Moonshot zet gewichten van Kimi K3.1 Pro online

Het Chinese Moonshot AI heeft op 4 november de volledige gewichten van Kimi K3.1 Pro op Hugging Face gepubliceerd. Het gaat om 96 bestanden met samen ongeveer 1,56 terabyte aan data, meldt BigGo Finance. Het model was sinds eind oktober al te gebruiken via de app, de website en de API. Wie wil, kan het nu op eigen hardware draaien.

Wat er op Hugging Face staat

Volgens de modelkaart op Hugging Face is Kimi K3.1 Pro een mixture-of-experts-model met 2,8 biljoen parameters, waarvan er per token 104 miljard actief zijn. Het contextvenster is ruim een miljoen tokens. Het model verwerkt tekst en beelden en kent drie standen voor redeneerinspanning: low, high en max. Moonshot raadt vLLM en SGLang aan als inference-software. Er zijn ook gecomprimeerde versies voor llama.cpp, Ollama en LM Studio, al vraagt een model van deze omvang nog altijd flink wat geheugen.

De benchmarkcijfers op de modelkaart komen van Moonshot zelf. Op Terminal-Bench 4.0 scoort K3.1 Pro 65,7, net onder Claude Opus 5.5 (66,4) en boven GPT-6 Astra (58,2). Op andere tests, zoals HLE-Diamond, blijft het model ruim achter bij de gesloten concurrentie. Een deel van de scores is gemeten met Moonshots eigen testopstelling, dus vergelijken met onafhankelijke ranglijsten gaat niet zomaar.

Gratis, met twee voorwaarden

De licentie staat gebruik, aanpassing en commercieel gebruik toe. BigGo Finance beschrijft twee uitzonderingen, gebaseerd op de eerdere licentie van Kimi K3. Bedrijven die een inference- of fine-tuningdienst draaien en samen met dochterbedrijven meer dan 20 miljoen dollar omzet per jaar maken, moeten eerst een aparte overeenkomst met Moonshot sluiten. Producten met meer dan 100 miljoen maandelijkse gebruikers of meer dan 20 miljoen dollar maandomzet moeten de naam “Kimi K3.1-Pro” zichtbaar in beeld tonen. Intern gebruik valt daarbuiten.

Voor de meeste Europese bedrijven die het model zelf willen hosten, zijn die drempels ver weg. Dat maakt K3.1 Pro een serieus alternatief naast Mistral Large 4, waarvan de gewichten vorige week vrijkwamen.

Bewust minder goed in hacken

Opvallend is wat Moonshot uit de training heeft gehaald. Volgens The Next Web heeft het bedrijf materiaal over cyberaanvallen uit de trainingsdata en de reinforcement-learningtaken geschrapt. Een versie zonder die ingreep loste in een interne test 90,5 procent van de taken op waarin echte softwarelekken moesten worden uitgebuit. De gepubliceerde versie haalt 81 procent, voorganger K3 kwam niet verder dan 33,3 procent. De ingreep kost het model dus ruim 9 procentpunt, maar het blijft veel sterker dan K3.

Moonshot is daarin niet de enige. Tencent bracht op dezelfde dag zijn open model Hy4 uit en beperkte beveiligingsdata in de training tot defensieve inhoud, schrijft BigGo. De timing is logisch: deze week liet OpenAI zien dat zijn agents 948 rootlekken in de Linux-kernel konden uitbuiten. Een open model kun je na publicatie niet meer terugroepen.

Wat betekent dit

Voor organisaties die hun data niet naar een Amerikaanse of Chinese cloud willen sturen, is er weer een sterk model om in eigen beheer te draaien. De hardware-eisen blijven fors, maar via aanbieders als Together AI is het ook zonder eigen servers te gebruiken. Wie het model inzet, moet wel beseffen dat de benchmarkcijfers van Moonshot zelf komen en dat het Witte Huis het bedrijf in juli beschuldigde van het gebruik van verboden NVIDIA-chips, zonder daar bewijs voor te publiceren. Onafhankelijke tests van de vrijgegeven gewichten zullen moeten uitwijzen hoe K3.1 Pro zich echt verhoudt tot de top.