Kimi K3.1 zmienia zasady gry — najlepszy model otwarty świata

O czym jest ten film

1. Premiera Kimi K3.1 Pro od Moonshot AI — zdaniem autora najlepszy model o otwartych wagach na świecie; publikacja wag zapowiedziana na 4 listopada.
2. Na indeksie Artificial Analysis model plasuje się tuż za Claude’em Opusem 5.5 (przed Soulem) przy połowie jego ceny; wygrywa m.in. Terminal Bench 4.0 przy maksymalnym wysiłku rozumowania oraz SWE Marathon.
3. Zdolności 3D i CAD robią furorę: helikopter w przekrojach, bitwa w Unreal Engine, silnik turbośmigłowy z ponad 2100 brył w FreeCAD, lotnisko Changi w Blenderze, model 3D z pojedynczego zdjęcia, „rysowanie” fotografii pędzlem.
4. Autor przeprowadził własne testy w odizolowanych piaskownicach Linuksa z Blenderem i FreeCAD — render kinetycznej rzeźby powstał po 40 minutach pracy modelu.
5. Największy skok względem poprzednika to prędkość: z nieużywalnych ~24 tokenów na sekundę do tempa zbliżonego do Opusa i wyraźnie lepszego niż GPT 6.1 Soul.
6. Liczy się koszt i czas wykonania zadania, a nie cennik tokenów: Kimi jest na froncie Pareto efektywności, choć zdarzają się zadania (start rakiety 3D), w których Opus wychodzi pięciokrotnie taniej i czterokrotnie szybciej.
7. K3.1 bazuje na tej samej bazie modelu co K3 — różnicę zrobiło uczenie ze wzmocnieniem; to szerszy trend (Muse Spark 1.0–1.3 również tylko dzięki RL).
8. Kontrowersja wokół cyberbezpieczeństwa: Moonshot usunął treści związane z hackingiem ze zbioru treningowego; autor krytykuje tę decyzję jako utrudniającą pracę obrońcom.
9. Druga afera: wyciekł brief dla influencerów z instrukcją, by nie oznaczać płatnych partnerstw; osobno — przypadek sponsorowanego benchmarku.
10. Lokalne uruchomienie wymaga od 340 GB (mocna kompresja) do 1,6 TB pamięci — realnie 16× NVIDIA DGX Spark lub 2× Mac Studio Ultra; znaczna część materiału to promocja autorskiego narzędzia autora, Cloud Room.

10 najważniejszych takeaways — z kontekstem zastosowania

1.Benchmarki czytaj, ale własne testy rób zawsze

Na czym polega: Moonshot opublikował aż 14 testów, w tym kilka przegranych — to dobry znak. Benchmarki jednak nie oddają codziennego użytku i bywają „naciągane” (model wytrenowany pod wyniki, mało użyteczny w praktyce).

Jak stosować: Na każdą ważną premierę rezerwuj godzinę: odizolowana maszyna wirtualna, kilka zadań z twojej codziennej pracy, porównanie z modelem, którego używasz. Oceniaj wynik, czas i koszt wykonania, nie tylko pozycję w rankingu.

Na co uważać: Na zestawienia publikowane przez samego producenta (np. wewnętrzne benchmarki) oraz na dema influencerów — w tym przypadku część była opłacona i nieoznaczona.

2.Model z narzędziami potrafi rzeczy niemożliwe dla „gołego” modelu

Na czym polega: Największe efekty (Blender, FreeCAD, Unreal Engine, moduł 3D) biorą się z dostępu do profesjonalnego oprogramowania — jak człowiek z Photoshopem kontra bez niego. Kimi projektuje przekładnie czy silniki turbośmigłowe, bo dostał CAD-a.

Jak stosować: Budując agenta, od razu zaplanuj instalację narzędzi w piaskownicy i pozwól modelowi ich użyć: najpierw „zainstaluj X i Y”, potem właściwe zadanie.

Na co uważać: Część spektakularnych efektów to zasługa narzędzi platformy (np. modułu 3D Kimi), a nie samej sieci — wynik może się nie przenieść na twój stos. Długie generowanie (40–45 minut) wymaga limitów i cierpliwości.

3.Oceniaj koszt zadania, nie cenę tokenów

Na czym polega: Kimi kosztuje około połowy ceny Opusa 5.5 i na większości zadań wychodzi taniej. Ale nie zawsze: w teście ze startem rakiety 3D Opus okazał się pięciokrotnie tańszy i czterokrotnie szybszy mimo droższego cennika — bo liczy się, ile tokenów model spali na zadanie.

Jak stosować: Zanim wybierzesz model do procesu, zmierz koszt i czas kilku typowych zadań (własne logi lub wyliczenia typu Artificial Analysis) i porównuj właśnie te liczby.

