Kimi K3.1 Pro

تقديم Kimi K3.1 Pro

نقدم لكم Kimi K3.1 Pro, أول نموذج في سلسلتنا الجديدة K3.1 وأقوى نموذج لدينا حتى الآن من فئة 3T مفتوح الأوزان، مع نافذة سياق تبلغ 1-million-token. يقدم تحسينات جوهرية عبر البرمجة، وإنشاء المحتوى ثلاثي الأبعاد 3D، والبحث المالي، وقدرات وكيلية أخرى.

كما نطلق Kimi K3.1 Pro Highspeed، الذي يوفر سرعة تزيد بمقدار 2-3× من سرعة K3.1 Pro لتفاعلات أكثر استجابة.

يتوفر Kimi K3.1 Pro وKimi K3.1 Pro Highspeed اليوم على Kimi.com, Kimi Work, Kimi Codeوكذلك Kimi API. وسيتم إطلاق أوزان النموذج الكاملة بحلول 4 نوفمبر.

دفع حدود الذكاء المفتوح إلى الأمام

Kimi K3.1 Pro هو نسخة مدرَّبة لاحقًا من Kimi K3، بقدرة تدريب لاحق أكبر بكثير. ولتمكين تعلم معزز مشترك واسع النطاق عبر مئات المجالات التطبيقية، قمنا بتحسين كل طبقة من المنظومة — إطار العمل للتعلم المعزز (RL)، والاستدلال طويل السياق، وكفاءة التدريب، والبنية التحتية للبيئات المعزولة، وجدولة عمليات التنفيذ، ومنصة مشتركة لفحوصات جودة البيئات — بحيث تقدم كل وحدة إضافية من قدرة التعلم المعزز عوائد مستقرة وقابلة للتنبؤ. ونتيجة لذلك، يحقق K3.1 Pro مكاسب متسقة في كل مجال.

عبر معايير البرمجة والقدرات الوكيلية والمعرفة، يضاهي K3.1 Pro أقوى النماذج الاحتكارية أو يقترب منها. على Terminal-Bench 4.0، الذي يقيّم وكلاء البرمجة في مهام طرفية واقعية محدودة الموارد باستخدام اختبارات صارمة خاصة بكل مهمة، يحصل K3.1 Pro على 65.7%، متقدمًا على GPT-6 Astra (58.2%) ومتأخرًا بفارق ضئيل عن Claude Opus 5.5 (66.4%). وعلى Kimi Code Bench 3.0 Long-horizon، معيارنا الداخلي الذي يختبر التنفيذ متعدد الخطوات واستخدام الأدوات وحل المشكلات من البداية إلى النهاية لدوافع البرمجة عبر مجالات هندسية متنوعة، يحصل K3.1 Pro على 61.2%، متفوقًا على K3 55.95%.

البرمجة

يغطي K3.1 Pro كامل نطاق أعمال البرمجة، من الإصلاحات السريعة في قواعد الشيفرة الحقيقية إلى بناء المشاريع كاملة. كما يضفي أسلوبًا بصريًا أكثر إتقانًا على الألعاب وتجارب الويب، ويعرف كيف يبنيها بالأدوات المناسبة.

يعمل K3.1 Pro بفعالية عبر محركات الألعاب مثل Unity وUnreal Engine وGodot، ودمجها مع البحث على الويب وتوليد المشاهد 3D لإنشاء تجارب متكاملة. تُظهر صفحات الواجهة الأمامية ومشاهد Three.js التفاعلية والأصول 3D لديه تكوينًا وتنسيقًا للخطوط وحركات وتصقلًا أقوى. الأمثلة أدناه أُنشئت من البداية إلى النهاية بواسطة K3.1 Pro:

كما تتعزز قدرات K3.1 Pro في البرمجة طويلة المدى من خلال التعلم المعزز واسع النطاق. في أحد الاختبارات الداخلية، بنى محاكيًا لديناميكية المشي البشري مع خطوط أنابيب متكاملة للتدريب والتقييم على أساس human-atlas، وهو نموذج تشريحي مفتوح المصدر لجسم الإنسان يتكون من 296 مكوّنًا هيكليًا بما في ذلك الغضاريف، و402 مكوّنًا عضليًا. وعبر 167 مهمة و420 مراجعة مستقلة، حلّل النتائج التجريبية، وشخّص المشكلات، وحسّن وحدة التحكم في المشي بشكل تكراري، ما مكّن الإنسان المحاكى من الانتقال من الانهيار خلال ثوانٍ إلى المشي المستمر بخطوات متبادلة لمدة 11.2 ثانية. وعندما فشل تشكيل المكافأة في تحسين حركة الذراع، لم يكتفِ K3.1 Pro بمواصلة تعديل المكافأة: بل أجرى اختبارات مفتوحة الحلقة لديناميكيات المحاكي، وحدّد وصحّح 36 خطأً في حسابات أذرع عزوم العضلات الكتفية، ثم أعاد تدريب وحدة التحكم.

