Kimi K3.1 Pro har fått åpne vekter – Moonshot holdt løftet

Kimi K3.1 Pro har nå fått åpne vekter. Moonshot lovet å slippe dem innen 4. november, og modellfilene ligger faktisk ute på Hugging Face.

Det er en viktig forskjell fra bare å kunne velge modellen i Kimi, Kimi Code eller et API. Nå kan uavhengige utviklere og leverandører laste ned vektene, undersøke modellen, tilpasse den og kjøre den på egen infrastruktur. Moonshot har med andre ord ikke bare satt merkelappen «åpen» på en API-tjeneste.

Dette er bra. Virkelig bra. Samtidig bør ingen lese «åpne vekter» som «last den ned på gaming-PC-en i kveld». Kimi K3.1 Pro har 2,8 billioner parametere, aktiverer 104 milliarder av dem per token, og modellarkivet er på omtrent 1,56 TB. Vektene er åpne. Maskinvarebehovet er fortsatt temmelig brutalt.

Hva følger med Kimi K3.1 Pro-vektene?

Moonshot har publisert hele Kimi K3.1 Pro-modellen på sin offisielle Hugging Face-konto. Der ligger konfigurasjon, tokenizer, prosesseringskode, lisens og 96 vektfiler. Modellen er en multimodal Mixture-of-Experts-modell med 2,8 billioner parametere, 104 milliarder aktive parametere og et kontekstvindu på 1 048 576 tokens.

K3.1 Pro er ettertrent fra Kimi K3 og er den første modellen i K3.1-serien. Den tar tekst og bilder som input og er laget for oppgaver som koding, agentarbeid, dokumentanalyse, økonomisk research og 3D-relaterte arbeidsflyter. Modellen har 93 lag og 896 eksperter, hvor 16 rutede eksperter velges per token i tillegg til to delte eksperter.

Da jeg skrev om lanseringen av Kimi K3.1 Pro, var vektene fortsatt et løfte med frist i november. Det nye nå er enkelt og konkret: Filene er ute. Dette er en ny milepæl, ikke en ny runde med den samme lanseringsmeldingen.

Hvorfor betyr åpne vekter noe?

Åpne vekter betyr at modellen ikke lenger er låst til Moonshots egne servere. En leverandør med nok maskinvare kan kjøre den i eget datasenter, bygge en tilpasset tjeneste rundt den eller finjustere den for et avgrenset fagområde. Forskere kan undersøke arkitekturen og oppførselen langt grundigere enn det et lukket API tillater.

Det gir også en praktisk motvekt til at stadig mer avansert AI samles hos noen få leverandører. Når vektene finnes utenfor selskapet, kan flere konkurrere om drift, optimalisering og pris. En API-leverandør kan forsvinne eller endre vilkårene. Modellfiler som allerede er lastet ned, forsvinner ikke på samme måte.

Åpenheten gjør dessuten sammenligninger mer etterprøvbare. Andre miljøer kan kjøre modellen med kjente innstillinger, undersøke svakheter og kontrollere om optimaliseringer faktisk virker, uten å gjette hva som skjer bak et lukket endepunkt.

Jeg synes åpne vekter er verdifulle nettopp fordi de gir folk muligheten til å kontrollere mer selv. Metas tidlige Llama-utgivelser viste hvor mye en slik beslutning kan sette i gang rundt en modell. Kimi K3.1 Pro er langt mindre tilgjengelig for vanlige hjemmebrukere, men prinsippet er det samme: Kapasiteten blir ikke værende bak én innloggingsside.

Kan du kjøre Kimi K3.1 Pro lokalt?

Ja, i betydningen at modellen kan kjøres på infrastruktur du kontrollerer. Nei, hvis «lokalt» betyr én vanlig PC med ett kraftig skjermkort. Hugging Face-arkivet er på rundt 1,56 TB, og den offisielle modellbeskrivelsen oppgir 2,8 billioner totale parametere. Selv aggressiv komprimering gjør ikke dette til en liten modell.

MoE-arkitekturen hjelper under inferens fordi bare en del av modellen er aktiv for hvert token. De 104 milliarder aktive parameterne er langt mer håndterlige enn 2,8 billioner aktive parametere ville vært. Men alle ekspertene må fremdeles lagres og være tilgjengelige, og drift krever minne, båndbredde og en tjenerarkitektur som klarer å flytte data raskt nok.

Moonshot anbefaler tre motorer i modellkortet: vLLM, SGLang og TokenSpeed. Det forteller også hvem denne første utgivelsen i praksis er laget for: forskningsmiljøer, store organisasjoner, spesialiserte vertstjenester og folk som vet hvorfor de har et rack med akseleratorer stående. For de fleste er et API eller en leverandør som tilbyr modellen fortsatt den realistiske veien inn.

Det er ikke et argument mot utgivelsen. Åpne vekter trenger ikke passe på én RTX 4090 for å ha verdi. De gjør det mulig for miljøene med riktig kapasitet å lage kvantiserte varianter, bedre inferensoppsett og tjenester som flere kan bruke etterpå. Det er ofte så økosystemet rundt en stor modell begynner.