Na co uważać: Cena za milion tokenów myli przy modelach rozrzutnych; sprawdź też tryby prędkości („high speed” daje 2,5–3× szybciej za 2× cenę — opłacalny interaktywnie, zbędny nocą).

4.Pół ceny Opusa to nowa matematyka skalowania agentów

Na czym polega: Około 95% jakości Opusa 5.5 za 50% ceny oznacza: za ten sam budżet dwa razy więcej agentów albo te same pętle za połowę kosztu.

Jak stosować: Wróć do pomysłów odrzuconych wcześniej z powodu kosztów — długie przeglądy kodu, monitorowanie systemów, analizy bezpieczeństwa — i przelicz je na tańszy model; autor sam wpiął go w pętle cyberbezpieczeństwa.

Na co uważać: Stabilność i dostępne opcje różnią się między dostawcami inferencji; autor poleca OpenRouter (stabilny maksymalny wysiłek rozumowania) i harnessy Pi/FX zamiast natywnego Kimi Code.

5.Każdy model widzi inne błędy — przepuszczaj kod przez kilka

Na czym polega: Różne sieci neuronowe wyłapują różne błędy i podatności. Opus, GPT 6.1 i Kimi w jednej pętli przeglądu dają szersze pokrycie niż sam Opus.

Jak stosować: Skonfiguruj cykliczny przegląd repozytorium z 2–3 modelami czołowymi (np. w duchu szablonów „Fast and Fix” i „Proof with Bug Hunt”) — każdy na tym samym kodzie, niezależnie od siebie.

Na co uważać: Na licencje i routing danych — brak gwarancji ZDR (zero retencji danych) powinien wykluczać dostawcę z procesów wrażliwych.

6.Pentestuj samego siebie — to już wymóg, nie rekomendacja

Na czym polega: Teza autora: kto w 2026 roku buduje poważne oprogramowanie i nie sprawdza go modelami czołowymi, zachowuje się nieodpowiedzialnie. Pętle bezpieczeństwa traktuje jako standard drugiej połowy 2026.

Jak stosować: Regularna (nie jednorazowa) pętla: model próbuje złamać twoje zabezpieczenia, wnioski trafiają do pull requestów; uruchamiaj w chmurze, by działała nawet bez twojego komputera.

Na co uważać: Kimi ma przycięte zdolności cyber (usunięte dane treningowe) — nie traktuj go jako jedynego narzędzia ofensywnego i pamiętaj o granicach prawa.

7.Po czatbotach i agentach przyjdą pętle agentowe

Na czym polega: Człowiek jest wąskim gardłem — czatboty królowały w 2023–2024, agenci wybuchli w 2026, kolejny etap to wyspecjalizowane pętle wykonujące fragmenty pracy pod nadzorem.

Jak stosować: Zacznij od jednej–dwóch pętli (przegląd PR-ów, kontrola zdrowia systemu, skan bezpieczeństwa) ze zdefiniowanymi wyzwalaczami; analiza własnych sesji (w duchu funkcji „scans”) podpowie, które pętle mają sens.

Na co uważać: Pętla bez monitoringu to ryzyko — zaplanuj przegląd wyników i limity, zanim agent ruszy na produkcji.

8.Duże skoki bywają „tylko” RL — oceniaj wersje po wynikach, nie po numerku

Na czym polega: K3.1 to ta sama baza modelu co K3; różnicę zrobiło doszkalanie przez uczenie ze wzmocnieniem. Podobnie Muse Spark przeszedł 1.0→1.3 bez zmiany bazy. Branża nie ma sekretnej architektury — skaluje obliczenia, dane i środowiska treningowe.

Jak stosować: Nie ignoruj „drobnych” aktualizacji (x.1, x.3) — potrafią dawać skok jakości; przetestuj każdą na własnych zadaniach.

Na co uważać: RL bywa ukierunkowane pod konkretne testy — znowu: własna weryfikacja ponad ranking.

9.Otwarte wagi planuj trzeźwo — policz pamięć i prędkość

Na czym polega: 4 listopada wagi staną się publiczne (self-hosting, fork, fine-tuning), ale pełny model to 1,6 TB+ pamięci; przyzwoita jakość to 700 GB–1 TB, minimum 340 GB przy mocnej kompresji. Realnie: 16× DGX Spark lub 2× Mac Studio Ultra 512 GB, około 9–10 tokenów na sekundę.

Jak stosować: Self-host pod zadania nocne i agentów w tle (prywatność, koszty stałe); interaktywne sesje zostaw API.

Na co uważać: Mocna kompresja obniża jakość; policz całkowity koszt zakupu i utrzymania, zanim wydasz dziesiątki tysięcy dolarów.