النمذجة والتصميم ثلاثي الأبعاد (3D)

يتميز K3.1 Pro بقوة في الإنشاء ثلاثي الأبعاد (3D) والاستدلال المكاني. على BenchCAD، الذي يختبر إعادة البناء ثلاثي الأبعاد (3D) من صور مرسومة متعددة الزوايا عبر توليد أكواد CAD، يحقق K3.1 Pro نسبة 92.7% مع الأدوات، مقتربًا من أداء Claude Opus 5.5 (96.2%) و GPT-6 Astra (95.9%). من وصف نصي أو رسم تخطيطي أو صورة مرجعية، يمكنه استنتاج الشكل والنسب والعلاقات المكانية لإنشاء نماذج 3D قابلة للاستخدام. كما يملك فهمًا أقوى لمكتبات الأصول الموجودة ومجموعات النماذج.

يتفوق K3.1 Pro على وجه الخصوص في النمذجة البارامترية، من الأجزاء الميكانيكية والنماذج المعمارية إلى المنتجات القابلة للتخصيص والأثاث المفصّل. بدون موصلات MCP، يمكنه كتابة وتشغيل نصوص برمجية لأدوات مثل Blender وبرامج CAD لبناء الأصول وتحسينها، وتحرير المكونات، وضبط الهندسة والمواد وتخطيط المشهد.

فيما يلي أمثلة على أصول 3D أنشأها K3.1 Pro لأفلام العلامات التجارية والألعاب وتجارب الويب التفاعلية:

3D Make متاح الآن على kimi.com وتطبيق Kimi — عاين وحرّر نماذجك ثلاثية الأبعاد (3D) عبر الإنترنت، وحمّلها جاهزة للطباعة ثلاثية الأبعاد (3D)، أو صدّرها كفيديوهات أو Live Photos لمشاركتها في أي مكان.

المال

بفضل قدرات أقوى في الاستدلال والعمل الوكيل، يستطيع K3.1 Pro تنفيذ سير عمل مالي متكامل من البداية إلى النهاية. يحقق K3.1 Pro نتائج متقدمة على OfficeQA Pro v2 (64.4)، الذي يختبر تحليل البيانات المالية المعقد عبر مستندات مالية حقيقية من خلال الاسترجاع والتحقق عبر المستندات والاستدلال العددي متعدد الخطوات. كما يتفوق K3.1 Pro على K3 في Frontier Finance، الذي يقيس الدعم لسير عمل استثماري متكامل من الفرز إلى تحليل الربحية.

كما يُظهر K3.1 Pro تحسنًا كبيرًا في جميع معايير المال الداخلية لدينا:

• النمذجة المالية تقيّم ترابط الصيغ والمنطق المالي وجودة دفتر العمل النهائي في مهام نمذجة واقعية. يحسّن K3.1 Pro على K3 بمقدار 7.2 نقطة.
• البحث المالي تقيّم ما إذا كانت النماذج قادرة على إنتاج أبحاث قابلة للتدقيق في ظل قيود الأدلة والمواعيد النهائية. يحسّن K3.1 Pro على K3 بمقدار 11.6 نقطة.
• التشغيل التجاري تقيّم الإدارة واتخاذ القرارات على المدى الطويل في بيئة عمل تجارية محاكاة. يحقق K3.1 Pro نحو 4.2× أداء K3.

يستلزم التحليل المالي وأبحاث الاستثمار درجة عالية من الدقة الموضوعية. ولمعالجة ذلك، أجرينا تحسينات موجهة على دقة K3.1 Pro الموضوعية في المهام الواقعية والاستفسارات الصعبة. على منصة Kimi Hallu Bench Hard، وهو معيار داخلي صُمم لاختبار الدقة الموضوعية تحت الضغط، انخفض معدل الهلوسة على مستوى الادعاءات من 23.4% لـ K3 إلى 8.3%، بينما كانت حصة الاستجابات التي تحتوي على خطأ موضوعي واحد على الأقل 42.4% فقط من معدل سابقه. (التقييم هو اختبار ضغط للدقة الموضوعية، حيث صُممت الأمثلة عمدًا لفحص الحالات التي تكون النماذج فيها عرضة للأخطاء. المعدلات المذكورة لا تمثل معدلات الأخطاء الإجمالية في الاستخدام اليومي.)

