Moonshot เปิดเผยน้ำหนักโมเดล Kimi K3.1 Pro ขณะที่ Huawei และ Alibaba เพิ่มการรองรับการใช้งาน

โมเดลขนาด 2.8 ล้านล้านพารามิเตอร์ก้าวพ้นการใช้งานผ่าน API

Moonshot AI เผยแพร่น้ำหนักโมเดล Kimi K3.1 Pro ทั้งหมดบน Hugging Face เปิดทางให้นักพัฒนาและธุรกิจนำโมเดลมัลติโหมดรุ่นเรือธงไปรันบนโครงสร้างพื้นฐานคอมพิวเตอร์ของตนเอง บริษัทประกาศข่าวในช่วงรุ่งสางที่กรุงปักกิ่งเมื่อวันที่ 5 พฤศจิกายน หลังเปิดตัวโมเดลเมื่อวันที่ 24 ตุลาคม 2026 ซึ่งทำให้ใช้งานได้ผ่านผลิตภัณฑ์ Kimi และอินเทอร์เฟซการเขียนโปรแกรมแอปพลิเคชัน หรือ API

K3.1 Pro มีพารามิเตอร์ 2.8 ล้านล้านตัว ซึ่งเป็นค่าตัวเลขที่เก็บสิ่งที่โมเดลเรียนรู้ไว้ การออกแบบแบบ mixture of experts จะเปิดใช้งานพารามิเตอร์ประมาณ 104,000 ล้านตัวในแต่ละขั้นตอนการอนุมาน แทนการใช้ทั้งโมเดลพร้อมกัน รองรับบริบทประมาณหนึ่งล้านโทเคน และเข้าใจข้อมูลภาพควบคู่กับข้อความได้

Huawei Ascend และ Alibaba Cloud ต่างประกาศรองรับโมเดลในวันเผยแพร่น้ำหนัก โดยใช้เฟรมเวิร์กการอนุมาน vLLM และ SGLang ซึ่งเป็นซอฟต์แวร์ที่จัดการวิธีประมวลผลคำขอของโมเดลที่ผ่านการฝึกแล้ว สำหรับธุรกิจที่กำลังพิจารณาติดตั้งใช้งานภายในองค์กร การเผยแพร่ครั้งนี้มีทั้งน้ำหนักโมเดลให้ดาวน์โหลดและแนวทางเบื้องต้นสำหรับรันโมเดลบนระบบชิปเร่งความเร็วของจีน

ประกาศเปิดตัวโมเดลของ Moonshot ซึ่งปรับปรุงเมื่อวันที่ 24 ตุลาคม ระบุว่าจะเผยแพร่น้ำหนักโมเดลทั้งหมดภายในวันที่ 4 พฤศจิกายน ก่อนที่ประกาศเผยแพร่สู่สาธารณะจะตามมาในวันที่ 5 พฤศจิกายน ก่อนหน้านั้นบริษัทเปิดให้ใช้งานผ่าน kimi.com, Kimi App, Kimi Work, Kimi Code และ Kimi API แล้ว

ความเปลี่ยนแปลงในทางปฏิบัติคือผู้ใช้ควบคุมได้ว่าโมเดลจะทำงานที่ใด ลูกค้า API ส่งคำขอไปยังบริการของผู้ให้บริการ ส่วนองค์กรที่ติดตั้งน้ำหนักโมเดลสามารถรันโมเดลภายในโครงสร้างพื้นฐานที่ตนดูแลได้ ภายใต้เงื่อนไขใบอนุญาตของ Moonshot และข้อกำหนดด้านฮาร์ดแวร์จำนวนมากที่จำเป็นต่อการให้บริการ

Moonshot ยังเปิดตัว Kimi Hosted Agents ซึ่งเป็นบริการจัดการระบบสำหรับให้เอเจนต์ AI ทำงานต่อเนื่องในภารกิจที่ใช้เวลานาน ประกาศทั้งสองรายการเปิดทางให้ธุรกิจเลือกได้สองแบบ คือจัดการโมเดลเอง หรือมอบหมายงานปฏิบัติการส่วนใหญ่ให้ Kimi ดูแล

มีอะไรใหม่ และอะไรที่สืบทอดมาจาก K3?