10.Filtruj dema i benchmarki — etykiety bywają nieistniejące

Na czym polega: Wyciekł brief Moonshotu z instrukcją „nie oznaczajcie płatnego partnerstwa”; tydzień wcześniej — afera z influencerem sponsorującym benchmarki. Sponsorowany test z definicji nie jest bezstronny.

Jak stosować: Opieraj oceny na otwartych, publicznych benchmarkach i własnych testach; dema traktuj jako materiał poglądowy i sprawdzaj, kto za nie zapłacił.

Na co uważać: Brak etykiety nie oznacza braku współpracy; płatna promocja nie musi kłamać, ale zawsze wymaga niezależnej weryfikacji.

Redakcyjne tłumaczenie

Premiera, która — zdaniem autora — zmienia układ sił

Cześć, mówi David Ondrej. Kimi K3.1 Pro właśnie wchodzi na rynek i to najlepszy model o otwartych wagach na świecie. Popatrzcie: na Terminal Bench 4.0, przy maksymalnym wysiłku rozumowania, wyprzedza nawet Opusa, a Astrę i Fable 5.1 rozjeżdża na łopatki. Na SWE Marathon również nie ma sobie równych. Wokół premiery narosło jednak sporo pytań. Czy pod maską nie pracuje ukryty moduł 3D? O ile naprawdę jest lepszy od Opusa? Czy zespół Kimi faktycznie opłacił influencerów? I wreszcie — na ile dobry jest ten model naprawdę? Zacznijmy od porównań z Astrą i Opusem 5.5.

(Informacja dodatkowa: Kimi to rodzina modeli firmy Moonshot AI; „otwarte wagi” oznaczają publikację parametrów sieci, dzięki czemu można uruchamiać model na własnym sprzęcie, modyfikować i doszkalać go.)

Tuż za Opusem — za pół ceny

Można się spierać, czy lepszy jest Kimi, czy Opus; pewne jest jedno — Astra wypada tu wyraźnie najsłabiej. Na syntetycznym indeksie inteligencji serwisu Artificial Analysis Kimi zajmuje drugie miejsce, tuż za Opusem 5.5, przed Soulem. Cenowo: połowa kosztu Opusa, tyle co Soul — biorąc pod uwagę inteligencję w stosunku do ceny, oferta jest znakomita. Solidnie wypada też koszt wykonania zadań: na wielu testach Kimi wychodził taniej niż Opus i Soul. Na Terminal Bench, czołowym teście automatyzacji, również stawał na najwyższym stopniu podium — łącznie najlepszy wynik na świecie w czterech benchmarkach, choć ogólnym liderem wciąż pozostaje Opus.

Jedno zastrzeżenie: ten obraz może się zdezaktualizować lada moment — zarówno OpenAI, jak i Anthropic pokażą prawdopodobnie kolejne duże modele w ciągu siedmiu do czternastu dni.

Najważniejsza wiadomość jest jednak inna: 4 listopada wagi modelu staną się publiczne. Później opowiem też, ile potrzeba, by uruchomić Kimi lokalnie i samodzielnie hostować.

(Informacja dodatkowa: Artificial Analysis to niezależny serwis porównujący modele — publikuje syntetyczny „indeks inteligencji” i wylicza realny koszt wykonania typowego zadania.)

Helikopter, turbina i lotnisko z jednego zdjęcia

Zacznijmy od przykładów, bo przy nich nikt nie pozostaje obojętny. Trójwymiarowy śmigłowiec: start, lądowanie, montaż i widok rozłożony na części. Zrozumienie trzeciego wymiaru przez tę sieć jest wyjątkowe. Trzeba jednak pamiętać, że publikowane wyniki to wyselekcjonowane perełki — każdy producent, czy to Opus, Astra czy GPT 6, potrafi pokazać się z najlepszej strony. Dlatego oprócz oficjalnych materiałów przeprowadziłem własne testy.

Własna piaskownica: Blender i FreeCAD

Uruchomiłem model w odizolowanej piaskownicy — świeżej maszynie wirtualnej z Linuksem — i przepuściłem przez harness FX.

(Informacja dodatkowa: harness to środowisko, w którym model działa jak agent — dostaje terminal, system plików i narzędzia, a nie tylko okno czatu.)

Zauważcie zresztą rzecz ogólną: najbardziej spektakularne rezultaty powstają, gdy model dostaje profesjonalne oprogramowanie — CAD, Blendera, narzędzia 3D. Podobnie człowiek zrobi o wiele więcej z Photoshopem czy Unreal Engine niż bez nich. Zaczynam więc od instalacji Blendera i FreeCAD. Rozmawiam z Kimi K3.1 Pro w trybie wysokiej prędkości i przy wysokim wysiłku rozumowania — nowość ma dwa tryby: standardowy oraz „high speed”, który kosztuje dwa razy więcej, ale działa od dwóch i pół do trzech razy szybciej.