Hva sier lisensen?

Kimi K3.1 Pro er utgitt med en egen lisens, ikke en standard Apache- eller MIT-lisens. Den offisielle Kimi K3.1 Pro-lisensen gir i utgangspunktet brede rettigheter til å bruke, kopiere, endre, distribuere, finjustere og lage avledede modeller. Opphavsrettsmerknaden og tillatelsen må følge med kopier eller vesentlige deler.

Det finnes samtidig særvilkår for svært store kommersielle aktører. Modell-som-tjeneste-selskaper over lisensens inntektsgrense må inngå en egen avtale med Moonshot for kommersiell bruk. Produkter med svært mange aktive brukere eller svært høy månedsinntekt kan også få krav om synlig merking med «Kimi K3.1-Pro».

For en utvikler, forsker eller vanlig bedrift er lisensen romslig. Men «åpne vekter» er fortsatt den mest presise beskrivelsen. Det er bedre enn å late som alle åpne modellutgivelser har identiske vilkår. Skal modellen inn i et kommersielt produkt, må noen faktisk lese lisensen og ikke bare stole på overskriften i en nyhetssak.

Hvor sterk er modellen?

Moonshots egne resultater plasserer Kimi K3.1 Pro høyt på flere tester for koding, agenter, multimodal forståelse og kunnskapsarbeid. Som ett datapunkt oppgir selskapet 65,7 prosent på Terminal-Bench 4.0.

Tallene viser at dette er ment som en seriøs toppmodell, ikke bare et stort forskningsobjekt. Men benchmarktabellen er publisert av Moonshot, flere av testene er interne, og modellene er ikke alltid kjørt med samme agentverktøy. Modellkortet opplyser for eksempel at enkelte kodetester bruker Claude Code, mens andre bruker Kimi Code eller Codex. Resultatene er derfor interessante datapunkter, ikke en fasit for din arbeidsflyt.

Jeg har ikke testet Kimi K3.1 Pro selv, så jeg skal heller ikke late som benchmarkene forteller hvordan den oppfører seg i et ekte prosjekt over flere dager. Jeg har tidligere brukt Kimi K2.7 Code i et faktisk kodeprosjekt, men den erfaringen kan ikke flyttes over til en ny modell som om det var samme test.

Det riktige nå er å skille to spørsmål. Først: Har Moonshot sluppet vektene som lovet? Ja. Deretter: Er Kimi K3.1 Pro så god i praktisk bruk som selskapets tall antyder? Det trenger uavhengige tester på den nye modellen å svare på.

Hva bør utviklere og bedrifter gjøre nå?

Hvis målet er å prøve modellen, er API eller en etablert vertstjeneste det fornuftige startpunktet. Da kan du måle kvalitet, fart, stabilitet og faktisk kostnad på dine egne oppgaver før du vurderer tung infrastruktur. Kimi K3.1 Pro er tilgjengelig både gjennom Moonshots eget OpenAI- og Anthropic-kompatible API og på OpenRouter med modellnavnet moonshotai/kimi-k3.1-pro.

Har bedriften krav om at data skal bli i eget miljø, er vektutgivelsen langt mer interessant. Da kan du begynne med en konkret kapasitetsvurdering: Hvor mye lagring og akseleratorminne kreves, hvilken inferensmotor støttes, hvilken ytelse får du ved forventet last, og hvem skal holde systemet oppdatert? «Vi kan kjøre den selv» er ikke en driftsplan.

Utviklere som bygger flerturnssamtaler eller agenter må også følge modellens meldingsformat. Moonshots bruksanvisning sier at hele assistentmeldingen skal sendes tilbake uendret i neste runde, inkludert reasoning_content og tool_calls. Modellen støtter reasoning_effort på nivåene low, high og max, der max er standard.

Og er du en av dem som faktisk skal drifte modellen, les lisensen før du investerer i maskinvaren. Åpne vekter gir deg muligheter. De fritar deg ikke fra tekniske, økonomiske eller juridiske vurderinger.

Min vurdering: Dette er en ordentlig åpen utgivelse

Moonshot sa at de fulle vektene skulle komme innen 4. november. Nå ligger modellen ute med konfigurasjon, kode, lisens og vektfiler. Selskapet holdt løftet. Det fortjener en tydelig tommel opp.

Jeg er generelt skeptisk til å ta kinesiske AI-modeller eller leverandørenes egne benchmarktabeller på ordet. Åpne vekter fjerner ikke behovet for testing, sikkerhetsarbeid eller vurdering av hvor dataene går. Men de gjør uavhengig kontroll mulig, og det er et langt bedre utgangspunkt enn «stol på API-et vårt».

Kimi K3.1 Pro blir neppe den nye lokale favoritten på en vanlig hjemme-PC. Den er for stor. Men den kan bli viktig for leverandører som vil tilby en sterk modell på egen infrastruktur, og for miljøer som trenger å studere, tilpasse eller kontrollere hele modellstakken. Det er nettopp derfor denne utgivelsen betyr noe.

Ofte stilte spørsmål