Kimi K3.1 Pro と 0.7 ポイント差：11月4日の重み公開前にリリースシートを読む

重要なポイント

• Kimi K3.1 Pro は Terminal-Bench 4.0 で 65.7% — ベンダーが同じハーネスで Claude Opus 5.5 に対して測定した 66.4% を 0.7 ポイント下回り、58.2% の GPT-6 Astra には 7.5 ポイント上回る（Moonshot のリリース記事）。
• 主張レベルのハルシネーション率は K3 の 23.4% から K3.1 Pro の 8.3% へ低下 — Opus 5.5 の 15.0% を下回る — ストレステストの注記が同じ段落に印刷されている（リリース記事）。
• API 料金はプラットフォーム自身のページで検証済み：$2.00/$10.00 /MTok、キャッシュ済み入力は $0.20 — 公表された 90% のキャッシュ割引 — キャッシュ書き込みは TTL 別に別建てで課金、$2.00（5 分）または $4.00（1 時間）（Kimi API 料金）。
• Moonshot はオープンウェイト公開の前に、mid-training コーパスと RL 環境ミックスという両方の学習ステージからサイバー攻撃データを除去した（リリース記事、サイバーセキュリティの節）。
• 完全な重みは 11 月 4 日とベンダーが確認済み；それまで Artificial Analysis はこのモデルを 2.8 兆パラメータのプロプライエタリとラベル付けしたままで、重みのライセンスは未命名（Artificial Analysis モデルページ）。

同じリリースページ上の 2 つの数字が、この分析の大部分を決めます：65.7 と 66.4。Kimi K3.1 Pro は Moonshot の K3.1 シリーズの最初のモデルで、同社は「これまでで最も能力の高い 3T クラスのオープンウェイトモデル」と呼び、100 万トークンのコンテキストウィンドウを備えます。Terminal-Bench 4.0 で 65.7% を記録し、同じシートは Claude Opus 5.5 を 66.4%（Moonshot 自社ハーネスで測定）、GPT-6 Astra を 58.2% と印刷しています（リリース記事）。このリリースは、自社が僅差で負けた行を先頭に置いています。同シートには、主張レベルのハルシネーション率が K3 の 23.4% から K3.1 Pro の 8.3% へ低下したこと、行ごとに照合が取れた料金ページ、そして完全な重みの 11 月 4 日の日付も印刷されています。本記事は、バイヤーとしてこのリリースを読みます：シートがすでに確定したこと — 能力クラス、価格、ワークロード適合 —、重みしか答えられないこと — ライセンス、キャリブレーション、再現 —、そして ウェイトデイの手法を使って 11 月 4 日に実行すべき 5 項目監査。この監査を、シートが先に届くリリースへ拡張します。

自社が印刷した比較対象

Terminal-Bench 4.0 の 3 行こそが開示です。 K3.1 Pro 65.7、Claude Opus 5.5 66.4 — Moonshot が自社ハーネスで測定。シートの脚注は Opus のスコアの比較値の情報源として Anthropic のシステムカードを明示 — GPT-6 Astra 58.2。0.7 ポイント差は、あらゆる妥当なノイズ幅の中にあります。それがまさに要点です：バイヤーはこの程度の差でスタックを乗り換えるべきではなく、しかしシートはモデルが Anthropic のフラッグシップを上回るふりをする誘惑を取り除きます。この区別は調達の観点で重要です。OpenAI のアジェンティック・フラッグシップに対する 7.5 ポイントのリードは、実在する能力の列です。Anthropic のフロンティアに同等以上と主張すれば、独立インデックスが即座に反証する捏造になります — Artificial Analysis の複合指数は、K3.1 Pro を Intelligence Index 55、215 モデル中 4 位に置き、プロプライエタリの上位群と同じフロンティアクラスタ内に位置づけます。ベンダー自身の脚注は比較値を一次情報源に遡ります — Astra は OpenAI のページ、Opus 5.5 は Anthropic のシステムカード。このシートの出所は検証可能であり、単なる断言ではありません。