Polecenie brzmi: „Użyj obu programów i stwórz najefektowniejszą rzecz, na jaką cię stać — tak, jak zrobiłby to światowej klasy specjalista — a potem pokaż dwudziestosekundowy render”. Po czterdziestu minutach (część czasu pochłaniały ograniczenia piaskownicy, część to po prostu modelowanie) dostałem dwa wyniki. Pierwszy: kinetyczna rzeźba wyrenderowana w Blenderze — i uwaga, to nie film wygenerowany przez AI; każde światło i każdy obiekt Kimi zbudował od zera w Blenderze. Drugi: planetarna przekładnia w FreeCAD, czyli CAD dla inżynierów mechaników — z doboru materiałów, komponentami i wyglądem. To drugie zrobiło na mnie nieco mniejsze wrażenie, ale to, co pokażę za chwilę, trudno zaliczyć do zwykłych dem.

Gra w Unreal Engine i silnik z 2100 brył

W oficjalnym materiale premierowym Moonshot wybrał chyba najbardziej szalone przykłady. Niebiański pałac — bitwa w Unreal Engine, zbudowana przez model, nie przez człowieka. Kiedy ktoś pyta, czy programiści w ogóle powinni używać AI, co z grami AAA, co z modelowaniem 3D, czy AI nie zostawia dziur — odpowiadam: jeśli w 2026 roku budujecie oprogramowanie i nie korzystacie z modeli czołowej ligi, zachowujecie się nieodpowiedzialnie.

Kolejny przykład: silnik turbośmigłowy w FreeCAD — ten sam program, którego użyłem w swoich testach; mój domysł: dłuższy czas pracy i lepszy prompt. Zlecenie brzmiało: „Użyj Pythona, by zbudować szczegółowy model silnika turbinowego — wentylator, przekładnię redukcyjną, sprężarki, komorę spalania, turbiny i rurociągi zewnętrzne — łącznie ponad 2100 brył”. Nieprawdopodobne. Autor zapowiada jeszcze grę zbudowaną w Godocie, ale przechodzi do wyników.

Minecraft, malarstwo i pelikan na rowerze

• Minecraft: przed premierą model testowano na arenie pod kryptonimem „key bits”. Polecenie: „zbuduj w Minecrafcie to, jak — twoim zdaniem — wyglądasz”. Kimi użył prawie trzykrotnie więcej bloków niż konkurent i postawił całe otoczenie, nie tylko robota; wyraźnie lepiej niż Astra. Ciekawy eksperyment: sprawdza, jak modele „wyobrażają sobie” własny wygląd w trzech wymiarach.
• Strona internetowa za jednym promptem: efektowne 3D i animowany wiatr. Nie polecam tego firmom — konwersja ucierpi — ale widać, że coraz trudniej znaleźć coś, czego te modele nie potrafią.
• Rysowanie: model dostaje zdjęcie Ronaldo i odtwarza je pędzlem w narzędziu w rodzaju Painta. To nie jest generator obrazów — to ogólny model czołowy, który „maluje” narzędziem. Właśnie o to chodzi w literze G ze skrótu AGI: inteligencja ogólna.
• Pelikan na rowerze: pelikan słucha muzyki, kiwa głową, prawidłowo pedałuje, w tle woda i alpejskie góry. Generacja zajęła 45 minut — scen trójwymiarowych tak szybko się nie zrobi. Pół roku temu coś takiego było nie do pomyślenia.

(Informacja dodatkowa: Arena (LMArena) to platforma ślepych porównań modeli przez użytkowników; firmy testują tam premiery pod kryptonimami.)

Lotnisko Changi z pojedynczego zdjęcia

Może najbardziej szalony przykład: model 3D z obrazka. Dla jasności — demo powstało na platformie Kimi, która ma własne narzędzia 3D; działa to podobnie jak dostęp do Blendera. To więc nie sama sieć, lecz sieć sterująca narzędziami modelującymi. Nie zmienia to faktu: ktoś załącza jedno zdjęcie i dostaje bardzo dopracowany model. Przy budowie gry takie środowisko kosztowałoby tygodnie pracy — a bez umiejętności modelowania: miesiące. Wiem, co mówię: jako piętnastolatek stworzyłem grę mobilną (tysiąc pobrań na Androidzie), na długo przed erą AI — zajęło mi to dziesięć miesięcy. Dziś wystarczyłoby parę promptów w Kimi. Właśnie na ekranie: lotnisko Changi w Singapurze odtworzone w Blenderze — drzewa, woda, oświetlenie, pełne otoczenie. To nie animacja: wektory, trójkąty, powierzchnie. Podobieństwo do prawdziwego lotniska uderza.