Kimi K3.1 Pro ต่อยอดจากโมเดลพื้นฐาน K3 ด้วยการฝึกเพิ่มเติม แทนที่จะเริ่มต้นฝึกโมเดลพื้นฐานใหม่ Moonshot ระบุว่าได้เพิ่มทรัพยากรคอมพิวเตอร์สำหรับการเรียนรู้แบบเสริมแรงอย่างมาก ซึ่งเป็นกระบวนการให้รางวัลแก่การกระทำที่สำเร็จ เพื่อช่วยให้โมเดลพัฒนาผ่านการลองซ้ำหลายครั้ง

Moonshot ใช้การฝึกดังกล่าวกับงานหลายร้อยประเภท โดยเน้นเป็นพิเศษที่การเขียนโค้ด การสร้าง 3 มิติ งานวิจัยด้านการเงิน และเอเจนต์ที่ทำงานหลายขั้นตอน การปรับปรุงทางวิศวกรรมครอบคลุมซอฟต์แวร์ฝึกโมเดล การประมวลผลบริบทยาว การจัดตารางงาน และสภาพแวดล้อมแซนด์บ็อกซ์สำหรับรันโค้ดที่สร้างขึ้น

หน้าต่างบริบทประมาณหนึ่งล้านโทเคนเป็นความสามารถที่สืบทอดมาจาก K3 โทเคนคือหน่วยย่อยที่โมเดลใช้แบ่งข้อความและอินพุตอื่น ๆ หน้าต่างบริบทที่ใหญ่ขึ้นทำให้สามารถเก็บเอกสาร คำสั่ง และบทสนทนาก่อนหน้าไว้ใช้ประกอบคำขอได้มากขึ้น

ลำดับการเปิดตัวแยกการเข้าถึงบริการออกจากการเข้าถึงตัวโมเดล:

• 16 กรกฎาคม 2026: เปิดตัว Kimi K3 ตามข้อมูลในการเปรียบเทียบโมเดลที่เผยแพร่
• 24 ตุลาคม 2026: Moonshot เปิดตัว K3.1 Pro ผ่านผลิตภัณฑ์และ API พร้อมกำหนดเผยแพร่น้ำหนักภายในวันที่ 4 พฤศจิกายน
• 5 พฤศจิกายน: Moonshot ประกาศเผยแพร่น้ำหนักและเปิดตัว Kimi Hosted Agents ส่วน Huawei และ Alibaba ประกาศรองรับการติดตั้งใช้งาน

น้ำหนักโมเดลแบบเปิดมาพร้อมเงื่อนไขด้านการใช้งานและใบอนุญาต

องค์กรที่มีขีดความสามารถด้านคอมพิวเตอร์เพียงพอสามารถดาวน์โหลดและรัน K3.1 Pro ได้อย่างอิสระ น้ำหนักโมเดลช่วยให้ธุรกิจกำหนดค่าระบบให้บริการ เชื่อมต่อเครื่องมือภายใน และปรับโมเดลเฉพาะทางได้ ภายใต้ใบอนุญาตที่เกี่ยวข้อง

Moonshot ใช้ใบอนุญาตเฉพาะที่กำกับการใช้งานเชิงพาณิชย์ การเผยแพร่ครั้งนี้ครอบคลุมน้ำหนักโมเดล ขณะที่โค้ดฝึกโมเดลและชุดข้อมูลฝึกต้นฉบับยังไม่เปิดเผย นักพัฒนาจึงได้รับโมเดลที่ผ่านการฝึกแล้ว พร้อมสิทธิ์การใช้งานตามเงื่อนไขของ Moonshot ไม่ใช่ชุดเครื่องมือฝึกโมเดลครบถ้วนตามนิยามของ Open Source Initiative

