Moonshot AI، شرکت چینی سازندهٔ دستیار Kimi، روز ۱ آبان ۱۴۰۵ (۲۳ اکتبر ۲۰۲۶) قوی‌ترین مدل خود را معرفی کرد. در این مقاله بررسی Kimi K3.1 Pro را از زاویهٔ یک کاربر و توسعه‌دهندهٔ ایرانی انجام می‌دهیم: این مدل دقیقاً چیست، روی چه معماری‌ای ساخته شده، چقدر هزینه دارد، کجا می‌درخشد و کجا هنوز از رقبای آمریکایی عقب است. اگر عددها و جدول‌های بنچمارک را با جزئیات بیشتری می‌خواهید، مقالهٔ همراه ما یعنی تحلیل بنچمارک Kimi K3.1 Pro را بخوانید؛ این مقاله روی شناخت مدل و تصمیم‌گیری برای استفاده تمرکز دارد.
یک نکتهٔ مهم دربارهٔ نام: بسیاری از کاربران دنبال «Kimi K3 Pro» می‌گردند، اما در فهرست رسمی مدل‌های Kimi چنین مدلی وجود ندارد. مدل واقعی و منتشرشده Kimi K3.1 Pro است و همهٔ اطلاعات این مقاله دربارهٔ همین مدل است.
آخرین به‌روزرسانی: ۲ آبان ۱۴۰۵ — مشخصات و قیمت‌ها از بلاگ و مستندات رسمی Kimi و صفحهٔ قیمت Kimi، و امتیازهای مستقل از Artificial Analysis برداشته شده‌اند (دریافت: ۲ آبان ۱۴۰۵).
⚡ پاسخ کوتاه
Kimi K3.1 Pro نسخهٔ پس‌آموزش‌دیدهٔ Kimi K3 است: مدل MoE با ۲.۸ تریلیون پارامتر (۱۰۴ میلیارد فعال)، پنجرهٔ زمینهٔ ۱ میلیون توکنی و حالت تفکر همیشه روشن. قیمت API آن ۲ دلار برای هر میلیون توکن ورودی و ۱۰ دلار برای خروجی است. در شاخص هوش Artificial Analysis امتیاز ۵۵.۱ و رتبهٔ ۴ را گرفته و در کدنویسی ترمینالی و کارهای ایجنتی هم‌تراز Claude Opus 5.5 است. نقطه‌ضعف‌هایش سرعت متوسط (حدود ۷۳ توکن در ثانیه) و پرحرفی زیاد است. وزن‌های مدل هنوز منتشر نشده و Moonshot قول داده تا ۱۳ آبان ۱۴۰۵ آن‌ها را منتشر کند.
📑 فهرست مطالب
Kimi K3.1 Pro اولین مدل سری K3.1 و به گفتهٔ Moonshot «تواناترین مدل وزن‌باز کلاس ۳ تریلیونی» این شرکت تا امروز است. بلاگ رسمی Kimi آن را نسخهٔ پس‌آموزش‌دیدهٔ (post-trained) Kimi K3 معرفی می‌کند که «محاسبات پس‌آموزش به‌مراتب بیشتری» دریافت کرده است. یعنی مدل پایه همان K3 است، اما با یادگیری تقویتی (RL) گسترده در صدها حوزهٔ مختلف بهبود پیدا کرده است. تمرکز اعلام‌شدهٔ این نسخه روی کدنویسی، ساخت محتوای سه‌بعدی، پژوهش و مدل‌سازی مالی و کارهای ایجنتی است.
این مدل از روز انتشار در وب‌سایت و اپ موبایل Kimi، اپ دسکتاپ Kimi Work، ابزار خط فرمان Kimi Code و API رسمی در دسترس است. کنار آن یک نسخهٔ پرسرعت به نام Kimi K3.1 Pro Highspeed هم عرضه شده است. طبق مستندات، هوش این نسخه با مدل اصلی یکی است و فقط حدود ۲ تا ۳ برابر سریع‌تر پاسخ می‌دهد.
در فهرست رسمی مدل‌های پلتفرم Kimi (بررسی‌شده در ۲ آبان ۱۴۰۵) فقط این مدل‌های نسل سوم دیده می‌شوند: kimi-k3.1-pro، kimi-k3.1-pro-highspeed و kimi-k3. مدلی با نام «K3 Pro» نه در API هست و نه در بلاگ Moonshot. پس اگر جایی اسم K3 Pro را دیدید، به احتمال زیاد منظور همین K3.1 Pro است، یا اشتباه تایپی رخ داده است.