Czternaście benchmarków — także przegranych

Przejdźmy do wyników, bo wielu osobom na tym zależy. Zespół Kimi opublikował czternaście testów, w tym znane nazwy — nie wybrał jednej czy dwóch korzystnych. Poza omówionymi:

• Terminal Bench (nauka): czwarte miejsce — i je opublikowano. Nie pokazują wyłącznie zwycięstw.
• Kimi Code Bench: benchmark wewnętrzny — firmom publikującym własne testy zwykle nie ufam, bo bywają stronnicze. Ciekawostka: Astra tam przegrywa.
• Agents Last Exam: przed Opusem, ale wynik niemal identyczny.
• W zestawieniach pojawia się też DeepSeek V4.1 Flash 1017 — i tu dygresja: drodzy państwo z DeepSeek, nadajcie modelom normalne nazwy. „V4.2 Flash” zamiast daty w wersji? To nazewnictwo traci rytm.
• Bench CAD z narzędziami: bardzo dobrze, ale Opus i Astra podobno lepsze.
• Office QA (praca biurowa): najlepszy na świecie.
• Frontier Finance: drugi wynik.
• GDPval od OpenAI (zadania o realnej wartości ekonomicznej): Astra zaskakująco poniżej oczekiwań.
• OS World (dokumenty PDF): pierwszy.
• Humanity’s Last Exam z narzędziami: pierwszy.
• Drugie miejsce w teście „Choreography”, a w mniej znanym ZeroBench — znowu pierwszy.

Benchmarki oczywiście nie odzwierciedlają codziennego użytku — dlatego każdy nowy model z czołówki trzeba pooobracać samemu. Biorąc jednak pod uwagę to, co realnie robi, nie sądzę, by był „naciągnięty pod testy”, czyli nadmiernie zoptymalizowany pod wyniki kosztem użyteczności.

Gdzie dostaniemy model i jak go uruchomić

OpenRouter ma go od razu; jeszcze wcześniej pojawił się w Vercel AI Gateway — konkurencja między bramkami inferencyjnymi wyraźnie się zaostrza. Z moich doświadczeń OpenRouter stabilniej obsługiwał maksymalny wysiłek rozumowania; w bramce Vercel dostępny był tylko poziom „high”, a ja chcę testować na najwyższym.

Do testów wybrałem dwa środowiska: Pi i FX (w Cloud Room wystarczy nowy wątek i przełączenie harnessu). Model przedstawia się jako „Kimi od Moonshot AI”, po chińsku. Czas do pierwszego tokena — bez trybu wysokiej prędkości — jest słaby. Po przełączeniu na „high speed” wyraźnie lepiej, choć wciąż wolniej niż u Opusa. Dla dobra szczerości: Opus na wysokim wysiłku odpowiadał w dwie sekundy, Kimi — w trzynaście.

FX to najbardziej minimalistyczny i najszybszy harness (Pi też jest skromny, FX jeszcze bardziej). Pytanie zadane głosem — „wyjaśnij pojęcie równoległości w programowaniu” — model zrozumiał mimo potknięcia wymowy, a odpowiedź płynęła szybko; w codziennej pracy znacznie szybciej niż cokolwiek od OpenAI. Jedyny naprawdę żwawy model tej firmy to GPT 6.1 Terra — ale to nie czołowa liga: to odpowiednik Soneta 5.5, a Sonet 5.5 jest po prostu lepszy. OpenAI zostaje w tyle; i Kimi, i Anthropic mają teraz lepsze modele. Nie wiem, co się tam dzieje, ale firma musi się ogarnąć.

Nie polecam natywnego Kimi Code. Ciekawostka: sam Moonshot testował model na… Claude Code. Jest oczywiście także czat Kimi. Zwracajcie uwagę, dokąd lecą dane: Kimi oferuje ZDR — zero retencji danych — i dlatego jest bezpieczny w użyciu. Dla kontrastu: DeepSeek V4.1 Flash u dostawcy DeepSeek jest na OpenRouter zablokowany (może używać promptów do treningu i przechowywać dane) — routing niemożliwy.

(Informacja dodatkowa: „Zero data retention” (ZDR) to zobowiązanie dostawcy, że treść zapytań nie jest przechowywana ani wykorzystywana do trenowania modeli.)

Wtręt autora: „Jeśli zastanawiacie się, jak testuję wszystkie harnessy w jednym miejscu — to Cloud Room, moje narzędzie: środowisko deweloperskie dla agentów AI, darmowe i open source (cloudroom.dev). Pozwala mi sięgać po modele wszystkich dostawców — Pi przez OpenAI Codex, OpenRouter czy właśnie Vercel AI Gateway”.

