Kimi K3.1 Pro в деталях: длинные задачи по программированию, работа с 3D и реальная стоимость эксплуатации

Главный вопрос о Kimi K3.1 Pro — способна ли модель довести длинную задачу до конца: разобраться в проекте, отредактировать код, вызвать инструменты и исправиться, когда результат не прошёл проверку. Эффектный первый экран — лишь малая часть этой работы. Разработчику важнее другое: работают ли исходные функции после десятой правки и проходит ли результат приёмку?

Речь пойдёт о Kimi K3.1 Pro и о скоростном варианте Kimi K3.1 Pro Highspeed. Источники сверены по состоянию на 23 октября 2026 г. Числовые данные взяты из официальных материалов. Для этой статьи Folkbench не вызывал модели и не перезапускал их бенчмарки, и мы не присваиваем модели собственную оценку.

Сначала разберёмся, что это за модель

Название и позиционирование взяты из списка моделей, точный размер контекста — из документации по тарификации, возможности API — из руководства по быстрому старту. Технический блог описывает модель как результат дообучения K3 и приводит план выпуска весов. По одному номеру версии нельзя заключить, что сменилась базовая архитектура, а план выпуска весов ещё не означает, что локальное развёртывание уже доступно.

Два бенчмарка — два разных вопроса

Эти цифры — сравнение, опубликованное в техническом блоге Kimi. Данные конкурентов взяты с той же страницы, а не получены Folkbench в едином окружении.

В сносках по умолчанию указан уровень рассуждений max. Прогон Kimi на Terminal-Bench выполнялся в среде Claude Code; результаты конкурентов собраны из релизных материалов или рейтингов. Открытые модели на BenchCAD тестируются на подвыборке из 1000 задач, и режим с инструментами тоже использует Claude Code. Эти условия нужно приводить вместе с цифрами.

Программирование: близкий результат ещё не заменяет приёмку на проекте

65,7% и 66,4% различаются на 0,7 процентного пункта. В этой опубликованной таблице модели идут почти вровень. Но без одинаковых бюджетов, числа повторов и оценок неопределённости этого недостаточно, чтобы говорить о равных возможностях. Точно так же более высокий результат в одном тесте не доказывает превосходства во всех задачах программирования.

В реальных проектах важнее восстановление после ошибок. Задача может требовать изменить интерфейс, обновить вызывающий код и сохранить совместимость — и всё это ничего не сломав. Объём кода, написанного с первой попытки, мало что говорит об этих обязательствах. Модель должна понимать, на что на самом деле указывает упавший тест, а не добиваться прохождения, удаляя проверку, ослабляя условие или выбрасывая функцию.

Перед миграцией прогоните заново уже решённую задачу с понятными критериями приёмки. Зафиксируйте ревизию репозитория и требования, дайте каждой модели-кандидату поработать самостоятельно, а затем сверьте результаты тестов, объём изменений и количество ручных доработок. Такая запись даёт больше оснований для решения, чем эффектная демонстрация. Это предлагаемая процедура приёмки, а не эксперимент, проведённый для этой статьи.

3D: геометрическое совпадение — лишь часть готового результата

Метрика BenchCAD здесь — Voxel IoU. Значение 92,7% не означает ни «92,7% успешно выполненных задач моделирования», ни оценки художественного качества. Геометрия, материалы, освещение, анимация, редактируемость и производственные допуски требуют разных проверок.

Для сцены на Three.js проверьте, работают ли интерактивные элементы, плавно ли сцена идёт на устройствах и загружаются ли ресурсы. Для редактируемой детали проверьте размерные соотношения, форму после изменения параметров и экспортированные файлы. Убедительный рендер с одного ракурса может скрывать дыры на обратной стороне, пересекающуюся геометрию или непригодную топологию.

Наша редакционная оценка по этим официальным результатам: K3.1 Pro стоит включить в список кандидатов для длинных задач по программированию и программного моделирования. Заменит ли она существующее решение, должны показать результаты целевого проекта.

Контекст в 1 млн токенов отвечает на вопрос о вместимости

Сколько файлов поместится в 1 048 576 токенов, зависит от содержимого и токенизации. Это не фиксированное число слов или строк кода. К тому же вместимость не гарантирует, что модель найдёт нужные доказательства, удержит все ограничения и после множества вызовов инструментов не отклонится от исходной цели.

Отправить в запрос весь репозиторий может быть удобно, но вместе с полезным кодом туда попадут сгенерированные файлы, устаревшая документация и противоречивые инструкции. Укажите текущую ревизию, нужные файлы, поведение, которое не должно меняться, и точку входа для приёмки. Важнее пригодный контекст, а не просто больший.

Есть и повторяющаяся статья расходов. Официальная документация по моделям с рассуждениями требует сохранять рассуждения из прошлых сообщений assistant; они продолжают занимать контекст и тарифицируются. Поэтому за коротким видимым ответом может стоять гораздо больший счёт за токены.