ขนาดของโมเดลยังเป็นข้อพิจารณาสำคัญในการปฏิบัติการ แม้เครือข่าย mixture of experts จะเปิดใช้งานเพียงบางส่วนในแต่ละขั้น แต่การติดตั้งใช้งานยังต้องเข้าถึงน้ำหนักโมเดลทั้งหมด คำขอที่ยาวยังสร้างข้อมูล attention ชั่วคราวจำนวนมาก ซึ่งต้องเก็บไว้ระหว่างที่โมเดลทำงาน

Huawei กระจายภาระการใช้หน่วยความจำไปยังระบบ Ascend

Huawei ระบุว่าทีม Ascend ปรับระบบให้รองรับโมเดลเสร็จในวันเดียวกับที่น้ำหนัก K3.1 Pro พร้อมใช้งาน จึงเริ่มตรวจสอบความพร้อมสำหรับการติดตั้งใช้งานได้ทันที การรองรับครอบคลุมระบบ Atlas 800 A3, Atlas 900 A3 SuperPod และ Ascend 950 supernode ผ่าน vLLM Ascend และ SGLang

การปรับระบบรองรับสถาปัตยกรรม attention แบบไฮบริดของโมเดล ซึ่งรวมถึง sparse attention และการประมวลผลมัลติโหมด Attention คือกลไกที่ช่วยให้โมเดลตัดสินใจว่าส่วนใดของอินพุตมีความสำคัญต่อขั้นตอนถัดไป Sparse attention จำกัดการเชื่อมโยงบางส่วนเพื่อลดภาระการประมวลผลอินพุตที่ยาวมาก

Ascend ใช้การแคชแบบกระจายเพื่อแบ่งข้อมูลโมเดลชั่วคราวไปยังหน่วยประมวลผลประสาทหลายตัว หรือ NPU ช่วยลดภาระหน่วยความจำของตัวเร่งความเร็วแต่ละตัว Huawei ยังกล่าวถึงการปรับการคำนวณทางคณิตศาสตร์พื้นฐาน เพื่อลดการคัดลอกข้อมูลและการคำนวณที่ไม่จำเป็น

ผู้ติดตั้งใช้งานสามารถโหลดน้ำหนักโมเดลต้นฉบับ หรือเลือกใช้ความละเอียดเชิงตัวเลขระดับบิตต่ำลงสำหรับองค์ประกอบต่าง ๆ ของโมเดล รวมถึงการควอนไทซ์แคช attention การควอนไทซ์จัดเก็บตัวเลขโดยใช้บิตน้อยลง จึงลดความต้องการหน่วยความจำ Huawei ระบุว่าระบบยังคงรองรับการแคช prefix ซึ่งนำอินพุตที่ซ้ำกันกลับมาใช้ การเติมพรอมป์ต์แบบแบ่งส่วน ซึ่งประมวลผลพรอมป์ต์ยาวเป็นช่วง ๆ และการอนุมานแบบเก็งล่วงหน้า ซึ่งเร่งการสร้างผลลัพธ์ด้วยการตรวจสอบโทเคนที่เสนอเป็นชุด

Alibaba เพิ่มอีกช่องทางผ่านแพลตฟอร์ม SuperPoD

Alibaba Cloud ระบุว่า Lingjun Zhenwu M890 SuperPoD ปรับระบบและตรวจสอบความพร้อมครบทั้งชุดซอฟต์แวร์บน vLLM และ SGLang แล้ว นอกจากนี้ยังรองรับการติดตั้ง Zhenwu 810E ทำให้มีอีกช่องทางสำหรับรันโมเดลบนชิปเร่งความเร็วของจีน

