Модель · Moonshot AI
Kimi K3
Флагманская открытая модель Moonshot AI для долгих задач программирования и агентной работы, понимает картинки и видео
вышла 16 июля
Рейтинг Epoch AIСводная оценка общих возможностей модели: статистическая модель выводит её из результатов на многих бенчмарках с учётом их сложностиШкала условная (Claude 3.5 Sonnet = 130, GPT-5 = 150); интервал — 90-процентный диапазон оценки, и модели с перекрывающимися интервалами надёжно не различаются.Подробнее на английском ↗
11 место из 266
индекс 158, вероятный разброс 155–160 · весь рейтинг →
| Бенчмарк | РезультатОбычно — доля заданий теста, которые модель решила. У некоторых тестов свой счёт; как он устроен, сказано в пояснении к названию теста | УсилиеНасколько долго модель рассуждала перед ответом, когда её проверяли: низкое, среднее, высокое, очень высокое, максимальное. Чем выше усилие, тем обычно выше результат — и тем дольше и дороже ответ. Показан лучший результат и усилие, на котором он получен |
|---|---|---|
| DTBenchВопросы с выбором ответа по теории принятия решений в задачах вроде парадокса Ньюкома, где твой выбор говорит о выборе похожих на тебяСлучайный выбор даёт около 40%, так что это нижняя планка, а не ноль.Подробнее на английском ↗ | 85,3% | максимальное |
| LMCAНасколько оценки моделью доводов в философии, теории решений и безопасности ИИ совпадают с оценками экспертовБалл — корреляция с оценками экспертов, умноженная на 100; практический потолок около 85, а не 100.Подробнее на английском ↗ | 62,0% | максимальное |
| Mystery Game Puzzles100 позиций из головоломочного варианта известной игры, название которой скрыто: нужно найти единственный лучший ходПодробнее на английском ↗ | 18,5% | низкое |
| Surface Evolver Bench16 задач: описать для физической программы Surface Evolver форму жидкости под действием поверхностного натяжения, гравитации и ограниченийЗасчитывается частичное выполнение: отдельные баллы за корректный файл, успешный прогон симуляции и совпадение объёма, площади и энергии с эталоном.Подробнее на английском ↗ | 95,0% | максимальное |
| FrontierMath-Tier-4-v2-PrivateЗакрытый набор самых трудных задач FrontierMath: исследовательская математика, на которую у специалистов уходят часы и дниПодробнее на английском ↗ | 39,0% | максимальное |
| FrontierMath-Tiers-1-3-v2-PrivateСотни новых задач исследовательской математики от профессиональных математиков; эксперту на задачу нужны часы или дниПодробнее на английском ↗ | 72,2% | максимальное |
| FrontierCodeМодель исправляет проблему в открытом проекте, а правку оценивают по тому, приняли бы её сопровождающие проектаБалл выставляют по критериям сопровождающих и усредняют по пяти запускам; если нарушен хотя бы один обязательный критерий, за задачу ставят ноль.Подробнее на английском ↗ | 44,2% | |
| DeepSWE113 долгих задач по программированию в 91 открытом проекте на пяти языках; задачи написаны с нуля и не публиковалисьEpoch нашла, что примерно в 20% задач проверка отклоняет верные решения, поэтому реальный потолок заметно ниже 100%.Подробнее на английском ↗ | 68,5% | максимальное |
| PostTrainBenchМожет ли ИИ-агент сам дообучить базовую языковую модель за 10 часов на одной видеокарте H100, без готового кода и данныхБалл — результат дообученной модели на нескольких тестах; официальные версии тех же моделей от разработчиков набирают около 51%.Подробнее на английском ↗ | 32,0% | |
| ProofBench100 закрытых задач по математике уровня старших курсов и аспирантуры: модель пишет доказательство на Lean 4, его проверяет программаПодробнее на английском ↗ | 87,0% | |
| APEX-Agents480 многошаговых рабочих задач из инвестбанкинга, консалтинга и корпоративного права: агент работает с файлами, почтой, таблицамиЗадача засчитывается, только если выполнены все пункты экспертного списка критериев; проверяет их другая модель.Подробнее на английском ↗ | 39,3% | |
| Chess Puzzles100 новых шахматных задач, позиция дана текстом: нужно найти единственный лучший ход по оценке движка StockfishПодробнее на английском ↗ | 35,8% | низкое |
| SimpleQA Verified1000 коротких вопросов на факты, на которые модель отвечает по памяти, без поиска в интернетеБалл — F1: учитываются и доля верных ответов, и точность там, где модель решилась ответить, так что честное «не знаю» лучше ошибки.Подробнее на английском ↗ | 50,6% | максимальное |
| ARC-AGI-2Вторая, более трудная версия головоломок на клетках: по примерам найти скрытое правило и применить его к новой картинкеНа каждое задание даётся две попытки; люди в среднем решают около 60% заданий.Подробнее на английском ↗ | 60,4% | максимальное |
| WeirdMLНеобычные задачи по машинному обучению: модель пишет код, который на выданных данных обучает классификатор, например для распознавания фигурБалл — средняя точность обученных моделью классификаторов, а не доля решённых задач.Подробнее на английском ↗ | 82,6% | максимальное |