توضح الحالات أدناه كيف يتعامل K3.1 Pro عمليًا مع النمذجة المالية وتحليل الاستثمار والبحث المستند إلى المصادر:

الأمن السيبراني

مع ازدياد قدرات K3.1 Pro، خصصنا حصة أكبر من جهدنا لفهم مصدر القدرة السيبرانية ومقدار ما يمكننا التحكم فيه منها. لذلك حللنا وقيّمنا قدرات K3.1 Pro في بحث الثغرات، وطبقنا ضوابط موجهة أثناء التدريب لتقليل خطر سوء الاستخدام المحتمل مع الحفاظ على الفائدة العامة.

تحديد البيانات المتعلقة بالأمن السيبراني وإزالتها. أثناء التطوير، لاحظنا تحسن أداء بحث الثغرات بثبات مع توسع التدريب اللاحق. وتتبعًا لمصدر هذا الاتجاه، وجدنا أن المحتوى المتعلق بالأمن السيبراني كان مدمجًا ضمن مدفوع التدريب المتوسط العام، وأن المهام المتعلقة بالأمن السيبراني كانت موجودة في مزيج بيئات التدريب المعزز — وهو نتيجة ثانوية طبيعية للتدريب على بيانات واسعة. في تجارب أولية على نماذج داخلية، وجدنا أنه من دون إزالة البيانات في مرحلة التدريب المتوسط أو مرحلة التدريب المعزز، ستزداد القدرة السيبرانية اللاحقة بشكل كبير. منحتنا هذه النتائج أداة تحكم ملموسة. لإطلاق K3.1 Pro بالأوزان المفتوحة، حددنا وأزلنا البيانات المتعلقة بالأمن السيبراني من كلا مرحلتي التدريب، مع الاحتفاظ بمهام البرمجة العامة اللازمة لفائدة النموذج. سنواصل تطبيق الضوابط المناسبة في كل مرحلة من مراحل التدريب، ويُعد تحديد البيانات المتعلقة بالأمن السيبراني وتقييدها أحد الأمثلة على ذلك.

التقييم والنتائج. بعد تنظيف البيانات، قيّمنا K3.1 Pro على xdev-bench-hard، وهو معيارنا الداخلي لمهام اكتشاف واستغلال الثغرات المعتمدة على الشيفرة المصدرية والتي ينظمها خبراء، وقد ضُبط لتوفير تمايز ذي معنى عند مستوى قدراتنا الحالي. تعيد معظم المهام إنتاج ثغرات مُفصح عنها حديثًا في برمجيات مثل نواة Linux وNode.js وJavaScriptCore وExim وVirGL، مع تمكين التخفيفات. توفر كل مهمة الشيفرة المصدرية الضعيفة، وتلميحًا موجزًا عن الخلل، والملف التنفيذي المقابل؛ ويجب على الوكيل تطوير استغلال، وتحقيق تنفيذ تعسفي للشيفرة في بيئة معزولة منفصلة، واسترداد سلسلة سرية للتحقق الآلي. نبلغ عن pass@3 عبر عينة عشوائية من التشغيلات، من دون مهلات زمنية صارمة أو حدود على مخرجات الرموز.

على xdev-bench-hard، يحل نقطة التحقق من دون هذه التدابير لتقليل المخاطر — أي من دون إزالة البيانات المتعلقة بالأمن السيبراني في التدريب المتوسط ومن دون تصفية بيئات التدريب المعزز المتعلقة بالأمن السيبراني — 90.5% من المسائل عند pass@3؛ بينما يصل K3.1 Pro النهائي إلى 81.0%. تُظهر المقارنة أن إزالة البيانات تقلل القدرة السيبرانية بشكل ملموس مقارنة بما كان سينتجه مسار التدريب نفسه لولا ذلك. في الوقت نفسه، يحسّن K3.1 Pro بشكل كبير على سابقه، مما يشير إلى أن قدرات البرمجة العامة الأقوى وتصحيح الأخطاء على المدى الطويل تنتقل إلى المهام السيبرانية حتى بعد الإزالة الموجهة للبيانات. تظل القدرة السيبرانية لـ K3.1 Pro متأخرة عن قدرة النماذج الاحتكارية الرائدة المتاحة للعموم منذ ثلاثة أشهر على الأقل. سنواصل تطوير معاييرنا الداخلية ليبقى التقييم ذا فائدة مع استمرار تقدم قدرات النماذج.

