴۱ دلار |
| MiMo-V2.6-Pro | ۵۴.۸ | ۱۴۴ میلیون | ۰.۱۳ دلار |
| Kimi K3 (Max) | ۴۰.۶ | ۱۶۱ میلیون | ۲.۰۰ دلار |
سه نکته از این جدول بیرون می‌آید:
در نمودار بالا، K3.1 Pro در میانهٔ بالایی قرار دارد. با هزینه‌ای نزدیک Gemini 4 Argon، هوش بیشتری می‌دهد و با کمتر از نصف هزینهٔ Opus 5.5، فقط ۲.۵ امتیاز کمتر است. اگر اولویت شما کمترین هزینه است، GPT-6.1 Sol، MiMo-V2.6-Pro و DeepSeek V4.1 Flash کارآمدترند. برای محاسبهٔ دقیق هزینه با حجم کار خودتان، راهنمای قیمت API مدل‌های هوش مصنوعی را ببینید. یک نکته هم دربارهٔ اختلاف عددها: مقالهٔ معرفی Artificial Analysis در روز انتشار هزینهٔ هر تسک را ۱.۹۸ دلار نوشته بود، اما صفحهٔ مدل در ۲ آبان ۱۴۰۵ عدد ۲.۱۱ دلار را نشان می‌دهد. احتمالاً دلیلش به‌روزرسانی نرخ کش است. ما عدد صفحهٔ مدل را استفاده کرده‌ایم.
حالا ببینیم عددهای Moonshot وقتی Artificial Analysis همان بنچمارک‌ها را اجرا می‌کند چقدر تأیید می‌شوند. فقط بنچمارک‌هایی را آورده‌ایم که هر دو طرف اجرا کرده‌اند.
| بنچمارک | عدد رسمی Moonshot | عدد Artificial Analysis | تفسیر |
|---|---|---|---|
| Terminal-Bench 4.0 | ۶۵.۷٪ | ۶۷.۲٪ | تأیید شد؛ حتی کمی بالاتر |
| GDPval-AA (Elo) | ۱۸۴۶ | ۱۸۴۶ | کاملاً یکسان (Moonshot عدد AA را نقل کرده است) |
| Humanity's Last Exam | ۷۰.۰ (با ابزار) | ۵۲.۵ (بدون ابزار) | تنظیمات متفاوت؛ قابل مقایسه نیست |
| Terminal-Bench Science | ۳۸.۱٪ | ۳۴.۳٪ | نزدیک؛ نقطه‌ضعف تأیید شد |
| GDP.pdf | ۳۴.۶ | ۳۱.۴ | کمی پایین‌تر در سنجش مستقل |
| توهم | ۸.۳٪ (Kimi Hallu Bench Hard) | ۴۳.۹٪ (AA-Omniscience) | دو آزمون کاملاً متفاوت |
جمع‌بندی این بخش: ادعاهای اصلی Moonshot دربارهٔ کدنویسی ترمینالی و کارهای دانشی با سنجش مستقل تأیید می‌شوند. اختلاف HLE به‌خاطر ابزار است. با ابزار جست‌وجو و کد، امتیاز همهٔ مدل‌ها بالا می‌رود، و Artificial Analysis این آزمون را بدون ابزار اجرا می‌کند. اختلاف بزرگ عدد توهم هم به این خاطر است که دو آزمون کاملاً متفاوت چیزهای متفاوتی می‌سنجند.
Terminal-Bench وظایف واقعی را در محیط ترمینال لینوکس می‌سنجد: نصب، دیباگ، ساخت و اجرای پروژه. در اجرای Artificial Analysis، K3.1 Pro با ۶۷.۲ درصد بالاترین امتیاز بین همهٔ مدل‌ها را دارد. Claude Sonnet 5.5 با ۶۳.۶، Claude Opus 5.5 با ۵۹.۶، GPT-6 Astra با ۵۹.۱، Gemini 4 Argon با ۵۷.۱ و GPT-6.1 Sol با ۵۶.۱ بعد از آن قرار دارند. K3 نسل قبل فقط ۱۲.۶ درصد گرفته بود و این بزرگ‌ترین جهش در کل گزارش است.
