Кытай Kimi K3.1 Pro моделэ Claude Opus 5.5-тэн үс эрэ баалынан хаалар; аһаҕас ыйааһыннары сэтинньи 4 күнүгэр диэри биэриэхтэрин эрэннэрдилэр
Moonshot AI саҥа толкуйдуур моделэ Artificial Analysis индексигэр 55 баалынан төрдүс миэстэни ылла, API сыаната үс гыммыт биир өлүүтүнэн түстэ, оттон аһаҕас таһаарыыга, компания этэринэн, кибератака дааннайдарын үөрэтииттэн ылбыттар.
Кытай Moonshot AI компаньыята Kimi K3.1 Pro диэн толкуйдуур моделы таһаарда. Бу Kimi K3 олоҕор элбэх эбии үөрэтиилээх модель. The Decoder суруйарынан, тутулуга суох Artificial Analysis өҥөтө кинини Intelligence Index индексигэр 55 баалынан төрдүс миэстэҕэ туруорбут — K3-тан 11 баал үрдүк, лидер Claude Opus 5.5-тэн (58) үс баал намыһах.
Сүрүнэ
- Кээмэйэ: барыта 2,8 трлн параметр, 104 млрд активнай; 1 мөл. токен контекст түннүгэ; тиэкис уонна ойуу киллэрии.
- Сыаната: K3-тан 33% чэпчэки — мөлүйүөн киирэр токеҥҥа $2, мөлүйүөн тахсар токеҥҥа $10. Түргэн Highspeed барыла икки төгүл ыарахан.
- Аһаҕас ыйааһыннар: Moonshot толору ыйааһыннары 2026 сыл сэтинньи 4 күнүгэр диэри таһаарарга эрэннэрэр. Оччоҕо K3.1 Pro индекскэ саамай үрдүк баалламмыт аһаҕас модель буолуоҕа.
- Тупсарыы: ордук агент сорудахтарыгар, программалааһыҥҥа уонна 3D/CAD моделлааһыныгар үүммүт; компания этэринэн, Unity, Unreal Engine, Godot уонна Blender кытта үлэлиир.
Бенчмарктар (атыннык ыйыллыбатаҕына, компания дааннайдара)
Terminal-Bench 4.0-ка Moonshot 65,7% иһитиннэрэр — Claude Opus 5.5 (66,4%) чугаһыгар. Artificial Analysis GDPval-AA тургутуутугар 1846 Эло, Opus 5.5 — 1866. Moonshot этэринэн, иһинээҕи стресс-тестэҕэ галлюцинация 23,4%-тан 8,3%-ҥа түспүт. Оҥорооччу бенчмарктарыгар тутулуга суох бэрэбиэркэҕэ диэри сэрэхтээхтик сыһыаннаһыахха наада.
Кибер хааччахтара
Moonshot аһаҕас таһаарыыга кибератаканы кытта сибээстээх дааннайдары үөрэтииттэн ылбытын этэр, тоҕо диэтэххэ уязвимость көрдүүр дьоҕура үөрэтиини кытта улаатан испит. Иһинээҕи эксплойт тургутуутугар «ыраастаммыт» модель сорудахтар 81,0%-нарын толорор, ыраастамматаҕа — 90,5%. Ол аата бу эйгэҕэ модель өссө да күүстээх.