خانوادهٔ فعلی Kimi در API از این مدل‌ها تشکیل شده است:
Moonshot برای K3.1 Pro کارت فنی جداگانه‌ای منتشر نکرده است. چون این مدل نسخهٔ پس‌آموزش‌دیدهٔ K3 است، مشخصات معماری را باید از کارت مدل Kimi K3 در Hugging Face برداشت. مستندات API هم K3.1 Pro را «مدل کلاس ۳ تریلیونی» توصیف می‌کند.
Kimi K3 یک مدل Mixture-of-Experts (ترکیب متخصص‌ها) است. یعنی برای هر توکن فقط بخش کوچکی از شبکه فعال می‌شود. طبق کارت مدل:
طبق راهنمای رسمی K3.1 Pro، پنجرهٔ زمینهٔ مدل ۱,۰۴۸,۵۷۶ توکن است. سقف پیش‌فرض خروجی (max_completion_tokens) ۱۳۱,۰۷۲ توکن است و می‌شود آن را تا ۱,۰۴۸,۵۷۶ توکن بالا برد. حالت تفکر همیشه روشن است و نمی‌شود آن را خاموش کرد. فقط می‌توانید عمق استدلال را با پارامتر reasoning_effort روی low، high یا max بگذارید که پیش‌فرض آن max است. دما (۱.۰) و top_p (۰.۹۵) ثابت‌اند و نباید در درخواست ارسال شوند.
| ویژگی | مقدار |
|---|---|
| سازنده | Moonshot AI (چین) |
| تاریخ انتشار | ۱ آبان ۱۴۰۵ (۲۳ اکتبر ۲۰۲۶) |
| معماری پایه | MoE؛ ۲.۸ تریلیون کل / ۱۰۴ میلیارد فعال (Kimi K3) |
| پنجرهٔ زمینه | ۱,۰۴۸,۵۷۶ توکن |
| سقف خروجی | پیش‌فرض ۱۳۱,۰۷۲؛ حداکثر ۱,۰۴۸,۵۷۶ توکن |
| استدلال | همیشه روشن؛ low / high / max |
| ورودی | متن و تصویر (تصویر فقط به‌صورت base64 یا ms://)؛ ویدیو در API |
| خروجی | متن؛ خروجی ساختاریافته json_schema و فراخوانی ابزار |
| وضعیت وزن‌ها | وعدهٔ انتشار تا ۴ نوامبر ۲۰۲۶ (۱۳ آبان ۱۴۰۵)؛ فعلاً اختصاصی |
| لایسنس K3 | Kimi K3 License |
در API، تصویر را نمی‌توان با آدرس اینترنتی عمومی فرستاد و باید base64 یا شناسهٔ فایل ms:// بفرستید. کش شدن پرامپت خودکار است و دو مدت نگهداری ۵ دقیقه و ۱ ساعت دارد. جست‌وجوی وب داخلی به گفتهٔ مستندات «در حال به‌روزرسانی است و فعلاً برای محیط تولید توصیه نمی‌شود». برای مشتریان API گزینهٔ Zero Data Retention (نگه‌نداشتن داده) هم وجود دارد.
تحلیل کامل بنچمارک‌ها را در مقالهٔ بنچمارک Kimi K3.1 Pro آورده‌ایم. اینجا فقط تصویر کلی را می‌بینیم تا معلوم شود این مدل در کدام رده قرار می‌گیرد. اگر با مفهوم بنچمارک آشنا نیستید، اول راهنمای بنچمارک‌های هوش مصنوعی را بخوانید.
Moonshot در بلاگ معرفی، K3.1 Pro را با Claude Opus 5.5، GPT-6 Astra، Claude Fable 5.1، DeepSeek V4.1 Flash و GLM-5.3 مقایسه کرده است. همهٔ مدل‌ها در بیشترین سطح استدلال اجرا شده‌اند. چند عدد مهم:
این‌ها عددهای خود سازنده‌اند و چند هشدار دارند. Moonshot در پانویس نمودارها نوشته که «مدل‌های Claude ممکن است شامل fallback و مدل‌های GPT شامل محافظ‌های امنیت سایبری باشند». بنچمارک‌های کدنویسی داخلی هم با هارنس Claude Code اجرا شده‌اند. بنابراین مقایسهٔ این عددها با جدول‌های دیگر باید با احتیاط انجام شود.