| مدل | Terminal-Bench 4.0 (AA) | Terminal-Bench Science (AA) | SciCode (AA) |
|---|---|---|---|
| Kimi K3.1 Pro | ۶۷.۲٪ | ۳۴.۳٪ | ۶۰.۸٪ |
| Claude Opus 5.5 | ۵۹.۶٪ | ۵۹.۰٪ | ۶۶.۹٪ |
| GPT-6.1 Sol | ۵۶.۱٪ | ۵۸.۱٪ | ۵۴.۲٪ |
| Gemini 4 Argon | ۵۷.۱٪ | ۵۲.۹٪ | ۶۱.۸٪ |
| DeepSeek V4.1 Flash 1017 | ۳۳.۸٪ | ۱۲.۹٪ | ۵۵.۹٪ |
| Qwen3.8 Max (0902) | ۳۸.۹٪ | ۱۱.۹٪ | ۵۲.۱٪ |
| MiMo-V2.6-Pro | ۳۴.۸٪ | ۵.۷٪ | ۶۰.۹٪ |
تصویر کامل‌تر این است: K3.1 Pro در کارهای مهندسی نرم‌افزار ترمینالی پیشتاز است، اما در Terminal-Bench Science که شامل وظایف علمی (زیست، فیزیک، ریاضی) در ترمینال است، با ۳۴.۳ درصد فاصلهٔ زیادی با Opus 5.5 (۵۹.۰) و GPT-6.1 Sol (۵۸.۱) دارد. در SciCode هم پشت Opus 5.5 و Gemini 4 Argon است.
SWE-bench معروف‌ترین بنچمارک رفع باگ در مخزن‌های واقعی گیت‌هاب است. تا ۲ آبان ۱۴۰۵ در جدول رسمی SWE-bench فقط مدل‌های قدیمی‌تر Kimi (سری K2 و K2.5) ثبت شده بودند و امتیازی برای K3.1 Pro منتشر نشده بود. Moonshot هم در بلاگ معرفی عدد SWE-bench Verified اعلام نکرده است. به جای آن، روی SWE Marathon (کارهای طولانی مهندسی) تمرکز کرده و امتیاز ۵۱.۷ درصد را گزارش کرده که از Opus 5.5 (۴۶.۳) بالاتر است. این عدد را هنوز ارزیاب مستقلی تأیید نکرده است.
Artificial Analysis در شاخص ایجنت‌های کدنویسی ترکیب «ابزار + مدل» را می‌سنجد، مثلاً Claude Code با Opus یا Codex با GPT. در ۲ آبان ۱۴۰۵ صدر این جدول Claude Code با Claude Opus 5.5 با امتیاز ۶۱.۷ بود. تنها ورودی Kimi در این جدول Kimi Code CLI با مدل نسل قبل (K3) است که امتیاز ۴۱.۴ و هزینهٔ میانگین ۵.۱۷ دلار برای هر تسک دارد. K3.1 Pro هنوز در این شاخص ارزیابی نشده است. با توجه به جهش Terminal-Bench انتظار می‌رود امتیاز آن بالاتر برود، اما تا عدد رسمی منتشر نشده، نمی‌شود درباره‌اش قضاوت کرد. اگر ابزار کدنویسی انتخاب می‌کنید، مقالهٔ بهترین هوش مصنوعی برای برنامه‌نویسی را ببینید.
HLE مجموعه‌ای از ۲,۱۵۸ پرسش بسیار سخت در رشته‌های مختلف است که Artificial Analysis آن را بدون ابزار اجرا می‌کند. K3.1 Pro در این آزمون ۵۲.۵ درصد گرفته است (K3: ۴۶.۹). Opus 5.5 با ۶۱.۴، Gemini 4 Argon با ۵۷.۱ و GPT-6.1 Sol با ۵۲.۹ جلوترند. DeepSeek V4.1 Flash 1017 ۴۳.۳ و Qwen3.8 Max (0902) ۴۳.۱ گرفته‌اند و MiMo-V2.6-Pro ۴۹.۴. یعنی در استدلال خالص بدون ابزار، K3.1 Pro هم‌ردهٔ GPT-6.1 Sol است، اما از صدر فاصله دارد. عدد ۷۰.۰ رسمی Moonshot «با ابزار» است و نباید آن را با این عددها مقایسه کرد.