ツール付きのスコアは 2 回印刷され、その差が教訓です。 CAD コード生成を通じて 3D 再構築を試す BenchCAD では、K3.1 Pro はツール付きで 92.7、Opus 5.5 の 96.2 と GPT-6 Astra の 95.9 に近い — そしてツールなしでは 72.8、Opus 5.5 の 73.0 に対比（リリース記事）。公表スコアの 19 ポイントがツールハーネスに依存しています。ハルシネーション試験でも同じパターン：ツール付きは 8.3%、ツールなしは 5.4%。自社の serving スタックがすべてにツールを付けることを知っているチームは、ツール付きの列を読むべきです。モデル単体の挙動を評価するチームは、もう一方の列を読むべきです。両方を印刷することこそ、選択を読みやすくする開示です。

独立の列は仕事に価格を付けます。しかも無料ではありません。 Artificial Analysis の複合行 — Kimi の API で測定 — は、能力テーブルが省略する副作用を加えます：Intelligence Index タスクあたり $2.11、出力速度 57.5 トークン/秒（中央値 82.3 に対比）、インデックス実行での冗長性 150M 出力トークン（中央値 87M に対比）。冗長性は請求です。Sonnet 5.5 のエフォート経済学の分析が隔離したのと同じメカニズムです：より多くのトークンで考えるエージェントは、考えるだけで多くを支払います。常時稼働ワークロードでは、遅い出力速度はインタラクティブ・レイテンシの税です。time-to-first-token は 3.07s で中央値 3.90s より良く、これが幾分緩和します。Moonshot のその税への答えがセカンドティアです：K3.1 Pro Highspeed は K3.1 Pro の 2〜3× の速度を、同じインタラクションクラスで、料金ページ上 $4.00/$20.00 /MTok で提供します。

ハルシネーション半減、ストレステストと明記

まず正直な数字、次に正直なラベル。 Kimi Hallucination Benchmark Hard セット — 意図的に誤りを混ぜた脱識別化された実用プロンプトに対し、ファクトチェックエージェントが主張レベルのハルシネーション率を評価するもの — で、K3.1 Pro の率は K3 の 23.4% から 8.3% へ低下し、少なくとも 1 つの事実誤りを含む応答の割合は前モデル比 42.4% まで下がりました（リリース記事）。ツール付きの列では、K3.1 Pro の 8.3% は Opus 5.5 の 15.0% を下回り、GLM-5.3 の 22.6% と DeepSeek-V4.1-Flash-1017 の 23.3% を大きく下回り、先行するのは GPT-6 Astra の 5.5% のみです。そしてリリース記事は同じ節に自らの注記を載せています：この評価は事実精度のストレステストであり、サンプルはモデルが誤りを起こしやすい状況を意図的に探るものであり、報告された率は「日常使用における全体的なエラー率を表すものではない」。ラベルなしで 8.3% を引用するバイヤーは、ベンダーを誤って引用しているのです。

ドキュメント密集型の仕事への運用面の読みは、依然として強い。 OfficeQA Pro v2 — 検索、文書間検証、多段階の数値推論を経た財務文書分析 — は、K3.1 Pro について声明上の最先端 64.4 を記録し、ベンダーの社内ファイナンスベンチは K3 比でファイナンス・モデリング +7.2 ポイント、ファイナンス・リサーチ +11.6 ポイント、長期ビジネス運用は 4.2×（リリース記事）。見積照合や請求書監査のエージェントにとって、ストレス試験で主張レベルのエラー率を半減させながら注記を印刷することは、あらゆるオープンエンドな検索に検証レイヤーを要するモデルと、敵対的なプロンプトでのみ要するモデルの違いです。残りは常時稼働エージェントの経済学が価格付けます。

