Kimi K3.1 Pro يحتل المركز الرابع في AA Index بـ 55 نقطة مع قفزة في مهام الوكلاء

أطلقت Moonshot نموذج Kimi K3.1 Pro، وبحسب بيانات Artificial Analysis حقق هذا النموذج الاستدلالي الجديد 55 نقطة في Intelligence Index. وهذا يضعه في المركز الرابع، بزيادة 11 نقطة عن Kimi K3 الذي حصل على 44 نقطة. لا يتقدم عليه سوى Claude Opus 5.5 (58 نقطة في وضع max with fallback) وClaude Sonnet 5.5 (56) وMuse Wonder Full (56). لم تُنشر أوزان K3.1 Pro بعد، لكن يُتوقع أن تنشرها Moonshot بعد وقت قصير من الإطلاق. عندها سيصبح النموذج الأقوى بين النماذج مفتوحة الأوزان، وستتقلص الفجوة بين أفضل نموذج مفتوح وأفضل نموذج مغلق من 12 نقطة إلى 3.

قفزة في مهام الوكلاء: Terminal-Bench من 13% إلى 67%

تتركز أبرز التحسينات في العمل الوكيلي. ففي GDPval-AA، حيث تحل النماذج مهام قريبة من العمل المكتبي والخبير في الواقع، يحقق K3.1 Pro نتيجة 1 846 Elo. وهذا يزيد 312 نقطة عن Kimi K3، ويضعه في المركز الثالث بعد Claude Opus 5.5 (1 866) وMuse Wonder Full (1 857). والفارق عن المتصدر 20 Elo فقط.

وفي Terminal-Bench 4.0 يسجل النموذج 67% ويتفوق على جميع النماذج الأخرى، بما فيها Claude Sonnet 5.5 الذي حقق 64%. أما Kimi K3 فلم يحل هنا سوى 13%. ويشير هذا النمو في تحديث واحد إلى عمل موجَّه على سلوك النموذج في سطر الأوامر: تخطيط الخطوات، وتصحيح الأخطاء، وإنجاز المهام حتى نهايتها.

أما AutomationBench-AA، الذي يختبر سيناريوهات الوكلاء في منتجات SaaS، فارتفعت نتيجته من 58% إلى 73%.

الهلوسة والعلوم: تقدم أقل

في بقية الاختبارات جاءت الزيادات معتدلة. ارتفع Humanity's Last Exam من 47% إلى 52%، وCritPt من 23% إلى 25%، وSciCode من 59% إلى 61%. ويبدو أن القفزة في مهام الوكلاء هي الرهان الرئيسي لهذا الإصدار، وليست زيادة متوازنة في الذكاء.

أما موثوقية الإجابات فتغيرت بدرجة أوضح. ارتفع AA-Omniscience Index من 20 إلى 30: انخفضت نسبة الهلوسة من 53% إلى 44%، وارتفعت الدقة من 48% إلى 51%. وبات النموذج يعترف في كثير من الأحيان بأنه لا يعرف الإجابة بدلًا من اختلاقها. وهذا تحسن مهم للوكلاء الذين يستدعون الأدوات بأنفسهم ويكتبون في أنظمة العمل.

تكلفة المهمة وقضية الأوزان

يستهلك K3.1 Pro نحو 55K رمز إخراج لكل مهمة في Intelligence Index، بينما كان الرقم لدى Kimi K3 هو 48K، أي أقل بنسبة 14%. في المقابل خفّضت Moonshot أسعارها بنسبة 33% في جميع الشرائح الثلاث: $2 لكل مليون رمز إدخال، و$10 لكل مليون رمز إخراج، و$0,20 لإصابات الكاش. والنتيجة أن تكلفة تشغيل مهمة واحدة بقيت تقريبًا كما هي: $1,98. أي أن النموذج أصبح أقوى بوضوح، بينما بقي ما يُدفع مقابله على حاله.

أبرز الخصائص:

• Intelligence Index: 55 نقطة، المركز الرابع (Kimi K3: 44)
• GDPval-AA: 1 846 Elo، المركز الثالث، بزيادة 312 عن K3
• Terminal-Bench 4.0: 67% (K3: 13%)، وهي أفضل نتيجة بين النماذج
• AutomationBench-AA: 73% (كانت 58%)
• AA-Omniscience Index: 30 (كان 20)، ونسبة الهلوسة 44%
• الحجم: 2,8T معامل إجمالًا، منها 104B نشطة
• السياق: 1M رمز، والإدخال: نصوص وصور
• السعر: $2 / $10 / $0,20 لكل 1M رمز (إدخال / إخراج / كاش)
• تكلفة المهمة: $1,98

ما الذي ينبغي فحصه قبل الانتقال إلى K3.1 Pro

تحصل الفرق التي تبني وكلاء للبرمجة والأتمتة على بديل أرخص للنماذج المغلقة. ففي Terminal-Bench 4.0 يتفوق K3.1 Pro على Claude Sonnet 5.5، وفي GDPval-AA يتأخر عن المتصدر بـ 20 Elo. كما أن أسعار الرموز أقل بكثير. لكن النموذج يستهلك رموز إخراج أكثر بنسبة 14% من سلفه، ولذلك ينبغي حساب تكلفة المهمة، وليس سعر المليون رمز فقط.

وتتعلق المسألة الثانية بالأوزان نفسها. فما دامت غير متاحة، لا يمكن الوصول إلى النموذج إلا عبر API من Moonshot. واستضافة نموذج بحجم 2,8T معامل، منها 104B نشطة، ذاتيًا ستتطلب عنقودًا حاسوبيًا ضخمًا، ولذلك سيستفيد من الأوزان المفتوحة في المقام الأول مزودو الخدمات السحابية والشركات الكبرى التي تملك بنية تحتية خاصة. أما بالنسبة لبقية الجهات فالأهم أمر آخر: يتزايد الضغط على أسعار المختبرات المغلقة، لأن الفجوة في الجودة تقلصت إلى 3 نقاط.

قبل الانتقال، يستحسن اختبار النموذج على سيناريوهات الوكلاء الخاصة بكم. فالمعايير تُظهر فئة النموذج، لكنها لا تغني عن الاختبار على مهام حقيقية. وينبغي كذلك إيلاء اهتمام خاص لنسبة الهلوسة: فـ 44% لا تزال قيمة مرتفعة.