GPQA Diamond شامل ۱۹۸ پرسش تخصصی زیست، فیزیک و شیمی است. Artificial Analysis این آزمون را به بخش «ارزیابی‌های قدیمی» (Legacy) منتقل کرده و در شاخص v4.3.2 حساب نمی‌کند. برای K3.1 Pro هم عدد GPQA مستقلی منتشر نشده است. Moonshot برای K3.1 Pro عدد GPQA اعلام نکرده است. فقط برای K3 در کارت مدل Hugging Face عدد ۹۳.۵ ثبت شده است. دلیل کنار گذاشتن این آزمون ساده است: مدل‌های پیشرو همه بالای ۹۰ درصد می‌گیرند و GPQA دیگر آن‌ها را از هم تفکیک نمی‌کند.
AA-Omniscience شامل ۶,۰۰۰ پرسش دانشی است و دو چیز را جداگانه می‌سنجد: دقت، و نرخ توهم، یعنی اینکه مدل وقتی جواب را نمی‌داند، چقدر به‌جای «نمی‌دانم» جواب غلط می‌دهد.
| مدل | دقت | نرخ توهم (کمتر بهتر) | شاخص Omniscience |
|---|---|---|---|
| Kimi K3.1 Pro | ۵۱.۰٪ | ۴۳.۹٪ | ۲۹.۵ |
| Claude Opus 5.5 | ۶۶.۲٪ | ۵۸.۶٪ | ۴۶.۴ |
| GPT-6.1 Sol | ۶۲.۱٪ | ۵۴.۳٪ | ۴۱.۵ |
| Gemini 4 Argon | ۴۹.۹٪ | ۱۵.۱٪ | ۴۲.۴ |
| DeepSeek V4.1 Flash 1017 | ۴۲.۸٪ | ۶۶.۸٪ | ۴.۷ |
| Qwen3.8 Max (0902) | ۳۱.۷٪ | ۲۸.۸٪ | ۱۲.۰ |
| MiMo-V2.6-Pro | ۳۴.۸٪ | ۴۰.۶٪ | ۸.۴ |
| Kimi K3 (Max) | ۴۷.۶٪ | ۵۳.۲٪ | ۱۹.۷ |
نتیجه این است که K3.1 Pro نسبت به K3 کمتر توهم می‌زند (از ۵۳ درصد به ۴۴ درصد)، اما هنوز با Gemini 4 Argon (۱۵ درصد) فاصلهٔ زیادی دارد. نرخ توهم Opus 5.5 و GPT-6.1 Sol بالاتر است، ولی دقت آن‌ها هم خیلی بیشتر است. ادعای ۸.۳ درصدی Moonshot مربوط به آزمون داخلی دیگری است و با این عدد قابل مقایسه نیست.
شاید مهم‌ترین پیشرفت K3.1 Pro در کارهای دانشی ایجنتی باشد، یعنی کارهایی که مدل باید فایل بسازد، با ابزار کار کند و خروجی حرفه‌ای تحویل بدهد. در GDPval-AA، که خروجی مدل‌ها را در کارهای واقعی اقتصادی به‌صورت زوجی مقایسه می‌کند، K3.1 Pro با Elo ۱۸۴۶ سوم است. این امتیاز ۳۱۲ واحد بالاتر از K3 است و فقط Opus 5.5 (۱۸۶۶) و Muse Wonder Full (۱۸۵۷) جلوترند. GPT-6.1 Sol در این آزمون ۱۵۹۶ و Gemini 4 Argon ۱۶۲۴ گرفته‌اند. در AutomationBench-AA، که خودکارسازی گردش‌کار SaaS را می‌سنجد، امتیاز از ۵۸ به ۷۳ درصد رسیده است.