Pół ceny Opusa: co to odblokowuje

Najmocniejsza strona tej premiery to stosunek jakości do ceny. Model nie dorównuje w pełni Opusowi — oceniam go na jakieś 95 procent jego możliwości — ale kosztuje połowę. To otwiera zastosowania, na które wcześniej nie było budżetu.

Ważniejsze od cennika API jest to, ile kosztuje wykonanie konkretnego zadania: ile tokenów model spali, ile dolarów pochłonie. Artificial Analysis liczy koszt na zadanie z ich indeksu — Opus 5.5 w trybie maksymalnym wychodzi wyraźnie drożej niż Kimi K3.1 Pro. Cena za milion tokenów schodzi na dalszy plan, bo rozrzutny model i tak kosztuje. Kimi ląduje na froncie Pareto efektywności kosztowej.

Przykład ze startem rakiety 3D: porównanie Kimi i Opusa. Który lepiej — dyskusja: Opus ma chyba lepsze animacje i światło, Kimi bardziej złożony model rakiety. Różnica leży gdzie indziej: w tym konkretnym zadaniu Opus okazał się pięciokrotnie tańszy i czterokrotnie szybszy. Właśnie dlatego koszt i czas zadania mówią więcej niż tokeny na sekundę czy cennik API — w końcu chcemy, by modele po prostu wykonywały pracę.

Za pół ceny możesz uruchomić dwukrotnie więcej agentów albo te same za połowę kosztu; możesz pozwolić sobie na więcej pętli agentowych. Ludzie pytają mnie: były czatboty, przyszli agenci — co dalej? Pętle agentów. To następny etap.

Prędkość: największy skok względem K3

K3 był dobry — ówcześnie najlepszy model otwarty — ale wolny: trzydzieści, może czterdzieści tokenów na sekundę, a przy premierze nawet dwadzieścia cztery. Nie do używania. K3.1 jest szybki: wyprzedza GPT 6.1 Soul, niewiele ustępuje Opusowi — za pół ceny. Ten skok to przede wszystkim efektywność serwowania inferencji i największa pojedyncza poprawa tej generacji.

Na arenie widać przepaść między K3 a K3.1 — a przecież to ta sama baza modelu. Cała różnica to „magia” uczenia ze wzmocnieniem i doszkalania. Kimi to zdecydowanie najlepszy model otwarty świata; obok Qwena 3.8 i Muse Spark konkurencji niewiele. Pozdrowienia dla Zacka: otworzył Muse — ale tylko linię Spark; frontierowe Muse Wonder i Wonderful pozostały zamknięte.

Ta sama baza, więcej treningu: skąd biorą się dzisiejsze zyski

Warto powiedzieć o tym szerzej, bo to tłumaczy całą branżę. W podcaście Johna Collisona — tym, w którym goście piją Guinnessa — zasiadli Zack i Alexander Wang, szefowie Meta Superintelligence Labs; polecam odsłuchać po tym materiale. Główna myśl: Muse Spark przeszedł z wersji 1.0 przez 1.1 i 1.2 do 1.3 wyłącznie dzięki uczeniu ze wzmocnieniem — baza bez zmian — a ludzie mówili, że to „niebo a ziemia”. Zack przyznał, że większość uznałaby te wersje za modele z różnych pretrainów. Wniosek: dziś nie ma magicznych nowych architektur ani przełomowych metod pretreningu. Laboratoria po prostu skalują. Rozmawiałem z ludźmi z mniejszych ośrodków (siedzę teraz w San Francisco) — nie ma sekretnego sosu. Więcej obliczeń, więcej danych, więcej GPU i lepiej prowadzone treningi ze wzmocnieniem: lepsze środowiska, w których model ćwiczy zadania.

Dla niezorientowanych, w dwóch zdaniach: pretrening to tworzenie modelu od zera — sieć czyta internet, surową wiedzę; robi się to raz, drogo i wolno, tygodniami albo miesiącami. Dopiero doszkalanie po nim czyni model użytecznym. RLHF — uczenie ze wzmocnieniem oparte na ludzkiej ocenie — to przełom, który uczynił ChatGPT znośnym w rozmowie: GPT-3 istniał już rok i pół wcześniej, ale rozmowa z nim przypominała wyrok. Właśnie post-trening nauczył go stosowania się do instrukcji, obsługi narzędzi i zwykłej konwersacji. Sam mechanizm jest prosty w idei: model próbuje wykonać zadanie, dostaje punkty i powtarza to, co punktowane wysoko — jeśli „iść naprzód” daje punkty, będzie częściej iść naprzód. K3.1 to właśnie historia RL, a nie nowej architektury.

