AIREITER
MoonshotText Chat

Kimi K3.1 Pro

Prueba Kimi K3.1 Pro en línea o llámalo con una API compatible con OpenAI o Anthropic. Contexto de 1M de tokens, razonamiento siempre activo, tool calling y entrada de imágenes.

EntradaOficial $2.00 por 1 M de tokensAIReiter $0.60 por 1 M de tokensSalidaOficial $10.00 por 1 M de tokensAIReiter $3.00 por 1 M de tokensLectura de cachéOficial $0.20 por 1 M de tokensAIReiter $0.06 por 1 M de tokensCreación de cachéOficial $2.00 por 1 M de tokensAIReiter $0.60 por 1 M de tokens
Ejecutar con API

ENTRADA

SALIDA

Example
Generated in
42.7 seconds
Token de entrada
134
Token de salida
2354
Tokens per second
55.13 tokens / second
Time to first token
-

Detalles del modelo

Usa la misma clave de modelo en Playground, solicitudes API y flujos de trabajo internos.

ID del modelo
kimi-k3.1-pro
Proveedor
Moonshot
Protocolo
OpenAI Chat Completions · Anthropic Messages
Ventana de contexto
1,048,576 tokens
Salida máxima
131,072 tokens
Token de entrada
60 créditos / 1 M de tokens
Token de salida
300 créditos / 1 M de tokens
Lectura de caché
6 créditos / 1 M de tokens
Escritura de caché
60 créditos / 1 M de tokens

Last updated: 5 November 2026. Specs and benchmark scores are from Moonshot's Kimi K3.1 Pro guide and the Kimi K3.1 Pro tech blog.

What Kimi K3.1 Pro is

Kimi K3.1 Pro is the first model in Moonshot AI's K3.1 series. It is a post-trained version of Kimi K3, trained with much more reinforcement learning across coding, 3D creation, financial research, and other agent tasks. The architecture and the context window stay the same as K3; the gains come from post-training.

Key specs

  • Context window: 1,048,576 tokens, shared by input and output.
  • Reasoning: thinking is always on. Streaming responses carry the reasoning in reasoning_content, separate from the final answer in content.
  • Input: text and images. Images must be sent as base64 data URLs; public image URLs are not accepted by the model.
  • Output length: up to 131,072 completion tokens per request in the playground.
  • Tools: function calling with tool_choice, and JSON Schema structured output with strict: true.
  • Fixed sampling: temperature 1.0 and top_p 0.95 are fixed by Moonshot, so the playground does not show those sliders.

Where Kimi K3.1 Pro is strongest

Moonshot reports the scores below. They are the vendor's own numbers, not AIReiter measurements, so run your own prompts in the playground above before switching production traffic.

BenchmarkWhat it testsKimi K3.1 ProReference
Terminal-Bench 4.0Coding agents on real terminal tasks65.7%Claude Opus 5.5 66.4%, GPT-6 Astra 58.2%
Kimi Code Bench 3.0 Long-horizonMulti-step coding with tools (Moonshot internal)61.2%Kimi K3 55.95%
BenchCAD, with tools3D reconstruction through CAD code92.7%Claude Opus 5.5 96.2%, GPT-6 Astra 95.9%
OfficeQA Pro v2Fiscal data analysis across real financial documents64.4Reported as state of the art
Kimi Hallu Bench Hard, with toolsClaim-level hallucination rate, lower is better8.3%Kimi K3 23.4%

Good fits

  • Long-horizon coding agents: repository-wide fixes and full project builds, including game work in Unity, Unreal Engine, and Godot.
  • 3D and CAD scripting: writing and running Blender or CAD scripts to build parametric parts, furniture, and architectural models from a text brief or a reference image.
  • Financial research and modeling: retrieval and multi-step numerical reasoning across filings, where the lower hallucination rate matters most.

Kimi K3.1 Pro vs Kimi K3

Kimi K3.1 ProKimi K3
BaseK3 with much larger post-trainingK3
Context window1,048,576 tokens1,048,576 tokens
ReasoningAlways onAlways on
Kimi Code Bench 3.0 Long-horizon61.2%55.95%
Kimi Hallu Bench Hard (with tools)8.3%23.4%
API model IDkimi-k3.1-prokimi-k3

Both models take the same request shape, so moving from K3 to K3.1 Pro is a one-line change of the model ID. Keep K3 for workloads you have already tuned and evaluated; try K3.1 Pro first for new coding agents, 3D scripting, and finance tasks.