در نمودار رسمی بالا، K3.1 Pro در OSWorld V2.1، که کار با رابط گرافیکی کامپیوتر است، ۷۹.۶ گرفته و پشت Opus 5.5 (۸۱.۸) و Fable 5.1 (۸۰.۷) است. در ZeroBench با ابزار هم با ۶۳.۰ اول است. چند بنچمارک دیگر مثل DeepSWE، PostTrainBench، ProgramBench، MCP Atlas، BrowseComp و HLE-Diamond در پانویس بلاگ نام برده شده‌اند، اما در نمودارهای منتشرشده عددی برایشان نیامده است. پس ما هم عددی برایشان گزارش نمی‌کنیم.
LMArena برخلاف بنچمارک‌های خودکار، از رأی کاربران واقعی در مقایسه‌های کور دوبه‌دو استفاده می‌کند. جدول Text Arena در تاریخ ۱ آبان ۱۴۰۵ (۲۳ اکتبر ۲۰۲۶) بر اساس ۸,۹۴۶,۳۵۶ رأی و ۴۱۸ مدل به‌روز شده بود. صدر جدول Gemini 4 Argon (High) با ۱۵۱۷ امتیاز است و Claude Opus 5.5 (High) و Muse Wonder (Max) هر دو با ۱۵۰۹ بعد از آن قرار دارند.
K3.1 Pro هنوز در LMArena نیست. رسیدن به تعداد رأی کافی برای ثبت امتیاز پایدار معمولاً زمان می‌برد. بهترین مدل Kimi در جدول فعلی Kimi K3 (Max) است که رتبهٔ ۱۸ را با امتیاز ۱۴۸۷ (±۴) دارد. اگر K3.1 Pro هم مثل شاخص AA جهش کند، می‌تواند وارد ده مدل اول شود، اما این فقط یک گمان است. وقتی امتیاز منتشر شد، این بخش را به‌روز می‌کنیم.
| معیار | Kimi K3.1 Pro | Claude Opus 5.5 | GPT-6.1 Sol | Gemini 4 Argon | DeepSeek V4.1 Flash | MiMo-V2.6-Pro |
|---|---|---|---|---|---|---|
| شاخص هوش AA | ۵۵.۱ | ۵۷.۶ | ۵۱.۸ | ۵۲.۶ | ۴۵.۱ | ۴۶.۳ |
| Terminal-Bench 4.0 | ۶۷.۲٪ | ۵۹.۶٪ | ۵۶.۱٪ | ۵۷.۱٪ | ۳۳.۸٪ | ۳۴.۸٪ |
| HLE (بدون ابزار) | ۵۲.۵٪ | ۶۱.۴٪ | ۵۲.۹٪ | ۵۷.۱٪ | ۴۳.۳٪ | ۴۹.۴٪ |
| GDPval-AA (Elo) | ۱۸۴۶ | ۱۸۶۶ | ۱۵۹۶ | ۱۶۲۴ | ۱۷۴۶ | ۱۶۸۳ |
| AA-LCR (زمینهٔ طولانی) | ۸۶.۳٪ | ۸۴.۷٪ | ۸۳.۰٪ | ۷۹.۷٪ | ۸۲.۷٪ | ۸۶.۳٪ |
| نرخ توهم | ۴۳.۹٪ | ۵۸.۶٪ | ۵۴.۳٪ | ۱۵.۱٪ | ۶۶.۸٪ | ۴۰.۶٪ |
| سرعت (توکن/ث) | ۷۳.۵ | ۹۶.۳ | ۵۷.۳ | ۷۹.۱ | ۱۹۵.۲ | ۵۴.۸ |
| هزینهٔ هر تسک | ۲.۱۱$ | ۵.۹۸$ | ۰.۷۲$ | ۱.۹۹$ | ۰.۲۶$ | ۰.۱۳$ |
| LMArena Text | ثبت نشده | ۱۵۰۹ | — | ۱۵۱۷ | — | — |
در ردیف LMArena، خط تیره یعنی ما امتیاز آن مدل را در بخش دیده‌شدهٔ جدول در ۲ آبان ثبت نکردیم، نه اینکه مدل حتماً در آرنا نیست. ستون DeepSeek مربوط به نسخهٔ V4.1 Flash 1017 (Max) است.