Alibaba Cloud, T-Head และทีม Kimi ร่วมกันพัฒนาชุดซอฟต์แวร์ T-Head SAIL ซึ่งประกอบด้วย FlashMLA, การดำเนินการ mixture of experts ของ DeepGEMM, MegaMoE และ MoonEP องค์ประกอบเหล่านี้จัดการการคำนวณ attention และการกระจายงานระหว่าง experts กับตัวเร่งความเร็ว ลูกค้าสามารถติดตั้งใช้งานผ่านอินสแตนซ์ SuperPoD แบบ bare metal เฉพาะ หรือบริการ REIN ของ Alibaba ขณะเดียวกันก็เข้าถึง API ได้ผ่านแพลตฟอร์ม Qwen AI

Alibaba เปิดทดสอบ SuperPoD ในพื้นที่จงเว่ย มณฑลหนิงเซี่ย สำหรับผู้ได้รับเชิญ ควบคู่กับการเปิดให้ใช้อินสแตนซ์ในวันเปิดตัวที่จงเว่ยและอูลานฉาบ ระบบที่จงเว่ยเพิ่มการ์ดเครือข่าย Panmai 920 ของ T-Head ซึ่ง Alibaba ระบุว่ารองรับ PCIe 5.0, Ethernet แบบ 112G PAM4, อัตรารับส่งข้อมูลสูงสุด 400 กิกะบิตต่อวินาที และ 400 ล้านแพ็กเก็ตต่อวินาที

รายละเอียดด้านเครือข่ายเหล่านี้มีความสำคัญ เพราะโมเดลขนาดใหญ่มากเช่นนี้ต้องส่งข้อมูลระหว่างหน่วยประมวลผลอย่างรวดเร็ว Alibaba ระบุว่าสวิตช์ PCIe ในตัวการ์ดช่วยลดต้นทุนระบบได้ประมาณ 30% นอกจากนี้ยังระบุว่า M890 SuperPoD ให้บริการลูกค้ารายใหญ่กว่า 100 ราย และคาดการณ์ว่า V900 รุ่นถัดไปที่วางแผนไว้จะมีประสิทธิภาพราวสามเท่าของรุ่นปัจจุบัน ซึ่งเป็นการคาดการณ์ของบริษัท

ผลการทดสอบเขียนโค้ดแสดงให้เห็นพัฒนาการในการทำงานต่อเนื่อง

Moonshot รายงานคะแนน 65.7% ใน Terminal-Bench 4.0 ซึ่งทดสอบเอเจนต์กับงานผ่านเทอร์มินัลในสภาพแวดล้อมคอมพิวเตอร์จริงภายใต้ข้อจำกัดด้านทรัพยากร การเปรียบเทียบที่บริษัทเผยแพร่ระบุว่า GPT-6 Astra ได้ 58.2% และ Claude Opus 5.5 ได้ 66.4% ทำให้ K3.1 Pro ตามหลังรุ่นหลังอยู่ 0.7 จุดเปอร์เซ็นต์ในการทดสอบชุดนี้

คะแนน Kimi Code Bench 3.0 Long-horizon ซึ่งเป็นการทดสอบภายในของบริษัท เพิ่มจาก 55.95% สำหรับ K3 เป็น 61.2% สำหรับ K3.1 Pro หรือเพิ่มขึ้น 5.25 จุดเปอร์เซ็นต์ การทดสอบนี้เน้นการวางแผน การใช้เครื่องมือ และการแก้โจทย์ด้านวิศวกรรมให้สำเร็จผ่านหลายขั้นตอน

การประเมินจากภายนอกช่วยให้เห็นอีกมุมหนึ่ง Artificial Analysis บันทึกว่าคะแนน Intelligence Index เพิ่มจาก 44 เป็น 55 และผล Terminal-Bench ของ K3.1 Pro อยู่ที่ประมาณ 67% เทียบกับ 13% ของ K3 การทดสอบเทอร์มินัลดังกล่าวใช้เฟรมเวิร์กเอเจนต์คนละแบบกับของ Moonshot ดังนั้นคะแนนจึงสะท้อนการตั้งค่าการทำงานที่แตกต่างกัน