مبادئ الأوزان المفتوحة. تؤطر هذه التقييمات قرارنا بإطلاق الأوزان المفتوحة. أولًا، نهدف إلى عدم إطلاق أوزان مفتوحة توسع الحد المطلق للقدرة السيبرانية. إن قدرة K3.1 Pro الهجومية السيبرانية هي، بحسب التصميم، أدنى مما يمكن لمسارنا إنتاجه، وتظل متأخرة عن قدرة النماذج الاحتكارية الرائدة. ثانيًا، نعتزم رفع القدرة السيبرانية المتاحة في الأوزان المفتوحة بشكل تدريجي. نعتقد أن إتاحة K3.1 Pro بطريقة غير تمييزية تفيد الأشخاص الذين يحتاجون قدرات مزدوجة الاستخدام لأغراض دفاعية. عندما يكون النموذج القادر مفتوحًا ويعمل على بنية تحتية يتحكم بها مستخدموه، تكتسب فرق كثيرة أكبر الوسائل لتدقيق الشيفرة التي تديرها — بما في ذلك الأنظمة القديمة التي نادرًا ما تخضع لمراجعات أمنية مخصصة. نعتقد أن السماح بانتشار هذه القدرة تدريجيًا — بدلاً من تمركزها في عدد قليل من الأنظمة الاحتكارية — يجعل في النهاية جميع البرمجيات أكثر أمانًا.

الإتاحة

يُتاح Kimi K3.1 Pro اليوم عبر عائلة منتجات Kimi: على Kimi.com وتطبيقات Kimi للجوال، وKimi Work وKimi Code، ومن خلال Kimi API.

وستُطلق الأوزان الكاملة للنموذج بحلول 4 نوفمبر 2026.

يمكن لمسؤولي Kimi Enterprise تمكين K3.1 Pro لمؤسستهم؛ والوصول معطل افتراضيًا عند الإطلاق.

تفاصيل كل قناة:

• وكلاء Kimi: نزّل تطبيق Kimi أو حدّثه إلى أحدث إصدار من متجر التطبيقات على هاتفك، وهو متوفر على iOS وAndroid وHarmonyOS، أو قم بزيارة kimi.com.
• اعمل مع Kimi K3.1 Pro: قم بتنزيل أحدث تطبيق Kimi Work لسطح المكتب، الإصدار 3.1.0 أو أحدث، متوفر لأنظمة Windows وأجهزة Mac ذات شرائح Apple silicon.
• البرمجة باستخدام Kimi K3.1 Pro: يركض Kimi Code واختر Kimi K3.1 Pro باستخدام /model الأمر.
• ابنِ باستخدام واجهة برمجة تطبيقات Kimi: قم بزيارة منصة Kimi API واختر kimi-k3.1-pro / kimi-k3.1-pro-highspeed. خدمة Zero Data Retention متاحة لعملاء الـ API.
• أضف Kimi إلى مؤسستك: كيمي بيزنس (Kimi Business) يوفر خصوصية بيانات بمستوى المؤسسات وإدارةً للأعضاء، مع فصل تام بين الحسابات الشخصية وحسابات المؤسسات. تفضل بزيارة صفحة الأسعار واختر «Get Kimi Business» للاشتراك لفريقك.

معايير الأداء

الهوامش

ما لم يُذكر خلاف ذلك، فإن جميع نتائج Kimi K3.1 Pro المذكورة أدناه تم الحصول عليها مع ضبط جهد الاستدلال على 'max'، ودرجة الحرارة = 1.0، وقيمة top-p = 0.95.