رتبهٔ ۴ با امتیاز ۵۵.۱ در شاخص هوش v4.3.2 (۲ آبان ۱۴۰۵)، پشت Claude Opus 5.5، Claude Sonnet 5.5 و Muse Wonder Full.
تا ۲ آبان ۱۴۰۵ امتیازی منتشر نشده است. نه Moonshot عدد SWE-bench Verified اعلام کرده و نه جدول رسمی SWE-bench آن را ثبت کرده است. Moonshot به جای آن عدد ۵۱.۷ درصد در SWE Marathon را گزارش کرده است.
در شاخص هوش AA (۵۵.۱ در برابر ۵۱.۸)، Terminal-Bench 4.0 (۶۷.۲ در برابر ۵۶.۱) و GDPval بله. در HLE تقریباً برابرند. اما GPT-6.1 Sol با هزینهٔ ۰.۷۲ دلار برای هر تسک حدود یک‌سوم K3.1 Pro خرج دارد.
هنوز ثبت نشده است. بهترین مدل Kimi در Text Arena، یعنی Kimi K3 (Max)، با امتیاز ۱۴۸۷ رتبهٔ ۱۸ را دارد.
عدد ۷۰.۰ رسمی Moonshot با ابزار (جست‌وجو و اجرای کد) گرفته شده است. Artificial Analysis این آزمون را بدون ابزار اجرا می‌کند. این دو عدد قابل مقایسه نیستند.
طبق Artificial Analysis، سرعت میانهٔ خروجی روی API رسمی ۷۳.۵ توکن در ثانیه است. نسخهٔ Highspeed به گفتهٔ Moonshot ۲ تا ۳ برابر سریع‌تر است، اما Artificial Analysis هنوز آن را جداگانه اندازه نگرفته است.
بنچمارک‌های مستقل ادعای اصلی Moonshot را تأیید می‌کنند: Kimi K3.1 Pro در ردهٔ اول مدل‌های جهان است، در کدنویسی ترمینالی بالاترین امتیاز ثبت‌شده را دارد و در کارهای دانشی سوم است. در مقابل، در استدلال علمی بدون ابزار و دقت اطلاعات از بهترین‌ها عقب‌تر است و هزینهٔ هر تسک آن به‌خاطر پرحرفی از قیمت اسمی‌اش بیشتر است. داده‌های LMArena، SWE-bench و Coding Agent Index هنوز منتشر نشده‌اند و تصویر کامل چند هفتهٔ دیگر روشن می‌شود. برای شناخت مدل، قیمت پلن‌ها و نحوهٔ استفاده، بررسی کامل Kimi K3.1 Pro را بخوانید. اگر می‌خواهید کار با این مدل‌ها را عملی یاد بگیرید، دورهٔ کپسول هوش مصنوعی رادینو را ببینید.
همه منابع در تاریخ ۲ آبان ۱۴۰۵ بررسی شده‌اند.
اگر در یک سال اخیر خبر انتشار مدل‌های هوش مصنوعی را دنبال کرده باشید، احتمالاً جملهای مثل «این مدل در …
Moonshot AI، شرکت چینی سازندهٔ دستیار Kimi، روز ۱ آبان ۱۴۰۵ (۲۳ اکتبر ۲۰۲۶) قویترین مدل خود را معرفی کرد. …
«کدام هوش مصنوعی بهتر است؟» شاید پرتکرارترین سؤالی باشد که این روزها میشنویم. جواب صادقانه این است: بستگی دارد چه …
هر ماه چند مدل زبانی تازه از راه میرسند و جای بهترین‌ها مدام عوض می‌شود. اگر بخواهید بدانید امروز واقعاً …
نظرات 0
برای ارسال نظر وارد حساب کاربری شوید.
هنوز نظری ثبت نشده؛ اولین نفر باشید.