การสาธิตของ Moonshot เน้นความต่อเนื่องในการทำงานควบคู่ไปกับการสร้างโค้ด ในการทดสอบภายในครั้งหนึ่ง โมเดลทำงานกับการจำลองการเดินที่สร้างจากชิ้นส่วนโครงกระดูก 296 ชิ้นและชิ้นส่วนกล้ามเนื้อ 402 ชิ้น บริษัทระบุว่า จากงาน 167 รายการและการตรวจสอบอิสระ 420 ครั้ง โมเดลเพิ่มเวลาเดินต่อเนื่องของร่างกายจำลองเป็น 11.2 วินาที และแก้ข้อผิดพลาดในการคำนวณกล้ามเนื้อไหล่ได้ 36 จุด

การประเมิน Plotly อีกชุดรายงานว่า K3.1 Pro ตอบถูก 42 ข้อจาก 43 ข้อ เทียบกับ K3 ที่ตอบถูก 35 ข้อ พร้อมกับมีค่าใช้จ่ายสูงกว่าและใช้เวลาทำงานจนเสร็จโดยเฉลี่ยนานกว่า ดังนั้นการสร้างโทเคนได้เร็วขึ้นและการให้คำตอบที่ดีขึ้นจึงอาจเกิดขึ้นพร้อมกับเวลารอให้งานเสร็จที่นานขึ้นได้

การสร้าง 3 มิติและการเงินได้รับการปรับปรุงเฉพาะด้าน

Moonshot ระบุว่า K3.1 Pro ได้คะแนน 92.7% เมื่อใช้เครื่องมือใน BenchCAD การทดสอบนี้ให้โมเดลสร้างโค้ดออกแบบด้วยคอมพิวเตอร์เพื่อสร้างวัตถุ 3 มิติขึ้นใหม่จากภาพหลายมุม การเปรียบเทียบของบริษัทระบุว่า Claude Opus 5.5 ได้ 96.2% และ GPT-6 Astra ได้ 95.9%

Moonshot ระบุว่าโมเดลเขียนและรันสคริปต์สำหรับเครื่องมือสร้างโมเดลระดับมืออาชีพได้ รวมถึง Blender และซอฟต์แวร์ CAD ตัวอย่างของบริษัทมีตั้งแต่เครื่องยนต์เทอร์โบแฟนใน FreeCAD ที่ประกอบด้วยวัตถุสามมิติ 2,100 ชิ้น ไปจนถึงโคมไฟที่ออกแบบเป็นห้าส่วนสำหรับพิมพ์ 3 มิติ เว็บไซต์และแอปของ Kimi ยังมีเครื่องมือ 3D Make สำหรับดูตัวอย่าง แก้ไข และส่งออกโมเดล

งานการเงินเป็นอีกเป้าหมายสำคัญ Moonshot รายงานคะแนน 64.4 ใน OfficeQA Pro v2 ซึ่งทดสอบการวิเคราะห์เอกสารทางการเงินจริงผ่านการค้นคืนข้อมูล การตรวจสอบข้ามเอกสาร และการให้เหตุผลเชิงตัวเลข ผลประเมินภายในของบริษัทแสดงว่าการทำแบบจำลองทางการเงินดีขึ้น 14% งานวิจัยทางการเงินดีขึ้น 20% และงานจำลองการดำเนินธุรกิจได้คะแนนประมาณ 4.2 เท่าของ K3

