Kimi K3.1 Pro можно скачать: сколько видеопамяти нужно и что разрешает лицензия

Moonshot AI опубликовала веса модели 4 ноября 2026 года на Hugging Face, как и обещала при её запуске 23 октября. Kimi K3.1 Pro содержит 2,8 трлн параметров, но для обработки каждого токена использует только 104 млрд. Это возможно благодаря архитектуре «смесь экспертов»: вместо всей модели одновременно работают отдельные группы параметров, которые система выбирает под конкретную задачу.

Разработчики уже сжали веса с помощью технологии MXFP4, которая позволяет хранить большую часть параметров с пониженной точностью. Тем не менее файлы занимают 1,56 ТБ дискового пространства. Для сравнения, DeepSeek V4 Pro в формате FP8 занимает 865 ГБ, а GLM-5.3 — 756 ГБ. Даже при стабильном гигабитном соединении загрузка Kimi займёт не меньше трёх с половиной часов.

Скачать модель — лишь половина дела. Чтобы она отвечала на запросы, понадобится ещё и видеопамять для вычислений и хранения рабочего контекста. Официальные инструкции Moonshot рассчитаны на сервер с восемью NVIDIA B300 или восемью AMD MI355X. Предусмотрены и другие варианты, включая B200, H200 и H100, но на 5 ноября часть таких конфигураций ещё не прошла проверку.

Для запуска Moonshot рекомендует vLLM, SGLang и TokenSpeed — программные инструменты, которые распределяют работу модели между ускорителями. Kimi поддерживает контекст до 1 048 576 токенов, то есть может учитывать большой объём текста в одном запросе. Однако при одновременной работе с несколькими пользователями серверу требуется дополнительная память, поэтому реальная производительность зависит от оборудования и настроек.

Если собственного кластера нет, модель можно использовать через API Moonshot. Миллион входных токенов стоит $2, миллион выходных — $10, а миллион токенов из кеша — $0,20. API совместим с форматами OpenAI и Anthropic. Kimi также доступна через сторонних провайдеров на OpenRouter, поэтому для знакомства с моделью покупать сервер необязательно.

Отдельный вопрос — лицензия. Она основана на MIT и разрешает использовать, изменять, дообучать и распространять модель, в том числе в коммерческих продуктах. Но есть исключение для крупного бизнеса, который предоставляет другим компаниям или пользователям доступ к самой модели, например через API. Если совокупная выручка такого провайдера и связанных с ним компаний превышает $20 млн за любые 12 месяцев подряд, перед коммерческим использованием Kimi потребуется отдельный договор с Moonshot.

Ещё одно условие касается крупных пользовательских продуктов. Если коммерческий сервис привлекает более 100 млн активных пользователей в месяц или получает свыше $20 млн месячной выручки, он должен заметно указывать название Kimi K3.1-Pro в интерфейсе. При этом оба ограничения не распространяются на внутреннее использование модели, когда доступ к ней и её результатам не предоставляется третьим лицам. Исключения также предусмотрены для официальных продуктов Moonshot и сертифицированных партнёров. Продукты, в которых модель лишь обеспечивает отдельные встроенные функции, не считаются самостоятельными сервисами по предоставлению модели.

Но стоит ли вообще разворачивать Kimi самостоятельно? По результатам испытаний, опубликованным самой Moonshot, модель почти догнала Claude Opus 5.5 в Terminal-Bench 4.0 — тесте работы с задачами в терминале. Kimi набрала 65,7% против 66,4% у конкурента. В испытании SWE Marathon, где проверяют выполнение сложных задач по разработке, Kimi получила 51,7% против 46,3% у Claude. В других тестах результаты заметно слабее. К тому же таблица Moonshot объединяет измерения с разными методиками, поэтому делать по ней однозначный вывод о превосходстве модели нельзя.

Независимая оценка выглядит сдержаннее. В рейтинге Artificial Analysis на 5 ноября Kimi K3.1 Pro занимала 22-е место среди 69 моделей с результатом 46 баллов. Ещё одна проблема — скорость: при тестировании через API выполнение одной задачи рейтинга занимало 36 минут против медианных 12,5 минуты у моделей сопоставимой стоимости. Скорость генерации составляла 33 токена в секунду.

Впрочем, есть и более обнадёживающие результаты. Исследователь Дэниел Маккиннон из Gamow Labs проверил Kimi на RareBench — сложном тесте, где ИИ-агент должен самостоятельно решать многоэтапные задачи. Модель справилась с 38% заданий, показав тот же результат, что и GPT-6 Astra, и опередив предыдущую Kimi K3 на 10 процентных пунктов. По словам Маккиннона, испытание обошлось примерно в $250 — около четверти стоимости аналогичной проверки закрытых флагманских моделей.

Однако есть важная оговорка: независимые испытания проводились через API до публикации весов. На 5 ноября результатов проверки именно скачиваемой версии ещё не было. Поэтому для большинства команд практический путь остаётся прежним: сначала проверить Kimi на собственных задачах через API, оценить качество и скорость ответов, а уже затем считать расходы на серверы. Самостоятельное размещение действительно может быть выгодным: например, Revolut сообщала о десятикратном снижении затрат на ИИ для разработки. Но это результат конкретной компании, а не гарантия такой же экономии для всех.