Artificial Analysis، مؤسسهٔ مستقل ارزیابی مدل‌ها، K3.1 Pro را یک روز پس از انتشار آزمایش کرد. در شاخص هوش نسخهٔ ۴.۳.۲ امتیاز ۵۵.۱ را به آن داد که رتبهٔ ۴ از ۲۱۵ مدل است (میانهٔ مدل‌ها ۲۷). Artificial Analysis در مقالهٔ معرفی نوشته که این مدل ۱۱ امتیاز از K3 (Max) جلوتر است و فقط Claude Opus 5.5، Claude Sonnet 5.5 و Muse Wonder Full از آن بالاترند. اگر می‌خواهید بدانید این عددها چطور ساخته می‌شوند، آموزش استفاده از Artificial Analysis را ببینید.
دو عدد دیگر در همین صفحه برای تصمیم‌گیری مهم‌اند. سرعت خروجی ۷۳.۵ توکن در ثانیه است که رتبهٔ ۱۱۳ را دارد و کندتر از میانگین است. مدل برای اجرای کل شاخص ۱۵۰ میلیون توکن خروجی تولید کرده که آن را «بسیار پرحرف» می‌کند. زمان تا اولین توکن ۲.۹۷ ثانیه است، اما چون مدل اول فکر می‌کند، اولین توکن پاسخ واقعی به‌طور میانگین پس از ۳۰.۲ ثانیه می‌رسد.
Moonshot روی کاهش توهم (ساختن اطلاعات نادرست) تأکید ویژه‌ای کرده است. در آزمون داخلی Kimi Hallu Bench Hard با ابزار، نرخ ادعاهای نادرست K3.1 Pro به ۸.۳ درصد رسیده است. این نرخ بعد از GPT-6 Astra (۵.۵) دومین نرخ پایین است و از Opus 5.5 (۱۵.۰) بهتر است.
طبق صفحهٔ رسمی قیمت Kimi K3.1 Pro، قیمت‌ها یکنواخت‌اند و با بلندتر شدن زمینه پلکانی گران نمی‌شوند:
| مدل | ورودی | خروجی | ورودی کش‌شده | نوشتن کش ۵ دقیقه | نوشتن کش ۱ ساعت |
|---|---|---|---|---|---|
| Kimi K3.1 Pro | ۲ دلار | ۱۰ دلار | ۰.۲۰ دلار | ۲ دلار | ۴ دلار |
| Kimi K3.1 Pro Highspeed | ۴ دلار | ۲۰ دلار | ۰.۲۰ دلار | ۴ دلار | ۸ دلار |
| Kimi K3 (نسل قبل) | ۳ دلار | ۱۵ دلار | ۰.۳۰ دلار | ۳ دلار | ۶ دلار |
قیمت‌ها برای هر میلیون توکن است. K3.1 Pro در همهٔ نرخ‌ها یک‌سوم ارزان‌تر از K3 است. برای باز شدن دسترسی API باید حداقل ۱ دلار شارژ کنید. در مقایسه با رقبا، نرخ ۲/۱۰ دلار دقیقاً با GPT-6.1 Sol و Gemini 4 Argon برابر است و نصف Claude Opus 5.5 (۴/۲۰ دلار) است. برای مقایسهٔ کامل قیمت مدل‌ها، جدول قیمت API مدل‌های هوش مصنوعی را ببینید.
اما قیمت هر توکن همهٔ ماجرا نیست. چون K3.1 Pro خیلی فکر می‌کند و توکن زیادی تولید می‌کند، هزینهٔ واقعی هر کار بالا می‌رود. Artificial Analysis هزینهٔ اجرای هر تسک شاخص را برای این مدل ۲.۱۱ دلار حساب کرده است. همین عدد برای GPT-6.1 Sol با همان قیمت اسمی فقط ۰.۷۲ دلار است. پس اگر کار شما حجم بالا و ساده است، قیمت اسمی پایین شما را گول نزند.