ข้อมูลเปรียบเทียบที่เผยแพร่แสดงตัวเลขพื้นฐานของการทดสอบสองรายการ ได้แก่ คะแนน Financial Research เพิ่มจาก 58.8 เป็น 70.4 ส่วน Business Operation เพิ่มจาก 8.9 เป็น 37.0 ประโยชน์ที่ผู้ใช้ในธุรกิจคาดหวังคือโมเดลที่ทำงานตั้งแต่ค้นหาข้อมูล คำนวณ ไปจนถึงจัดทำเวิร์กบุ๊กหรือผลงานวิจัยให้เสร็จได้

Moonshot เผยผลการทดสอบข้อผิดพลาดด้านข้อเท็จจริงสองชุดที่แตกต่างกัน

ประกาศเปิดตัวของ Moonshot ระบุว่าอัตราความผิดพลาดของข้อกล่าวอ้างเชิงข้อเท็จจริงเดี่ยวใน Kimi Hallu Bench Hard ลดจาก 23.4% สำหรับ K3 เหลือ 8.3% สำหรับ K3.1 Pro ส่วนคู่มือ API ให้ผลการทดสอบภาวะกดดันอีกชุดหนึ่ง โดยอัตราลดจาก 23.35% เหลือ 6.85% ในบทสนทนาที่ไม่ระบุตัวตน ซึ่งผู้ใช้แจ้งว่ามีข้อผิดพลาดด้านข้อเท็จจริง

ทั้งสองหน้าให้ตัวเลขในระดับคำตอบแตกต่างกันด้วย ประกาศเปิดตัวระบุว่าสัดส่วนคำตอบที่มีข้อผิดพลาดด้านข้อเท็จจริงอย่างน้อยหนึ่งจุดอยู่ที่ประมาณ 42.4% ของอัตราของ K3 ขณะที่คู่มือ API ระบุประมาณ 46.4% Moonshot ยังไม่ได้อธิบายความสัมพันธ์ระหว่างการประเมินทั้งสองชุด

คำอธิบายทั้งสองชุดกล่าวถึงตัวอย่างที่ยาก ซึ่งคัดเลือกมาเพราะโมเดลมีแนวโน้มทำผิดพลาด งานสำคัญสำหรับการติดตั้งใช้งานในธุรกิจและการเงินยังคงเป็นการตรวจสอบการคำนวณ แหล่งอ้างอิง และข้อความที่ยืนยันข้อเท็จจริงกับบันทึกต้นทางก่อนนำผลลัพธ์ไปใช้

การเปรียบเทียบจากภายนอกยังบันทึกคะแนนที่ลดลงเล็กน้อยในการทดสอบบริบทยาวรายการหนึ่ง โดย AA-LCR v1.1 ลดจาก 88.7% สำหรับ K3 เป็น 86.3% สำหรับ K3.1 Pro องค์กรที่ประมวลผลเอกสารยาวจึงต้องพิจารณาความแม่นยำในการค้นคืนข้อมูลควบคู่ไปกับความจุบริบทของโมเดลที่ไม่เปลี่ยนแปลง

เอเจนต์แบบโฮสต์และการเข้าถึง API มีข้อแลกเปลี่ยนต่างกัน

Kimi Hosted Agents จัดเตรียมเฟรมเวิร์กการปฏิบัติงาน หรือที่มักเรียกว่า harness ไว้ครอบโมเดล AI เฟรมเวิร์กนี้จัดการเครื่องมือ การรันโค้ด บริบท สิทธิ์การเข้าถึง และการกู้คืนเมื่องานหยุดชะงัก Moonshot ระบุว่าบริการรองรับการทำงานตลอดเวลา งานที่ใช้เวลานาน และการประสานงานระหว่างเอเจนต์หลายตัว

Moonshot ระบุว่าการติดตามตรวจสอบภายในและการตอบสนองด้านปฏิบัติการเป็นการใช้งานที่เป็นไปได้ เช่นเดียวกับผู้ช่วยวิจัยที่ให้บริการลูกค้าและบริการสนับสนุน ธุรกิจที่ใช้บริการจัดการนี้กำหนดงานและเชื่อมต่อเครื่องมือได้ ขณะที่ Kimi ดูแลระบบรันไทม์พื้นฐาน ส่วนธุรกิจที่รันน้ำหนักโมเดลเองต้องรับผิดชอบการให้บริการและการปฏิบัติการด้วยตนเอง