Настройки API меняют впечатление

Руководство по уровню рассуждений сообщает, что K3.1 Pro рассуждает всегда, а уровень по умолчанию — max. Значение low снижает уровень, но не отключает рассуждения. Перед сравнением задержки выровняйте этот параметр, иначе кажущаяся разница в скорости может отражать лишь разные бюджеты.

При миграции проверьте три вещи:

1. Используйте параметр верхнего уровня reasoning_effort, а не переносите конфигурацию thinking из K2.
2. В циклах с инструментами сохраняйте сообщения assistant целиком, включая reasoning_content и tool_calls. Если оставить только итоговый текст, пропадёт история, которой требует API.
3. Для изображений следуйте руководству по быстрому старту: используйте base64 или ссылки на файлы ms:// и не рассчитывайте, что будет принят любой публичный URL изображения.

У прокси свои вопросы: сохраняет ли он поля запроса, не обрезает ли ответы, не подменяет ли имя модели и полностью ли передаёт сведения об использовании? Успешный текстовый ответ ещё не доказывает, что цикл вызова инструментов в агенте поверх него работает правильно.

Стоимость начинается с задачи целиком

Официальная страница цен и её Markdown-версия во время этой проверки не вернули полной строки цен K3.1 Pro, которую можно было бы сверить. Поэтому мы не публикуем цены в долларах и не подставляем цены K3 или прокси. Это не доказывает, что официальные цены не опубликованы; это лишь описывает, что удалось проверить для этой статьи.

Структура тарификации задокументирована: использование API оплачивается по факту и отдельно от подписки Kimi и Kimi Code; цена записи в кэш зависит от TTL, а попадания в кэш и ввод без кэша — разные статьи счёта. В руководстве по быстрому старту сказано, что цены не делятся на уровни по длине контекста. Руководство по кэшированию описывает правила повторного использования и срок хранения.

Поэтому задачу с длинным контекстом стоит разбирать по частям: какой ввод не попал в кэш, что вызвало запись в кэш, что тарифицировалось как чтение из кэша и сколько получилось вывода. Сервисы инструментов, среды выполнения и неудачные повторы тоже могут увеличить общие расходы. Следуйте фактическим категориям счёта, чтобы одни и те же токены не учитывались дважды.

Полезная метрика для закупки и обсуждения миграции — общие расходы на пакет задач ÷ число задач, прошедших приёмку. Неудачные попытки остаются в числителе; если провалены все задачи, цены успешной задачи просто нет. Это предлагаемый способ сравнения, а не результат измерений Folkbench.

Список моделей описывает Highspeed как вариант с теми же возможностями и примерно в 2–3 раза большей скоростью. Это заявление поставщика, а не измерение всего рабочего процесса. Если генерация занимает половину общего времени и эту половину сократить втрое, общее время уменьшится с 1 примерно до 0,67 — то есть в целом работа ускорится примерно в 1,5 раза. Это гипотетический расчёт, иллюстрирующий узкое место, а не измеренная задержка Kimi.

С чего начать оценку

Первые три типа соответствуют официальному позиционированию модели, но позиционирование не гарантирует качества. В исследовательских задачах гладкий текст и множество ссылок не заменяют проверки: действительно ли источник подтверждает каждое утверждение, совпадают ли годы и единицы измерения, можно ли пересчитать формулы в таблице. Для простой классификации флагманская модель с уровнем max по умолчанию может оказаться не самым экономичным выбором.

Оценка Folkbench

Официальные материалы дают K3.1 Pro весомый повод для серьёзной проверки: её результаты в программировании и программном моделировании находятся рядом с сильными конкурентами. Практическая ценность зависит от того, превращаются ли эти возможности в результаты, проходящие приёмку, — с вашими входными данными, инструментами и бюджетом.

У нас пока нет собственных записей вызовов, повторных экспериментов, распределения сбоев и проверенных цен, поэтому мы не публикуем ни сводный балл, ни вывод о «лучшем соотношении цены и качества». Некоторые разделы о бенчмарках в руководстве по быстрому старту всё ещё содержат заглушки и расходятся по версии с техническим блогом. Два сравнения выше последовательно взяты из блога, без смешивания версий.

Если вы оцениваете рабочие процессы с кодом, продолжите с [руководства Folkbench по оценке в программной инженерии](/ru/blog/ai-api-relay-software-engineering-evaluation-guide). Материалы о других моделях: [Claude Opus 5.5](/ru/blog/claude-opus-5-5-review-pricing) и [GPT-6.1 Sol](/ru/blog/gpt-6-1-sol-review-pricing). Sol — это не GPT-6 Astra из таблицы; их названия и результаты не взаимозаменяемы.