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 incontent. - 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 withstrict: 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.
| Benchmark | What it tests | Kimi K3.1 Pro | Reference |
|---|---|---|---|
| Terminal-Bench 4.0 | Coding agents on real terminal tasks | 65.7% | Claude Opus 5.5 66.4%, GPT-6 Astra 58.2% |
| Kimi Code Bench 3.0 Long-horizon | Multi-step coding with tools (Moonshot internal) | 61.2% | Kimi K3 55.95% |
| BenchCAD, with tools | 3D reconstruction through CAD code | 92.7% | Claude Opus 5.5 96.2%, GPT-6 Astra 95.9% |
| OfficeQA Pro v2 | Fiscal data analysis across real financial documents | 64.4 | Reported as state of the art |
| Kimi Hallu Bench Hard, with tools | Claim-level hallucination rate, lower is better | 8.3% | 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 Pro | Kimi K3 | |
|---|---|---|
| Base | K3 with much larger post-training | K3 |
| Context window | 1,048,576 tokens | 1,048,576 tokens |
| Reasoning | Always on | Always on |
| Kimi Code Bench 3.0 Long-horizon | 61.2% | 55.95% |
| Kimi Hallu Bench Hard (with tools) | 8.3% | 23.4% |
| API model ID | kimi-k3.1-pro | kimi-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/completionsand Anthropic-compatiblehttps://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
contentarray asimage_urlwith a base64 data URL. - Output tokens: reasoning is billed as output, so set
max_tokenshigh 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.
Essayer Kimi K3.1 Pro en trois étapes
Aucune installation ni configuration. Le playground ci-dessus appelle le même modèle que celui que votre code appellera.
Collez une tâche réelle
Utilisez le travail dont vous avez réellement besoin : un test qui échoue avec le code environnant, une pièce que vous souhaitez modéliser dans Blender ou une série de chiffres à rapprocher. Les prompts basiques ne permettent pas d'apprécier la valeur ajoutée d'un modèle de raisonnement.
Donnez-lui de l'espace pour réfléchir
Le raisonnement est toujours actif et est décompté de max_tokens. Laissez max_tokens à 8 192 ou plus pour les tâches en plusieurs étapes afin que la réponse ne soit pas tronquée après le raisonnement.
Copier l'appel API
Intégrez la même requête dans votre code avec l'ID de modèle kimi-k3.1-pro sur le point de terminaison compatible OpenAI ou Anthropic. L'utilisation des tokens pour chaque réponse est affichée sous celle-ci.
FAQ Kimi K3.1 Pro
Questions sur les fonctionnalités, le raisonnement et l'intégration.
/ 01Qu'est-ce que Kimi K3.1 Pro ?
Kimi K3.1 Pro est le premier modèle de la série K3.1 de Moonshot AI, une version post-entraînée de Kimi K3 bénéficiant d'un apprentissage par renforcement nettement supérieur sur le code, la création 3D et la recherche financière. Il conserve la fenêtre de contexte de 1 048 576 tokens de K3, intègre une réflexion toujours active et accepte les entrées textuelles et visuelles.
/ 02En quoi Kimi K3.1 Pro est-il différent de Kimi K3 ?
K3.1 Pro utilise la même base et la même fenêtre de contexte que K3, mais bénéficie d'un post-entraînement bien plus approfondi. Moonshot indique que Kimi Code Bench 3.0 Long-horizon passe de 55,95 % à 61,2 %, et que le taux d'hallucination au niveau des affirmations sur Kimi Hallu Bench Hard chute de 23,4 % à 8,3 %. Les requêtes restent identiques, à l'exception de l'ID de modèle.
/ 03Puis-je désactiver le raisonnement ?
Non. Kimi K3.1 Pro fonctionne toujours avec la réflexion activée. Le raisonnement arrive dans reasoning_content, séparé de la réponse dans content, et est facturé en tokens de sortie. Pour les questions courtes, le raisonnement est généralement bref, mais prévoyez un max_tokens suffisant pour les tâches en plusieurs étapes afin que la réponse finale ne soit pas tronquée.
/ 04Pourquoi temperature et top_p ne sont-ils pas modifiables ?
Moonshot fixe temperature à 1.0 et top_p à 0.95 pour Kimi K3.1 Pro, ainsi que n, presence_penalty et frequency_penalty. Le playground masque ces paramètres, et les requêtes API doivent les omettre plutôt que de définir des valeurs personnalisées.
/ 05Kimi K3.1 Pro prend-il en charge le tool calling ?
Oui. Il prend en charge le function calling avec tool_choice, y compris required dès le premier tour, ainsi que les sorties structurées JSON Schema en mode strict. Dans une boucle d'outils, renvoyez le message complet de l'assistant incluant tool_calls, puis un message tool par appel avec le tool_call_id correspondant.
/ 06Kimi K3.1 Pro peut-il lire des images ?
Oui, via l'API. Envoyez les images dans un tableau content sous forme d'entrées image_url avec une URL de données base64. Le modèle ne récupère pas les URL d'images publiques ; téléchargez et encodez donc d'abord l'image. Le téléversement d'images est pour l'instant désactivé dans ce playground, testez donc la vision via l'API.
/ 07Quelle est la taille de la fenêtre de contexte ?
La fenêtre de contexte est de 1 048 576 tokens et couvre à la fois l'entrée et la sortie. Avec 900 000 tokens en entrée, il reste moins de 150 000 tokens pour le raisonnement et la réponse. Les préfixes répétés tels que les invites système et les bases de code sont automatiquement mis en cache, ce qui réduit le coût des sessions multi-tours prolongées.