| OTIS Mock AIME 2024-202545 олимпиадных задач по математике из пробных экзаменов AIME школы OTIS; ответ — целое число от 0 до 999Подробнее на английском ↗ | 97,2% | низкое |
| SimpleBenchВопросы с подвохом на здравый смысл: пространство, время, поведение людей. 213 вопросов, у каждого шесть вариантов ответаЛюди в проверке авторов набрали около 84%, а балл модели — средняя точность по пяти прогонам.Подробнее на английском ↗ | 52,8% | максимальное |
| GPQA diamond198 вопросов с выбором ответа по физике, химии и биологии уровня аспирантуры — такие, что ответ не найти поискомСлучайный выбор даёт 25%, а специалисты с учёной степенью в своей области набирают около 70%.Подробнее на английском ↗ | 90,8% | низкое |
| ARC-AGIГоловоломки на цветных клетках: по паре примеров нужно понять правило преобразования картинки и применить его к новойПодробнее на английском ↗ | 94,5% | максимальное |
Характеристики
- Вышла
- 16 июля
- КонтекстСколько текста модель учитывает за один запрос: вопрос, приложенные документы и её собственный ответ вместе. Токен — кусок слова; слово обычно занимает один–три токена
- 1 млн токенов
- Длина ответаСколько токенов модель может выдать за один ответ, вместе со скрытыми рассуждениями, если они есть
- до 131 тыс. токенов
- Цена входаСколько стоит миллион токенов, отправленных модели: вопрос, документы, вся история переписки
- $3 за миллион токенов
- Вход из кэшаЦена входа для повторяющегося начала запроса, которое лаборатория уже сохранила у себя. В длинной переписке и у агентов это большая часть входа — и в разы дешевле
- $0,30 за миллион токенов
- Цена ответаСколько стоит миллион токенов, написанных моделью, — включая скрытые рассуждения
- $15 за миллион токенов
- Понимает
- текст, изображения, видео
- Отвечает
- текст
- РассужденияПеред ответом модель рассуждает про себя: медленнее и дороже, зато точнее на трудных задачах
- да
- Вызов инструментовМодель сама просит программу выполнить действие — поиск, запуск кода, запрос к сервису — и продолжает с результатом. На этом держатся агенты
- да
- ВесаОткрытые — файлы модели можно скачать и запустить на своих серверах. Закрытые — доступ только через сервис лаборатории
- открытые
- Идентификатор в API
- kimi-k3
Что это за модель
Kimi K3 — самая сильная модель Moonshot AI. Компания называет её первой открытой моделью класса 3 трлн параметров: в ней 2,8 трлн параметров. Она построена как смесь экспертов (mixture of experts): модель состоит из 896 узких подсетей-«экспертов», и на каждый токен работают только 16 из них. Так в ответе участвуют около 104 млрд параметров, а не все 2,8 трлн. Для картинок и видео есть собственный визуальный кодировщик MoonViT-V2.
От Kimi K2.6 и K2.7 её отличает новая архитектура. Большая часть слоёв внимания устроена по схеме Kimi Delta Attention: это линейное внимание, которое дешевле обходится на длинных текстах. Обычное полное внимание стоит лишь в части слоёв. Модель с самого начала обучали с учётом квантизации — хранения весов в сжатом формате MXFP4. По оценке лаборатории, всё это даёт примерно в 2,5 раза больше качества на единицу вычислений, чем у Kimi K2.
Moonshot AI делала модель для долгих задач: сложного программирования, агентной работы с документами и исследованиями, задач с картинками и видео. В примерах компании — оптимизация вычислительных ядер, разработка компиляторов и игр, проектирование чипов, монтаж видео. В карточке модели приведены такие результаты: 93,5 в GPQA Diamond, 88,3 в Terminal-Bench 2.1, 91,2 в BrowseComp. Компания заявляет, что K3 заметно обходит Claude Opus 4.8 и GPT-5.5, а в оптимизации ядер держится на уровне Claude Fable 5.
Сама лаборатория признаёт, что в целом модель уступает Claude Fable 5 и GPT-5.6 Sol. Ещё две оговорки из анонса. Модель чувствительна к истории рассуждений: в многоходовом диалоге ей нужно возвращать предыдущие ответы целиком, вместе с рассуждениями. Кроме того, она бывает излишне инициативной и может принимать решения, о которых пользователь не просил. На старте модель всегда рассуждает с максимальным усилием, облегчённые режимы обещаны в следующих обновлениях. Веса выложены на Hugging Face под собственной лицензией Kimi K3 License.
Источники: Анонс Kimi K3 в блоге Kimi, Карточка модели на Hugging Face
Того же уровня по индексу Epoch
-
Gemini 3.7 Flash
Google12-е место в Epochконтекст 1 млн$0,75 / $3,75рассуждениядешевле в 4 раза
-
Claude Opus 4.8
Anthropic10-е место в Epochконтекст 1 млн$5 / $25рассуждениядороже в 1,7 раза
-
Qwen3.8 Max
Qwen14-е место в Epochконтекст 1 млн$2 / $6рассуждениядешевле в 2,5 раза
Новости о модели
- 01
- 02
- 03
- 04
- 05
- 06
Данные: models.dev (MIT) и Epoch AI (CC BY 4.0).