Usunęli dane cyber — i to błąd

Najbardziej kontrowersyjna decyzja tej premiery. Przytoczę słowa twórców, żeby nikogo nie cytować z pamięci: Moonshot AI postanowił usunąć część danych związanych z cyberbezpieczeństwem. Wyjaśnienie: zauważyli, że skuteczność modelu w badaniu podatności rośnie; prześledzili źródło tego trendu i stwierdzili, że treści cyber wdarły się w ogólny korpus etapu pośredniego treningu.

Rozumiem chęć bycia „porządnym graczem”. Problem w tym, że GPT i Opus są już i tak zdolniejsze. Obarczanie Kimi dodatkowymi ograniczeniami nie czyni świata bezpieczniejszym. Złowrożyńcy — ci prawdziwi — doskonale wiedzą, jak sięgnąć po modele bez cenzury. Co parę dni widzę nowego dostawcę inferencji oferującego wersje „unrestricted” albo „obliterowane”; jedni wymagają weryfikacji tożsamości, inni nie. Nigdy nie było to prostsze. Ja mam dwie maszyny DGX Spark, na których chodzi mój nieograniczony DeepSeek — mogę zapytać o cokolwiek; kto nie ma sprzętu, weźmie API. Po co utrudniać życie dobrym — białym kapeluszom, ludziom broniącym systemów — skoro każdy napastnik i tak użyje wersji bez hamulców? To bez sensu.

Smutna wiadomość jest taka, że dane zniknęły i część zdolności ofensywnych przycięto — model nie jest tak mocny, jak mógłby być. Ale to wciąż czołowa liga: testujcie go i używajcie.

(Informacja dodatkowa: „obliterowane” (uncensored) modele to wersje pozbawione wbudowanych zabezpieczeń i odmów, dostępne u części niezależnych dostawców inferencji.)

Pętle agentów jako podstawa bezpieczeństwa

Jak więc pracować z K3.1? Wpiąć go we własne pętle. W tym miejscu zajawka nowej funkcji Cloud Room, dostępnej dla płacących klientów: „scans”. Analizuje ona wszystkie sesje Codexa, Claude’a i innych harnessów na twoim komputerze, wykrywa wzorce twojej pracy i proponuje dwie–trzy pętle agentowe skrojone pod ciebie. Nie chcesz moich pętli? Sprawiedliwie — ta funkcja jest właśnie po to, byś zbudował własne. Wersja wczesna, ale działa; to najprostszy start z automatyzacją przez potężnych agentów, którzy wykonują zadania tak, jak ty sam.

Do Kimi K3.1 Pro doczekały się dwa szablony: „Fast and Fix” oraz „Proof with Bug Hunt”. Skrót mojej filozofii: używaj każdego modelu z czołówki. W większości moich szablonów pracuje Opus, ale obok niego GPT 6.1 Soul i Kimi — bo każdy model to inna „głowa”, inna sieć, i wyłapie inne błędy, inne podatności w kodzie. Jeśli prowadzisz biznes z realnymi użytkownikami, pętle agentowe nie są rekomendacją — to warunek dobrej cyberochrony w drugiej połowie 2026 roku.

Dziś ktoś mnie zapytał: co z naprawdę poważnym oprogramowaniem, enterprise, może tam nie wolno używać AI tak intensywnie, bo przecież zostawi dziury? Jasne — nie należy działać lekkomyślnie. Moja teza jest odwrotna: to właśnie niekorzystanie z AI jest nieodpowiedzialne. Jeśli budujesz poważny system i nie sprawdzasz go modelami czołowej ligi, to ty jesteś tym nieodpowiedzialnym.

Jak to działa w praktyce: „Fast and Fix” wrzuca do twojego repozytorium przeróżne dane wejściowe i patrzy, co się stanie; całość jednym klikiem — wybierasz repozytorium, a harness, model, wysiłek rozumowania, prompt systemowy, częstotliwość i wyzwalacze ustawione są z góry. Staram się maksymalnie uprościć start z pętlami, bo to przyszłość. Czatboty zrobiły się wirusowe w 2023 i 2024, agenty weszły pod koniec 2024 i w 2025, w 2026 wybuchły — następny etap to pętle agentowe. Wąskim gardłem jesteśmy my, ludzie. Opus 5.5 jest znakomity — ty i ja powinniśmy odpalać więcej agentów. Dlaczego tego nie robisz? Bo brakuje ci czasu. Rozwiązanie: wyspecjalizowane pętle wykonujące kawałki twojej pracy tak, byś mógł wyniki przeglądać i monitorować.