料金ページが確約すること

コストモデルに必要な数字はすべて、プラットフォーム自身の料金ページにあります（今週確認）。 kimi-k3.1-pro は 入力 $2.00 /MTok、出力 $10.00 /MTok、キャッシュ済み入力 $0.20;Highspeed ティアは両方の定価を倍にしつつ、同じ $0.20 のキャッシュ済み料率を維持;K3 シリーズの全モデルは 1,048,576 トークンのコンテキストウィンドウを持ちます（Kimi API 料金）。課金はフラットな従量制で、コンテキスト長によるティア分けはありません。そして — 算術を変える行 — キャッシュ書き込みは TTL 別に別建てで課金されます：5 分ティアは $2.00 /MTok、1 時間ティアは $4.00 /MTok。API は繰り返されるリクエストプレフィックスに対して context caching を自動有効化し、デフォルト TTL は 5 分です。1 時間のキャッシュ書き込みは入力価格のちょうど 2 倍、5 分の書き込みは入力と同額です。長寿命のエージェントセッションは、安いティアを買って再計算すべきであり、キャッシュコストを 1 つと仮定すべきではありません。

このキャッシュ料率は、フラッシュティアの横に並ぶ 3 行目の公表データです — ただし異なるサイズクラスで。 MiniMax M3.1 Flash はキャッシュ済み入力を $0.015 /MTok で公表し（リリース当日の読解）、DeepSeek の 1017 スナップショットは観測されたキャッシュヒット率のもとで実効入力約 $0.017 に計算できます（$0.017 エージェント）。Kimi の $0.20 は絶対値で 10 倍高い — しかもこれはフラグシップスケールの行であり（Artificial Analysis は総パラメータ 2.8T を計上）、フラッシュティアの製品ではなく、公表割引は 90% です。中堅バイヤーが実行すべき比較は、トークンあたり定価ではなく、自社ワークロードのヒットシェアでのタスクあたりコストです。

シートは移行の時計も載せています。 K2 シリーズのモデルは 2026 年 10 月 31 日に新規ユーザーへの提供が終了し、プラットフォームは 12 月末までに全モデルを廃止する計画です（料金通知）— プラットフォーム上のすべての K2 デプロイは、期限付きの K3.1 移行を引き継ぎます。もう 1 つのコストレバーがプラットフォームドキュメントに記載されています：推論エフォートはリクエストごとに low、high、max（デフォルト max）で設定され、thinking を完全に無効化することはできません — トグルではなくエフォートこそが、タスクごとのコスト制御です（K3.1 Pro クイックスタート）。

すでに読めるリリースゲート

サイバーデータの除去は、スローガンではなくメカニズム付きで述べられています。 Moonshot は、ポストトレーニングの拡大とともに脆弱性研究能力が高まることを観察し、mid-training の一般コーパスに埋め込まれたサイバー関連コンテンツと、RL 環境ミックス内のサイバー系タスクを追跡しました。そして予備実験で、「mid-training または RL のいずれのステージでもデータ除去を行わなければ、下流のサイバー能力は大幅に上昇する」ことを発見しています。オープンウェイト公開にあたり、同社は汎用コーディングタスクを維持したまま、両方の学習ステージからサイバー関連データを除去しました（リリース記事、サイバーセキュリティの節）。これは GLM-5.3 が段階的リリースで適用したものと同じゲートパターン — セーフティ・ポーズの後に重みを公開（段階的リリースの先例）— ですが、1 つの構造的違いがあります：K3.1 Pro は公開初日に完全な詳細シートを出版し、重みの日付を設定しました。途中に段階的なポーズはありません。

10 月のオープンウェイトリリースは、今や 3 つの読めるプレイブックを形作ります。MiniMax は API 公開の 4 日後に重みを出し、ライセンスファイルに購入条件を担わせました — 年間 $20M の収入ラインと帰属条件です。GLM-5.3 はリリースをセーフティ・ポーズの後ろに置きました。Kimi K3.1 Pro はシートファーストのリリースを行い、セーフティ・ゲートを先回りして施し、重みは 11 月 4 日に設定しました。変わるのは能力の主張ではなく、どの成果物が先に着地するかです。そしてバイヤーの監査は、その成果物に従わなければなりません。

11 月 4 日まで開いたままであること — そして実行すべき監査

シートは能力、価格、ワークロード適合に答えます。答えられないのが 4 つあり、5 項目のウェイトデイ手法が、MiniMax をカバーしたのと同じ方法でそれらをカバーします:

1. ライセンスが未命名。 MiniMax のウェイトデイは、商用セルフホスティングに収入しきい値と帰属要件を書き込みました;K3.1 Pro の条件は 11 月 4 日の最大の未決事項のままであり、ライセンスファイルを読む前にセルフホスティング計画に価格を付けるべきではありません。
2. 独立のキャリブレーション列が存在しない。 Artificial Analysis の複合指数は能力を測定します（指数 55、$2.11/タスク）が、「自信を持って間違える」という失敗モードは測りません — MiniMax のフラッシュティアで 92.8% の誤答が自信過剰だったと示した AA-Omniscience クラスの行（ウェイトデイ監査）です。検証レイヤーのないオープンエンドな事実検索では、この列こそシートが自分自身について印刷できないものです。
3. サードパーティハーネスでの再現。 複合指数はすでに Terminal-Bench 4.0 を 10 評価の 1 つとして実行しています。重みが着地すれば、コミュニティのハーネス読みはシートの 65.7 を再現するか、ハーネス脚注を強制します — MiniMax の表が招いたのと同じ照合です。
4. カードレベルのパラメータと serving レシピ。 「3T クラス」という枠付けと Artificial Analysis の 2.8T 計数には、モデルカード自身の記述が必要です;vLLM や SGLang クラスのスタックのための serving レシピこそ、ダウンロードを実行可能なものに変えます。

Artificial Analysis は今も K3.1 Pro をプロプライエタリとラベル付けしています — 11 月 4 日の提供が置き換える状態であり、あらゆるウェイトイベント後の数日間においてバイヤーが覚悟すべき表面の陳腐化です。

1 分の図が、確定と未確定を分けます:

2 つのパネルは、シートが引いた境界線です。アンバー側は 10 月 23 日に照合可能な数字で確定したもの、バイオレット側は 11 月 4 日の重みだけが答えられるもの、そしてコーラルの帯が差を埋めるイベントです。

関連記事

• ライセンスの中の 2000 万ドルの行：ウェイトデイ監査 — MiniMax M3.1 Flash — 本記事のシートファースト読解が拡張する姉妹監査：重みが先に着地したリリースで実行した 5 項目の手法
• 推論経済学：なぜ常時稼働の本番エージェントが今、手頃になったのか — Kimi の公表キャッシュティアをワークロードの意思決定に変えるタスクあたりコストの枠組み
• The $0.017 Agent: DeepSeek の 1017 スナップショットが価格を据え置いたままタスクコストを削減 — Kimi の $0.20 の隣に並ぶもう 1 つのキャッシュ経済の行：エージェントの実効コストを決めるのは価額表ではなくヒットシェア

代表的な構築例

400 人規模の B2B ソフトウェア企業が、コードレビューと文書監査のエージェント艦隊を運用しています。先週は自社の MCP フロントエンドのリポジトリと ERP 統合に対し、混合モデルプールで約 12,000 のエージェントタスクを課金付きで実行しました。このリリースシートは、今週 2 つのワークロードを動かします：Terminal-Bench 4.0 のプロキシが K3.1 Pro（ツール付き 65.7 クラス）へ振り向ける長周期コーディングタスク — 繰り返しプレフィックスのトラフィックが、$0.20 のキャッシュ済み入力料率とデフォルト 5 分のキャッシュ TTL に合致するため。そして同じく K3.1 Pro へ向かう財務文書監査のラン（OfficeQA クラスのワークロードプロキシ経路）で、チーム自身のトークンコストレビューの後に、推論エフォートをデフォルト max ではなく high に固定。1 時間のキャッシュ書き込みティアは算術後に却下されました — 入力価格の 2 倍では、セッションを保持するより再計算する方が安いためです。11 月 4 日、プラットフォームチームはあらゆるセルフホスティング計画の前に 5 項目監査を実行します：まずライセンスファイル、次にパラメータ、フォーマットとレシピ、ベンダーシートに対するハーネス差分、そしてキャリブレーション — serving がベンダーの API 上で続く間も、固定した checkpoint を維持します。

スコープを定めたビルドを依頼する。 1 週間のディスカバリー。システムインベントリ、ワークフローマップ、固定スコープをあなたに — 私たちと築くかどうかは別として。