معايير تقييم البرمجة

1. Terminal-Bench 4.0. تم تقييم Kimi K3.1 Pro باستخدام Claude-Code harness. أما DeepSeek-V4.1-Flash-1017 فمأخوذ من مدونة الإصدار (https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017). وتُعتمد جميع الدرجات المتبقية على أنها القيمة القصوى المُبلَّغ عنها إما في منشورات مدوناتهم أو في لوحة صدارة Terminal-Bench 4.0 الرسمية (https://www.tbench.ai/).
2. ‏Terminal-Bench-Science 0.1. يتم تقييم Kimi K3.1 Pro باستخدام harness‏ Claude-Code. يبلغ تقييمنا الداخلي لـ DeepSeek-V4.1-Flash-1017 نتيجة 9.3؛ ومع ذلك، فإن إصدارًا أقدم، DeepSeek-V4.1-Flash، يحقق نتيجة 15.7 على Terminal-Bench-Science الرسمي، لذا نذكر 15.7 هنا؛ وجميع النتائج المتبقية مأخوذة من لوحة صدارة Terminal-Bench-Science الرسمية (https://www.terminal-bench-science.ai/).
3. DeepSWE v1.1. يتم تقييم Kimi K3.1 Pro باستخدام Claude-Code harness. جميع الدرجات مأخوذة من التقرير التقني الخاص بكل نموذج. GPT-6 Astra(https://openai.com/index/gpt-6-astra/). كلود أوبس 5.5 وكلود فيبل 5.1(https://www.anthropic.com/claude-opus-5-5-system-card و https://www.anthropic.com/claude-fable-5-1-mythos-5-1-system-card)؛ DeepSeek-V4.1-Flash-1017 (https://api-docs.deepseek.com/news/news261017/)؛ GLM-5.3 (https://z.ai/blog/glm-5.3).
4. SWE-Marathon v1.1. تم تقييم Kimi K3.1 Pro باستخدام Claude-Code harness. تم تقييم DeepSeek-V4.1-Flash-1017 باستخدام ClaudeCode harness. جميع الدرجات الأخرى مأخوذة من لوحة صدارة SWE-Marathon الرسمية (https://www.swe-marathon.org/).
5. PostTrainBench. تم تقييم Kimi K3.1 Pro وDeepSeek-V4.1-Flash-1017 داخليًا على v1.2 باستخدام Claude-Code harness وبطاقات H20 GPUs بدلًا من H100 GPUs. لضمان تقييم مستقر، استخدمت جميع نماذج التحكيم DeepSeek-V4.1-Flash-1017 بأقصى جهد، وهو ما تطابق على أفضل وجه مع حكم GPT-5.6-Terra (xhigh) الرسمي أثناء الاختبار. الدرجات الأخرى مأخوذة من لوحة الصدارة الرسمية (https://posttrainbench.com/).
6. ProgramBench (درجة ثنائية). نعرض درجات ثنائية بدلًا من درجات ProgramBench الخام: تحصل المهمة على درجة 1 إذا كانت درجتها في ProgramBench ≥95%، و0 فيما عدا ذلك. تم تقييم Kimi K3.1 Pro باستخدام Claude-Code harness. أما درجات DeepSeek-V4.1-Flash-1017 وGLM-5.3 فمأخوذة من مدونة الإصدار (https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017)؛ وجميع الدرجات المتبقية مأخوذة من لوحة صدارة Vals ProgramBench (https://www.vals.ai/benchmarks/programbench).
7. معيار البرمجة الداخلي: Kimi Code Bench 2.0 وKimi Code Bench 3.0 Long-horizon. تم تقييم Kimi K3.1 Pro باستخدام Claude-Code harnesses؛ وجميع النماذج الأخرى تم تقييمها عند إعدادها بأقصى جهد. يُلاحظ أن اختبار النماذج الاحتكارية قد يتضمن بعض سلوك الاحتياط (fallback).
8. BenchCAD. النماذج المفتوحة نقوم بتقييمها على مجموعات فرعية مكوّنة من 1,000 حالة مُستخلصة عشوائياً من مجموعة Vision2Code الكاملة البالغة 17,900 حالة، وبأقصى جهد استدلال. وتستخدم نتائج مع الأدوات بيئة Claude Code، بينما تستخدم نتائج بدون أدوات توليداً من لقطة واحدة مع مطالبات BenchCAD الرسمية وخط تقييم الدرجات الرسمي. أما درجات Claude Fable 5.1 وClaude Opus 5.5 فمأخوذة من بطاقة نظام Claude Opus 5.5؛ ودرجة GPT‑6 Astra مع الأدوات مأخوذة من تقريرها الرسمي. لم يُبلّغ GPT‑6 Astra عن درجة بدون أدوات، ولذلك سُجّل بعلامة «—».

