Kimi K3.1 Pro 權重公開:2.8T 參數 MoE 開放權重多模態代理模型,1M 上下文,主打程式與金融研究能力
以 2.8T 總參數、104B 活躍參數的 MoE 架構開放權重,支援 1,048,576 token 上下文與圖文輸入,官方稱為迄今最強的 3T 級模型。
Hacker News單一來源
46 則值得知道的變化
以 2.8T 總參數、104B 活躍參數的 MoE 架構開放權重,支援 1,048,576 token 上下文與圖文輸入,官方稱為迄今最強的 3T 級模型。
Ripple-65B 在 TerminalBench 2.1 超越 Reflection Beam 501B 等更大模型,採稠密 Transformer 架構、支援 1M 上下文,並可於 NVIDIA DGX Spark 等本地裝置運行。
Carbon 在 17 項基準中拿下 15 項最高分,但 AA-Omniscience 幻覺率由 4% 升至 11%,目前僅優先開放 API 與 Ultra/Pro 用戶。
在 546 份文件、1,638 個測試案例的基準中,宣稱品質領先四組前沿通用模型,成本約為其六至一百四十七分之一,但實測條件仍待檢視。
以能力藍圖與評測驅動的數據迭代方法訓練,綜合均分65.29,並已在Hugging Face開源權重,供開發者評測與適配。
以 GLM-5.3 後訓練而成,廠商自評 FSR 每題估計輸出成本約 0.25 美元,較 Astra 低約 72%,但 GPQA Diamond 略輸 Kimi K3。
TKCC 以常駐引擎與多代理並行實驗,宣稱 24 小時內優化完成,實驗吞吐量較基線代理系統高出 252 倍。
JTok-M 在 MoE 實驗中達相同損失的訓練算力約為底座 65%,但推理延遲增加約 7%;xHC 相對 mHC 額外吞吐開銷約 1.3%。
在不訓練、不損失品質的前提下,SpecPilot 將單請求加速比由原系統的 4.46× 提升至 10.87×,批次情境則由 1.94× 提升至 3.93×。