I praktyczna rada na koniec tego wątku: potraktuj K3.1 jak każdy inny model z frontu — próbuj zhakować samego siebie. Zrób sobie pentest, połam własne zabezpieczenia, sprawdź, czego brakuje. Ten model znajdzie inne rzeczy niż Opus i GPT 6.1 Soul.

Afera z etykietami

Najbardziej nieprzyjemna część premiery: nieoznaczone płatne promocje. Do sieci wyciekł brief, który Moonshot rozesłał do twórców internetowych. Zawierał zdanie: „Nie umieszczajcie etykiety płatnego partnerstwa”. Nie wiem, czy to specyfika chińska, wymóg regulacyjny czy co innego — kontrowersje były spore. Nie zmienia to jakości modelu. Zmienia natomiast jedno: dema trzeba oglądać krytycznym okiem. To konkretne demo nie było opłacone; część materiałów miała oznaczenie płatnej współpracy, większość go nie miała. Patrząc na wyniki w mediach społecznościowych, zawsze sprawdzaj, czyj post oglądasz i czy ktoś za niego zapłacił. Na X etykieta „Paid partnership” na początku wpisu mówi wszystko — od razu wiesz, że post jest opłacony. Maksymalna konsumencka tandeta.

Szersza sprawa: tydzień wcześniej wybuchła afera — pewien twórca sponsorował benchmarki. Niezależnie od intencji: gdy sponsorujesz test, jego autorzy będą ci sprzyjać. To brudna gra, całkiem niepotrzebna. Sponsorowanego wyniku nie da się traktować jako wiarygodnego. Benchmarki powinny być otwarte, publiczne i bezstronne. A część firm i twórców próbuje kupować wyniki publicznych testów — łapówkarstwo w wersji „nie każemy wam kłamać, ale…”.

Chcesz uruchomić lokalnie? Policz pamięć

Skoro 4 listopada wagi będą publiczne: ile potrzeba, by odpalić Kimi u siebie? Podobnie jak przy K3 — rozmiar się nie zmienił. Najprostsza droga: szesnaście maszyn DGX Spark. Nie będzie tanio. Alternatywa: Mac Studio — wolniej, ale wystarczą dwie sztuki zamiast szesnastu Sparków; wersje z 512 GB pamięci są niemal wszędzie wyprzedane. Dziewięć–dziesięć tokenów na sekundę wystarczy, jeśli nie pracujesz z modelem interaktywnie: zadania nocne i agenci działający w tle — jak najbardziej.

Pamięci: minimum 340 GB przy bardzo mocnej kompresji; przyzwoita jakość to 700 GB–1 TB; pełny model — 1,6 TB lub więcej. Chyba że masz dziesiątki tysięcy dolarów na sprzęt, lokalnie się nie da. Wracając do Maców: M5 Ultra z 512 GB ma się pojawić za tydzień–dwa — spróbuję go złapać. Mimo wszystko robi się ciekawie: DeepSeek V4 Flash, około 300 miliardów parametrów, chodzi lokalnie na dwóch Sparkach.

Podsumowanie — i końcowa promocja

Kimi K3.1 Pro to najlepszy model otwarty na świecie — blisko 95 procent możliwości Opusa 5.5 za połowę ceny, a od 4 listopada publiczne wagi. Szczerze: jedna z najbardziej niedocenionych premier roku. Wiele osób wciąż nie pojmuje skutków istnienia tak dobrego modelu z otwartymi wagami: self-hostingu, forków, fine-tuningu na własne potrzeby. Do tego prędkość wreszcie dorównała konkurencji, a koszt wykonania zadań ląduje na froncie efektywności.

(Informacja dodatkowa: znaczną część filmu zajmuje promocja Cloud Room — autorskiego narzędzia twórcy; poniżej streszczenie oferty z zakończenia materiału.)

Na koniec autor ponawia ofertę z okazji Halloween: wszystkie płatne plany Cloud Room tańsze o 20 procent przez niecałe cztery dni. W planach: setki agentów w chmurze działających bez twojego laptopa — każdy we własnej piaskownicy — szablony pętli jednym klikiem, dłużej utrzymywane aktywne sesje agentów, dwa lata przechowywania danych, rozmowa wdrożeniowa z autorem lub jego programistą, a na planach Super i Ultra — prywatny kanał Slack z bezpośrednim dostępem do twórcy. Grupa docelowa: pojedynczy zapaleni użytkownicy płacący za kilka subskrypcji po 200 dolarów oraz małe, sprawne zespoły od dwóch do dwudziestu osób, pracujące z Claude Code, Codexem, Cursorem, Pi, Overcode czy Hermesem.

„To był Kimi K3.1 Pro, najlepszy model otwarty świata. Dziękuję za oglądanie i miłego, produktywnego tygodnia”.