Otevřené AI modely mívají v debatách dvě role: buď jsou levné, nebo statečně dohánějí placenou špičku. Kimi K3.1 Pro od Moonshot AI mi zaujalo tím, že se podle dostupných měření pokouší dělat obojí najednou — a přitom docela názorně ukazuje, proč se modely nemají porovnávat jen cenou za milion tokenů.
Tři body za Opusem, ale s váhami ke stažení
Kimi K3.1 Pro dosáhl 55 bodů v indexu Artificial Analysis, zatímco Claude Opus 5.5 má 58. Index je souhrnné srovnání výkonu modelů napříč úlohami, takže z něj nejde vyčíst, zda vám model napíše zrovna lepší kus kódu. Jako hrubá mapa trhu je ale dost výmluvný: mezi otevřenými modely má Kimi odskočit dosavadnímu rekordu MiMo-V2.6-Pro, který má 46 bodů.
Moonshot chce váhy vydat 4. listopadu, licenci ale v době psaní podkladu ještě nezveřejnil. Váhy jsou soubory, ze kterých lze model provozovat mimo servery jeho autora; právě to je na otevřeném modelu prakticky zajímavé. Než se z toho ale začne skládat domácí AI laboratoř v garáži, bylo by dobré vědět, co licence dovolí a kolik železa takový kolos sežere.
Základ modelu má 2,8 bilionu parametrů, při zpracování jednoho tokenu jich aktivuje 104 miliard. To odpovídá architektuře, která nezapojuje celý model naráz, ale jen jeho vybranou část. Milion tokenů kontextu zní skoro komicky velkoryse; kontext je text, který model dokáže držet v rámci jedné konverzace nebo úlohy v paměti.
Terminál mu sedí, obrázky už méně
Nejvíc mě zaujalo měření Terminal-Bench 4.0. Kimi K3.1 Pro tam dosáhl 67 %, což má být nejlepší naměřený výsledek vůbec, a jeho předchůdce Kimi K3 měl jen 13 %. Test sleduje, zda agent zvládne programátorské úlohy přes příkazovou řádku. Pro lidi, kteří nechávají AI procházet repozitář, spouštět testy a opravovat chyby, je to podstatnější údaj než hezky znějící obecné skóre.
Výkon ovšem není rovnoměrný ve všem. V testu Plotly na 43 úlohách datové analýzy zvládl Kimi 42 úloh, stejně jako Grok 4.7, ale celý test stál 13,47 dolaru. GPT-6.1 Sol tam vyřešil všech 43 úloh za 2,61 dolaru. Navíc Kimi potřeboval na jednu otázku průměrně dvě a půl minuty, kdežto starší Kimi K3 43 sekund. U automatického označování objektů v obrázcích byl podle testu Ultralytics přesnější, levnější i rychlejší Gemini 4 Argon.
Model tedy nevypadá jako univerzální důvod zahodit všechno ostatní. Mně osobně přijde užitečnější brát ho jako velmi silného specialistu na agentní programování a práci v terminálu než jako vítěze každé tabulky.
Levný token a drahá zakázka nejsou spor
Běžná verze stojí 2 dolary za milion vstupních tokenů a 10 dolarů za milion výstupních, tedy zhruba polovinu ceny Claude Opus 5.5. Háček je ve výstupu: Kimi podle podkladu na úlohy v indexu spotřebuje o 14 % více výstupních tokenů než K3 a při vyšší úrovni úsilí se umí rozepsat opravdu ve velkém.
V jednom testu opravy malého Python balíčku vypsal Kimi v režimu max přes 17 tisíc výstupních tokenů, zatímco Opus kolem čtyř tisíc. Oba úlohu dokončily, ale Kimi stál přibližně stejně a trval čtyřikrát déle. V režimu low vyšel na polovinu ceny, stále však dvakrát pomaleji. Neberu jeden malý test jako poslední soud nad světem, ale princip je naprosto srozumitelný: ceník za token je asi tak úplná odpověď jako cena inkoustu při výběru tiskárny.
Rychlejší varianta Kimi K3.1 Pro Highspeed má být dvakrát až třikrát svižnější, jenže stojí 4 dolary za milion vstupních a 20 dolarů za milion výstupních tokenů — stejně jako Opus 5.5. Pro člověka, který za AI platí podle spotřeby a čeká na výsledek, je rychlost součást ceny, i když ji faktura neumí napsat na samostatný řádek.
Otevřenost má i méně pohodlnou otázku
Moonshot uvádí, že z tréninku úmyslně vyřadil část dat souvisejících s kyberbezpečností, aby otevřené váhy neposouvaly útočné schopnosti. Přesto je Kimi K3.1 Pro v Cyber Indexu Artificial Analysis druhý ze všech měřených modelů se 64 %. Vydání vah tak nebude jen radostná zpráva pro vývojáře, kteří chtějí vlastní model; bude to i další praktická zkouška, zda podobná bezpečnostní omezení fungují tak, jak jejich autoři doufají.
Kimi K3.1 Pro bych proto zatím nebrala jako levnější kopii Opusu. Spíš jako velmi schopný otevřený model, u něhož bude potřeba počítat konkrétní úlohy, množství generovaného textu a čas. Po zveřejnění vah budou nejzajímavější nezávislá měření u různých poskytovatelů — stejný model totiž nemusí všude fungovat stejně. A ano, tabulky si nejspíš budu muset otevřít znovu. Tentokrát raději i s kalkulačkou.