برای استفاده در وب‌سایت و اپ‌ها، Moonshot پنج پلن دارد. قیمت‌های زیر برای پرداخت سالانه و به‌صورت ماهانهٔ مؤثر است:
| پلن | قیمت ماهانه (سالانه) | K3.1 Pro در وب و Work | Kimi Code | Highspeed | چت ۱ میلیون توکنی |
|---|---|---|---|---|---|
| Free | رایگان | محدود | — | — | — |
| Plus | ۱۵ دلار | ✔ | ✔ | — | — |
| Pro | ۳۱ دلار | ✔ | ✔ | ✔ | — |
| Max | ۷۹ دلار | ✔ | ✔ | ✔ | ✔ |
| Ultra | ۱۵۹ دلار | ✔ | ✔ | ✔ | ✔ |
اعتبار ایجنت هم از پلن به پلن بیشتر می‌شود (Basic، More، ۲×، ۵× و ۱۰×). کاربران ایرانی باید بدانند که پرداخت این پلن‌ها با کارت بین‌المللی انجام می‌شود و در دسترس بودن سرویس از ایران را جداگانه بررسی کنند. ما در این مقاله دسترسی از ایران را آزمایش نکرده‌ایم.
Moonshot در بلاگ نوشته: «وزن‌های کامل مدل تا ۴ نوامبر ۲۰۲۶ منتشر می‌شود.» تا آن زمان Artificial Analysis مدل را «اختصاصی» (Proprietary) طبقه‌بندی کرده است. وزن‌های K3 با لایسنس Kimi K3 منتشر شده‌اند. هم کد و هم وزن‌ها زیر همین لایسنس اختصاصی Moonshot منتشر شده‌اند. پیش از استفادهٔ تجاری، متن کامل لایسنس را در مخزن Hugging Face بخوانید. لایسنس نهایی K3.1 Pro هنوز اعلام نشده است. K3 روی vLLM، SGLang و TokenSpeed اجرا می‌شود، اما اجرای مدلی با این ابعاد به سخت‌افزار مرکز داده نیاز دارد.
Moonshot برای نسخهٔ وزن‌باز یک تصمیم امنیتی هم گرفته است: داده‌های مرتبط با امنیت سایبری را از مراحل میان‌آموزش و RL حذف کرده است. نتیجه این است که مدل نهایی در آزمون داخلی xdev-bench-hard، که آزمون کشف و بهره‌برداری از آسیب‌پذیری است، ۸۱.۰ درصد امتیاز می‌گیرد. نسخهٔ بدون این محدودیت ۹۰.۵ درصد گرفته بود.
قوی‌ترین کاربرد این مدل کارهای طولانی و چندمرحله‌ای کدنویسی است: رفع باگ در مخزن‌های بزرگ، اجرای دستورها در ترمینال، و ساخت پروژه از صفر. Moonshot نمونه‌هایی منتشر کرده که در آن‌ها مدل با موتورهای بازی Unity، Unreal Engine و Godot کار می‌کند و برای Blender و نرم‌افزارهای CAD اسکریپت می‌نویسد و اجرا می‌کند تا مدل سه‌بعدی بسازد. در Kimi Code می‌توانید با دستور /model آن را انتخاب کنید. برای مقایسه با ابزارهای دیگر، بهترین هوش مصنوعی برای برنامه‌نویسی را بخوانید.
Moonshot می‌گوید K3.1 Pro در آزمون Financial Modeling ۷.۲ امتیاز و در Financial Research ۱۱.۶ امتیاز از K3 بهتر است. در OfficeQA Pro v2، که شامل پرسش و پاسخ روی اسناد اداری PDF است، با ۶۴.۴ رتبهٔ اول را دارد. پنجرهٔ ۱ میلیون توکنی هم برای تحلیل قرارداد، گزارش مالی یا مجموعه‌ای از مستندات فنی یک مزیت جدی است.
API Kimi با کتابخانهٔ رسمی OpenAI سازگار است. کافی است آدرس پایه و کلید را عوض کنید. نمونهٔ زیر بر اساس راهنمای رسمی K3.1 Pro نوشته شده است:
from openai import OpenAI
client = OpenAI(api_key="MOONSHOT_API_KEY", base_url="https://api.moonshot.ai/v1")
resp = client.chat.completions.create(
model="kimi-k3.1-pro",
reasoning_effort="high", # low | high | max (default)
messages=[{"role": "user", "content": "یک تابع پایتون برای اعتبارسنجی کد ملی بنویس"}],
)
print(resp.choices[0].message.content)دو نکته را فراموش نکنید. اول، در گفت‌وگوهای چندمرحله‌ای و فراخوانی ابزار، طبق مستندات باید کل پیام دستیار، شامل reasoning_content و tool_calls، را بدون تغییر به درخواست بعدی برگردانید. دوم، برای کارهای ساده reasoning_effort را روی low بگذارید تا تأخیر و مصرف توکن کم شود.