المعايير الوكيلة (Agentic benchmarks)

1. مجموعة بيانات BioMysteryBench مأخوذة من الإصدار الرسمي v11، مع Kimi K3 كنموذج حَكَم. نقوم بتقييم Kimi K3.1 Pro مع Kimi Code، وGLM-5.3 وDeepSeek-V4.1-Flash-1017 مع Claude Code، وGPT-6 Astra مع Codex. أما درجات نماذج Claude فمأخوذة مباشرةً من بطاقات النظام الرسمية الخاصة بها.
2. مجموعة بيانات Our Agents’ Last Exam مأخوذة من الإصدار الرسمي v1.1، وتضم 122 مهمة، من بينها 86 مهمة CLI، مع صور بيئات متوافقة مع الإصدار الرسمي على Hugging Face. كما نُسند درجة صفر إلى الأشواط التي تتجاوز المتطلبات المعلنة للمهمة، مثل جلب الإجابات من الإنترنت بدلاً من إجراء التحليل المطلوب في Wireshark. يُقيَّم DeepSeek باستخدام Claude Code وKimi باستخدام Kimi Code. وجميع النتائج الأخرى مأخوذة من الموقع الرسمي للمعيار.
3. OfficeQA Pro، OfficeQA Pro v2. يُقيَّم GPT-6 Astra باستخدام Codex، بينما تُقيَّم جميع النماذج الأخرى باستخدام Claude Code. توفر كل مهمة للوكيل مجموعة PDF الكاملة، حيث تُعرض جميع ملفات PDF كصور دون أي نص مقروء آلياً. لاحظنا في مسارات بعض النماذج الخارجية حالات جلبت فيها إجابات مرجعية من الإنترنت؛ وبناءً على ذلك أسندنا درجة صفر إلى هذه المهام.
4. يُقيَّم Frontier Finance باستخدام بيئة finance agent v2 الرسمية.
5. يُقيَّم HANDBOOK.md باستخدام البيئة الرسمية المبنية على OpenHands، مع سحب مهام التقييم من الإصدار المفتوح المصدر المبكر v1 للمعيار.
6. يُقيَّم Harvey Legal Agent على مجموعة بيانات عامة مكوّنة من 1,251 مهمة باستخدام بيئة Stirrup من Artificial Analysis، ويُبلَّغ عن الأداء كمعدل النجاح الكامل (أي نسبة المهام التي تجتاز جميع معايير سلم التقييم).
7. يُقيَّم OSWorld V2.1 باستخدام بيئة Kimi Agent في مستودع OSWorld v2 الرسمي، بينما تُؤخذ درجة GPT-6 Astra من التقرير التقني لـ Muse Wonder.
8. يقيّم DECK-Arena إنشاء العروض التقديمية على استعلامات واقعية، بينما يغطي Design Bench التصميم الجرافيكي عبر المطالبة المباشرة وبالأمثلة القائمة على صور مرجعية؛ ويشغّل كلاهما النماذج عبر python-pptx وpptxjs ولغة DSL الداخلية من Kimi في بيئة تتضمن بحثاً وتوليد صور مدمجين، باستخدام مُقيِّم آلي معايَر على أكثر من 10,000 حكم بشري.
9. MCP Atlas. تُقيَّم جميع النماذج على المجموعة الفرعية العامة المكونة من 500 مهمة بحد أقصى 100 دورة، باستخدام Gemini 3.1 Pro كحَكَم.
10. BrowseComp. نعتمد استراتيجية ضغط السياق المستخدمة في بطاقات نماذج Claude، والتي تُفعَّل عند 200K رمزاً. نسمح بحد أقصى 500 خطوة؛ وإذا وُصل إلى هذا الحد قبل إتمام المهمة، نُلزم الوكيل بتقديم إجابة تُقيَّم بعد ذلك. تُجرى جميع أشواط BrowseComp عند temperature=1.0 وtop-p=1.0.
11. درجات GDPval-AA v2.1 وAA-Briefcase v1.1 وAutomationBench-AA مقتبسة من https://artificialanalysis.ai/، ودرجات Apex Agents مقتبسة من https://www.mercor.com/apex/apex-agents-leaderboard/
12. يُحسب متوسط GDP.pdf w/ python وZeroBench w/ python وChartoGraphy w/ python على خمسة أشواط. أما معايير multimodal الأخرى (w/ python) فيُحسب متوسطها على أربعة أشواط. بالنسبة إلى GDP.pdf w/ python: يُرسَل كل ملف PDF أصلي إلى بيئة التنفيذ (sandbox)، حيث يمكن للنموذج استخدام أداة IPython لمعالجته. تُقيَّم الردود النهائية وفق كل معيار من معايير سلم التقييم باستخدام Gemini-3.5-Flash (بجهد استدلال متوسط) وموجّه التقييم الرسمي. نُبلّغ عن متوسط معدل اجتياز سلم التقييم على مستوى المهام: لكل مهمة، نحسب متوسط نسبة معايير سلم التقييم المحققة على خمسة أشواط مستقلة، ثم نحسب متوسط هذه الدرجات على مستوى المهام بالتساوي عبر جميع المهام.