Calling Kimi K3.1 Pro through AIReiter

  • Model ID: kimi-k3.1-pro.
  • Endpoints: OpenAI-compatible https://aireiter.com/api/v1/chat/completions and Anthropic-compatible https://aireiter.com/api/v1/messages. Existing OpenAI or Anthropic clients work after changing the base URL and the key.
  • Leave sampling at default: do not send temperature, top_p, n, presence_penalty, or frequency_penalty. Moonshot fixes them for this model.
  • Multi-turn and tool loops: send back the complete assistant message from the previous turn, including its reasoning and tool calls, not only content.
  • Images: put them in a content array as image_url with a base64 data URL.
  • Output tokens: reasoning is billed as output, so set max_tokens high enough for the reasoning plus the answer.

Create a key on the API keys page. The request sample above this section already uses the right model ID.

Prueba Kimi K3.1 Pro en tres pasos

Sin instalación ni configuración. El playground de arriba llama al mismo modelo al que llamará tu código.

01

Pega una tarea real

Usa el trabajo que realmente necesitas hacer: una prueba que falla con el código que la rodea, una pieza que quieras modelar en Blender o un conjunto de cifras a conciliar. Los prompts de juguete no muestran lo que aporta un modelo de razonamiento.

02

Dale espacio para pensar

El razonamiento siempre está activo y cuenta para max_tokens. Deja max_tokens en 8,192 o más para tareas de varios pasos, de modo que la respuesta no se corte después del razonamiento.

03

Copia la llamada a la API

Traslada la misma solicitud a tu código con el model ID kimi-k3.1-pro en el endpoint compatible con OpenAI o Anthropic. El uso de tokens de cada respuesta se muestra debajo de la misma.

Preguntas frecuentes sobre Kimi K3.1 Pro

Preguntas sobre capacidades, razonamiento e integración.

/ 01

¿Qué es Kimi K3.1 Pro?

Kimi K3.1 Pro es el primer modelo de la serie K3.1 de Moonshot AI, una versión posentrenada de Kimi K3 con mucho más aprendizaje por refuerzo en programación, creación 3D e investigación financiera. Mantiene la ventana de contexto de 1,048,576 tokens de K3, tiene el pensamiento siempre activo y acepta entradas de texto e imagen.

/ 02

¿En qué se diferencia Kimi K3.1 Pro de Kimi K3?

K3.1 Pro utiliza la misma base y ventana de contexto que K3, pero añade un posentrenamiento mucho más amplio. Moonshot informa que Kimi Code Bench 3.0 Long-horizon sube del 55.95% al 61.2%, y que la tasa de alucinación a nivel de afirmación en Kimi Hallu Bench Hard se reduce del 23.4% al 8.3%. Las solicitudes son las mismas, excepto por el model ID.

/ 03

¿Puedo desactivar el razonamiento?

No. Kimi K3.1 Pro siempre se ejecuta con el pensamiento habilitado. El razonamiento llega en reasoning_content, separado de la respuesta en content, y se factura como tokens de salida. Para preguntas cortas, el razonamiento suele ser breve, pero deja suficientes max_tokens para tareas de varios pasos para que la respuesta final no se trunque.

/ 04

¿Por qué no se pueden ajustar temperature y top_p?

Moonshot fija temperature en 1.0 y top_p en 0.95 para Kimi K3.1 Pro, junto con n, presence_penalty y frequency_penalty. El playground oculta esos controles, y las solicitudes a la API deberían omitirlos en lugar de establecer valores personalizados.

/ 05

¿Kimi K3.1 Pro admite tool calling?

Sí. Admite function calling con tool_choice, incluyendo required en el primer turno, y salidas estructuradas con JSON Schema en strict mode. En un bucle de herramientas, devuelve el mensaje completo del assistant incluyendo tool_calls, y luego un mensaje tool por llamada con el tool_call_id correspondiente.

/ 06

¿Puede Kimi K3.1 Pro leer imágenes?

Sí, a través de la API. Envía imágenes dentro de un array content como entradas image_url con una data URL en base64. El modelo no recupera URLs públicas de imágenes, así que descarga y codifica la imagen primero. La subida de imágenes está desactivada en este playground por ahora, así que prueba la visión a través de la API.

/ 07

¿Qué tamaño tiene la ventana de contexto?

La ventana de contexto es de 1,048,576 tokens y cubre la entrada y la salida de forma conjunta. Con 900,000 tokens de entrada, quedan menos de 150,000 tokens para el razonamiento y la respuesta. Los prefijos repetidos, como los system prompts y las bases de código, se almacenan en caché automáticamente, lo que reduce el coste de las sesiones largas de varios turnos.