Kimi K3.1 Pro in API, pesi aperti promessi entro il 4 novembre

Da un testo, uno schizzo o un’immagine di riferimento, Kimi K3.1 Pro ricostruisce un modello 3D e, per rifinirlo, scrive ed esegue direttamente script per Blender e per software CAD, senza passare da connettori MCP. È una delle capacità con cui Moonshot presenta il modello nella guida rapida sulla piattaforma Kimi: K3.1 Pro è il primo modello della nuova serie K3.1, definito dall’azienda il suo modello open-weight di classe 3T più capace finora, con una finestra di contesto da 1 milione di token.

L’API è già utilizzabile con l’SDK di OpenAI, previa ricarica minima di 1 dollaro. I pesi completi, invece, sono ancora una promessa: Moonshot scrive che saranno rilasciati entro il 4 novembre.

Cosa sa fare: dal modello 3D al foglio di calcolo

Sul codice, secondo Moonshot, il modello copre dalle correzioni rapide in repository reali fino alla costruzione di progetti interi. Funziona con motori di gioco come Unity, Unreal Engine e Godot, combinandoli con ricerca web e generazione 3D, e produce pagine front-end, scene Three.js interattive e asset 3D.

Nella modellazione, l’azienda indica la parte parametrica come punto forte: parti meccaniche, modelli architettonici, prodotti con più parametri configurabili, mobili su misura. Moonshot cita anche un test interno di lunga durata: il modello ha costruito un simulatore di camminata umana sopra human-atlas, un modello anatomico open source con 296 componenti scheletriche e 402 muscolari. Dopo 167 missioni e 420 revisioni indipendenti, il corpo simulato è passato dal crollare in pochi secondi a camminare con passi alternati per 11,2 secondi.

Sulla finanza, Moonshot dichiara risultati allo stato dell’arte su OfficeQA Pro v2 e SpreadsheetBench v2. I benchmark interni, confrontati con il precedente Kimi K3, danno questo quadro:

Benchmark interno	Cosa misura, secondo Moonshot	Rispetto a K3
Financial Modeling	collegamento delle formule, logica finanziaria e qualità finale della cartella di lavoro	+7,2 punti
Financial Research	ricerca verificabile con vincoli su prove e data limite	+11,6 punti
Business Operation	gestione e decisioni a lungo orizzonte in un ambiente aziendale simulato	circa 4,2 volte

Come funziona: post-training e ragionamento sempre attivo

Secondo Moonshot, K3.1 Pro è una versione di Kimi K3 sottoposta a un post-training con un calcolo sostanzialmente maggiore, basato su apprendimento per rinforzo su centinaia di domini. Il «thinking», la fase di ragionamento prima della risposta, è sempre attivo: il campo reasoning_effort accetta low, high e max, e il valore predefinito è max. In streaming, il ragionamento (reasoning_content) e la risposta finale (content) arrivano separati.

Tra le funzioni elencate nella guida:

• input visivo, solo in base64 o con file caricati (ms://): gli URL pubblici di immagini non sono supportati e content deve essere un array di oggetti;
• output strutturato con json_schema in modalità strict;
• Partial Mode, per proseguire da un prefisso di testo;
• tool personalizzati con tool_choice e caricamento dinamico dei tool;
• caching del contesto automatico, con durata di 5 minuti (predefinita) o 1 ora tramite prompt_cache_options.ttl. Le letture dalla cache costano il prezzo di input in cache, ogni scrittura ha un costo una tantum e i blocchi parziali contano come cache miss.

Limiti e condizioni dichiarati da Moonshot

L’azienda riporta un calo del tasso di allucinazione a livello di affermazione dal 23,35% di K3 al 6,85%, mentre la quota di risposte con almeno un errore è il 46,4% di quella del predecessore. Il dato ha una condizione esplicita: viene da un test di stress su conversazioni anonimizzate in cui gli utenti avevano segnalato errori nei modelli precedenti, e non rappresenta i tassi di errore nell’uso quotidiano.

Sulla sicurezza informatica, Moonshot dice di aver rimosso i dati legati alla ricerca di vulnerabilità sia dal mid-training sia dagli ambienti di apprendimento per rinforzo, per la versione destinata ai pesi aperti. Su xdev-bench-hard, un benchmark interno (pass@3), il checkpoint senza queste misure risolve il 90,5% dei problemi, la versione finale l’81,0%. L’azienda precisa che la capacità offensiva resta inferiore a quella dei modelli proprietari di frontiera disponibili da almeno tre mesi.

I vincoli tecnici dell’API sono questi:

• max_completion_tokens vale 131072 per impostazione predefinita e può arrivare a 1048576;
• temperature=1.0, top_p=0.95, n=1, presence_penalty=0 e frequency_penalty=0 sono fissi e vanno omessi dalle richieste;
• nei turni multipli e nelle chiamate a tool bisogna restituire intero il messaggio dell’assistente, non solo il testo.

Highspeed, pesi aperti e accesso: cosa c’è e cosa manca

Accanto al modello standard Moonshot rilascia Kimi K3.1 Pro Highspeed (ID kimi-k3.1-pro-highspeed), che dichiara da 2 a 3 volte più veloce per interazioni più reattive. Per i prezzi dei due modelli la guida rimanda a una pagina separata, Model Pricing, e non riporta cifre. Non sono indicati nemmeno prezzi o disponibilità per l’Italia.

K3.1 Pro è classificato come modello flagship e si sblocca dopo una ricarica riuscita, minimo 1 dollaro. L’importo complessivamente ricaricato determina anche il livello dell’account e i limiti di utilizzo: concorrenza, richieste al minuto (RPM), token al minuto (TPM) e token al giorno (TPD).

Come provarlo

• Installare l’SDK con python3 -m pip install --upgrade 'openai>=1.0'; servono Python 3.9 o successivo.
• Impostare base_url su https://api.moonshot.ai/v1 e leggere la chiave dalla variabile d’ambiente MOONSHOT_API_KEY.
• Chiamare il modello kimi-k3.1-pro (o la variante Highspeed) con una normale richiesta di chat completion; la guida riporta esempi anche in cURL.
• La pagina offre inoltre un Playground e il collegamento per ottenere la chiave API.

Leggi anche

• Blender e stampa 3D: unità, scala ed esportazione in STL
• Blender: come installarlo su Windows, Mac e Linux e fare il primo render
• DeepSeek Search API e Fetch per agenti: 0,75 dollari ogni 1.000 richieste