معايير Reasoning & Knowledge & Multimodal

1. GDP.pdf. يُقدَّم كل ملف PDF كصور صفحات تم تغيير حجم أطول ضلع فيها إلى 1,152 بكسل، متداخلة بنص مستخرَج عبر Docling بترتيب الصفحات. تُقيَّم الردود وفق كل معيار من معايير سلم التقييم باستخدام Gemini-3.5-Flash Medium وموجّه التقييم الرسمي. نُبلّغ عن معدل النجاح الصارم بين الردود المقيَّمة بالكامل.
2. يقيّم HLE وHLE-Diamond قدرات المعرفة العامة والاستدلال. نُبلّغ عن الدقة على مجموعات التقييم الكاملة، بواقع 2,500 سؤال لـ HLE و1,000 سؤال لـ HLE-Diamond. أما النماذج المميزة بعلامة النجمة (*) فتُبلَّغ دقتها على المجموعة الفرعية النصية فقط من الأسئلة.
3. يُحسب متوسط GDP.pdf وZeroBench وChartoGraphy على خمسة أشواط. أما معايير multimodal الأخرى فيُحسب متوسطها على أربعة أشواط. وتُقتبس درجات GDP.pdf لـ GLM-5.3 Max وDeepSeek-V4.1-Flash-1017 Max من https://artificialanalysis.ai/.
4. يُقيَّم MMMU-Pro وفق البروتوكول الرسمي، مع الحفاظ على الترتيب الأصلي للمدخلات وتقديم الصور قبل الإدخال النصي.
5. يقيس معيار Kimi Hallucination Benchmark الدقة الواقعية على مجموعة داخلية من المطالبات الصعبة وغير المحددة الهوية المستمدة من مهام عمل عملية. نحن نبلغ عن معدل الهلوسة على مستوى الادعاء كما يتم تقييمه بواسطة وكلاء التحقق من الحقائق.

معايير الأمن السيبراني

1. ExploitBench. يتم تقييم Kimi K3.1 Pro باستخدام حزمة ExploitBench الرسمية ضمن ميزانية 300 دورة. نبلغ عن درجة القدرة القصوى pass@5: لكل بيئة، أفضل تشغيل عبر 5 بذور، ويتم التقييم بعدد علامات القدرة التي تم الوصول إليها من أصل 16، حيث يُحتسب تحقيق تنفيذ تعسفي للشيفرة كتحقيق جميع القدرات الـ 16. درجة GPT-6 Astra مأخوذة من https://openai.com/index/gpt-6-astra/؛ ودرجات Claude Opus 5.5 وClaude Mythos 5.1 مأخوذة من https://www.anthropic.com/claude-opus-5-5-system-card؛ ودرجة GLM-5.3 مأخوذة من https://z.ai/blog/glm-5.3.
2. ExploitGym. يتم تقييم Kimi K3.1 Pro باستخدام حزمة KimiCode ضمن ميزانية زمنية حقيقية قدرها 6 ساعات لكل مهمة. درجة GPT-6 Astra مأخوذة من https://openai.com/index/gpt-6-astra/؛ ودرجات Claude Opus 5.5 وClaude Mythos 5.1 مأخوذة من https://www.anthropic.com/claude-opus-5-5-system-card عند الميزانية الزمنية البالغة 6 ساعات؛ ودرجة GLM-5.3 مأخوذة من https://z.ai/blog/glm-5.3.
3. xdev-Bench-hard: يتم تقييم Kimi K3.1 Pro باستخدام حزمة KimiCode. أما GLM-5.3 وDeepSeek-V4.1-Flash-1017 فيتم تقييمهما باستخدام حزمة Claude Code.