สำหรับลูกค้า API คู่มือเริ่มต้นใช้งาน API ของ Moonshot กำหนดให้เติมเงินอย่างน้อย 10 หยวนเพื่อปลดล็อก K3.1 Pro คูปองมูลค่า 15 หยวนสำหรับผู้ลงทะเบียนใหม่ไม่สามารถใช้กับโมเดลนี้ได้ คู่มือมีการตั้งค่าการให้เหตุผลระดับ low, high และ max โดย max เป็นค่าเริ่มต้น และมีตัวเลือกเก็บแคชห้านาทีหรือหนึ่งชั่วโมง

Moonshot ยังให้บริการ K3.1 Pro Highspeed ซึ่งบริษัทระบุว่าให้ความสามารถด้านสติปัญญาเท่าเดิม แต่สร้างผลลัพธ์ได้เร็วขึ้นประมาณสองถึงสามเท่า การเปรียบเทียบที่เผยแพร่ระบุว่าอัตรามาตรฐานสำหรับอินพุตและเอาต์พุตอยู่ที่ 2 และ 10 ดอลลาร์ต่อหนึ่งล้านโทเคน ลดลงจาก 3 และ 15 ดอลลาร์สำหรับ K3 หรือลดลงหนึ่งในสาม ก่อนคิดค่าบริการแคชและค่าธรรมเนียมอื่นที่เกี่ยวข้อง ค่าใช้จ่ายรวมยังขึ้นอยู่กับจำนวนโทเคนและการโต้ตอบกับเครื่องมือที่งานนั้นใช้

นักพัฒนาต้องปฏิบัติตามข้อกำหนดด้านการผสานระบบบางประการ ได้แก่ ต้องเก็บข้อความ assistant ให้ครบถ้วนระหว่างการเรียกใช้เครื่องมือ อินพุตภาพต้องใช้ข้อมูล base64 หรือรหัสไฟล์ที่อัปโหลด แทน URL รูปภาพสาธารณะ และคู่มือแนะนำไม่ให้นำเครื่องมือค้นหาเว็บไปใช้ในระบบจริงระหว่างที่กำลังปรับปรุงเครื่องมือดังกล่าว

ประเด็นสำคัญ

• Moonshot ประกาศเผยแพร่น้ำหนักโมเดล Kimi K3.1 Pro เมื่อวันที่ 5 พฤศจิกายน หลังเปิดให้ใช้งานผ่านผลิตภัณฑ์และ API ก่อนหน้านั้น
• โมเดลมีพารามิเตอร์ทั้งหมด 2.8 ล้านล้านตัว เปิดใช้งานประมาณ 104,000 ล้านตัวในแต่ละขั้นตอนการอนุมาน และรองรับบริบทประมาณหนึ่งล้านโทเคน
• Huawei Ascend และ Alibaba Cloud ประกาศรองรับการติดตั้งใช้งานผ่าน vLLM และ SGLang
• Moonshot รายงานพัฒนาการด้านการเขียนโค้ด การสร้างโมเดล 3 มิติ และการเงิน โดยผลลัพธ์แตกต่างกันไปตามงานและรูปแบบการประเมิน
• การติดตั้งใช้งานด้วยตนเองต้องใช้ทรัพยากรคอมพิวเตอร์จำนวนมากและปฏิบัติตามใบอนุญาตเฉพาะของ Moonshot
• Kimi Hosted Agents เป็นทางเลือกแบบจัดการให้ สำหรับการรันงานที่ใช้เวลานานและประสานงานระหว่างเอเจนต์หลายตัว