Kimi K3.1 Pro بزرگ‌ترین جهش Moonshot تا امروز است. یک مدل چینی که به‌زودی وزن‌باز می‌شود، در شاخص مستقل Artificial Analysis فقط ۲.۵ امتیاز با Claude Opus 5.5 فاصله دارد، در کدنویسی ترمینالی هم‌تراز یا جلوتر از آن است، و قیمت اسمی‌اش نصف آن است. برای تیم‌هایی که ایجنت کدنویسی، تحلیل اسناد طولانی یا کار مالی دارند و سرعت برایشان اولویت اول نیست، K3.1 Pro یکی از بهترین گزینه‌های پاییز ۱۴۰۵ است.
در مقابل، اگر سرعت، هزینهٔ هر تسک یا پایداری در کارهای علمی سنگین برایتان مهم‌تر است، رقبا هنوز برتری دارند. پیشنهاد ما این است که قبل از مهاجرت کامل، K3.1 Pro را روی چند کار واقعی خودتان در کنار مدل فعلی آزمایش کنید و هزینهٔ واقعی را با شمارش توکن‌ها بسنجید، نه با قیمت اسمی.
خیر. تا ۲ آبان ۱۴۰۵ در فهرست رسمی مدل‌های Kimi مدلی با این نام نیست. مدل‌های نسل سوم kimi-k3.1-pro، kimi-k3.1-pro-highspeed و kimi-k3 هستند و منظور بیشتر کسانی که K3 Pro را جست‌وجو می‌کنند همان Kimi K3.1 Pro است.
۲ دلار برای هر میلیون توکن ورودی، ۱۰ دلار برای خروجی و ۰.۲۰ دلار برای ورودی کش‌شده. نسخهٔ Highspeed دو برابر این قیمت است. حداقل شارژ برای باز شدن API ۱ دلار است.
هنوز نه. Moonshot اعلام کرده وزن‌های کامل تا ۴ نوامبر ۲۰۲۶ (۱۳ آبان ۱۴۰۵) منتشر می‌شود. فعلاً Artificial Analysis آن را اختصاصی طبقه‌بندی کرده است. نسل قبل، یعنی Kimi K3، با لایسنس Kimi K3 وزن‌باز است.
در شاخص هوش Artificial Analysis، Opus 5.5 با ۵۷.۶ کمی جلوتر از K3.1 Pro با ۵۵.۱ است. در Terminal-Bench 4.0 اجرای AA، K3.1 Pro با ۶۷.۲ از Opus 5.5 با ۵۹.۶ بهتر است. K3.1 Pro نصف قیمت است، اما Opus سریع‌تر است (۹۶.۳ در برابر ۷۳.۵ توکن در ثانیه).
۱,۰۴۸,۵۷۶ توکن، یعنی حدود ۱ میلیون توکن. سقف پیش‌فرض خروجی ۱۳۱,۰۷۲ توکن است و می‌توان آن را تا کل پنجره بالا برد. در اپ‌ها، چت ۱ میلیون توکنی فقط در پلن‌های Max و Ultra فعال است.
خیر. تفکر همیشه روشن است. فقط می‌توانید با پارامتر reasoning_effort عمق آن را روی low، high یا max (پیش‌فرض) تنظیم کنید.
Kimi K3.1 Pro نشان می‌دهد که فاصلهٔ مدل‌های چینی و وزن‌باز با پیشتازان آمریکایی به چند امتیاز رسیده است. این مدل در کدنویسی ایجنتی و کارهای دانشی می‌درخشد، قیمت اسمی رقابتی دارد و به‌زودی وزن‌باز می‌شود. در عوض کند و پرحرف است و بخشی از ادعاهایش هنوز به‌طور مستقل تأیید نشده است. برای دیدن جزئیات عددی و مقایسه با Claude Opus 5.5، GPT-6.1 Sol، Gemini 4 Argon، DeepSeek، Qwen و MiMo، به تحلیل بنچمارک Kimi K3.1 Pro بروید. اگر می‌خواهید استفاده از مدل‌های هوش مصنوعی را به‌صورت عملی و ساختاریافته یاد بگیرید، دورهٔ کپسول هوش مصنوعی رادینو نقطهٔ شروع خوبی است.
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 …
وقتی مدل تازهای منتشر می‌شود، سازندهاش معمولاً جدولهایی پر از رتبهٔ اول منتشر می‌کند. سؤال اصلی اما این است که …
«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.