Kimi K3.1 Pro: Bobot Open-Weight Dijanjikan Hari Ini, Ini Cara Mencobanya

Kimi K3.1 Pro adalah model AI open-weight terbaru dari Moonshot AI, hasil post-training lanjutan dari Kimi K3 (Mixture-of-Experts 2,8 triliun parameter, konteks 1 juta token). Modelnya sudah bisa dipakai lewat API sejak akhir Oktober, dan Moonshot berjanji merilis bobot penuhnya paling lambat hari ini, 4 November 2026.

Kenapa ramai? Karena di beberapa benchmark agen dan coding, skor yang dilaporkan Moonshot sudah menempel model tertutup kelas atas, padahal harga API-nya cuma $2 per juta token input. Begitu bobotnya terbuka, siapa pun dengan infrastruktur cukup bisa menjalankannya sendiri.

Artikel ini merangkum apa yang baru, angka-angka pentingnya, perbandingan dengan alternatif, dan cara mencobanya hari ini juga.

Apa sebenarnya yang baru di Kimi K3.1 Pro?

K3.1 Pro tidak mengubah arsitektur K3. Menurut Moonshot, perubahannya ada di pelatihan: compute post-training jauh lebih besar, dengan reinforcement learning bersama di "ratusan domain hilir". Hasilnya diklaim terasa di coding jangka panjang, tugas agen, alur kerja 3D, dan riset keuangan.

• Basis model: Kimi K3, MoE 2,8T parameter total dengan 104B parameter aktif per token.
• Konteks: 1.048.576 token (1M), dipakai bersama untuk input dan output.
• Input multimodal: gambar dan video bisa jadi input; model tidak menghasilkan video.
• Selalu "berpikir": mode reasoning tidak bisa dimatikan. Tingkat effort-nya low, high, atau max (bawaan max).
• Dua varian: kimi-k3.1-pro dan kimi-k3.1-pro-highspeed yang diklaim 2–3 kali lebih cepat.
• Halusinasi turun: di uji internal Kimi Hallu Bench Hard, tingkat halusinasi level klaim turun dari 23,4% (K3) ke 8,3%.

Soal tanggal rilis, sumber sedikit berbeda: sebagian menyebut 23 Oktober 2026 (hari API dan aplikasi aktif), sementara indeks riset Moonshot mencatat pengumuman 24 Oktober. Selisih ini kemungkinan karena zona waktu dan perbedaan antara listing router dan pengumuman resmi.

Seberapa kuat dibanding model tertutup?

Moonshot menerbitkan tabel benchmark yang membandingkan K3.1 Pro dengan Claude Opus 5.5 dan GPT-6 Astra. Hasilnya campuran: unggul di beberapa tugas agen, tertinggal jauh di tugas lain.

Benchmark (effort max)	Kimi K3.1 Pro	Claude Opus 5.5	GPT-6 Astra
Terminal-Bench 4.0	65,7%	66,4%	58,2%
SWE-Marathon v1.1	51,7%	46,3%	42,5%
DeepSWE v1.1	75,5%	74,2%	74,1%
BrowseComp	92,1%	90,8%	91,5%
OSWorld V2.1	79,6%	81,8%	75,8%
ProgramBench	31,5%	65,0%	50,0%
HLE-Diamond	39,4%	60,9%	65,8%
GPQA-Diamond	94,2%	93,9%	96,1%

Dua catatan penting sebelum terlalu bersemangat:

1. Ini angka vendor. Sebagian adalah uji internal Moonshot dengan harness berbeda-beda (misalnya Terminal-Bench 4.0 dijalankan dengan harness Claude Code), dan belum diverifikasi independen. Simon Willison mencatat K3.1 Pro masuk jajaran atas indeks Artificial Analysis, tapi itu juga bukan verifikasi tabel Moonshot.
2. Angka halusinasi tidak konsisten antar dokumen. Pos peluncuran menyebut 23,4% → 8,3%, sedangkan quickstart API menyebut 23,35% → 6,85%. Moonshot sendiri menyebut uji ini sebagai stress test, bukan tingkat kesalahan sehari-hari.

Berapa harganya dan kenapa itu menarik?

K3.1 Pro sepertiga lebih murah dari K3 di semua tarif. Harganya datar untuk seluruh jendela konteks 1M token, tanpa biaya tambahan konteks panjang.

Model	Input / 1M	Output / 1M	Input cache	Tulis cache (5 mnt / 1 jam)
kimi-k3.1-pro	$2,00	$10,00	$0,20	$2 / $4
kimi-k3.1-pro-highspeed	$4,00	$20,00	$0,20	$4 / $8
kimi-k3 (lama)	$3,00	$15,00	$0,30	$3 / $6

Akses API butuh top-up minimal $1, dan total top-up menentukan tier rate limit. Zero Data Retention tersedia untuk pelanggan API, poin yang relevan bila Anda memproses data pelanggan.

Bagaimana dengan "pengurangan kemampuan siber"?

Ini bagian paling menarik secara kebijakan. Untuk rilis open-weight, Moonshot menghapus data terkait keamanan siber dari korpus mid-training dan tugas siber dari lingkungan RL. Coding umum tetap dipertahankan.

Dampaknya terukur di benchmark eksploitasi internal xdev-bench-hard (pass@3): checkpoint tanpa filter menyelesaikan 90,5%, versi yang dirilis 81,0%, dan K3 hanya 33,3%. Artinya K3.1 Pro tetap jauh lebih kuat dari pendahulunya di sisi ini, hanya "direm" sedikit. Moonshot menyatakan tidak ingin merilis bobot yang mendorong batas absolut kemampuan siber ofensif, dan berencana menaikkannya bertahap.

Kapan bobotnya benar-benar bisa diunduh?

Janji Moonshot: "paling lambat 4 November 2026". Per pengecekan terakhir sumber-sumber yang kami baca (27 Oktober hingga 1 November), repositori K3.1 Pro belum muncul di organisasi moonshotai di Hugging Face, dan lisensinya belum diumumkan. K3 sebelumnya memakai lisensi khusus (Kimi K3 License) dengan syarat komersial, jadi jangan berasumsi K3.1 Pro otomatis berlisensi Apache atau MIT.

Sinyal dari ekosistem cukup kuat: sejumlah penyedia infrastruktur seperti Modal sudah mengumumkan dukungan "Day 0" untuk minggu ini. Anda bisa memantau sendiri lewat API publik Hugging Face:

# Daftar model terbaru dari organisasi moonshotai di Hugging Face
curl -s "https://huggingface.co/api/models?author=moonshotai&sort=lastModified&direction=-1&limit=5" \
  | python3 -c "import sys,json; [print(m['id'], m.get('lastModified','')) for m in json.load(sys.stdin)]"

Bisakah dijalankan sendiri (self-host)?

Bisa, tapi realistisnya hanya untuk tim dengan klaster GPU besar. Spesifikasi hardware K3.1 Pro belum resmi, jadi angka di bawah memakai file Kimi K3 yang sudah terukur (basis yang sama):

• Format native MXFP4: sekitar 1.561 GB, atau ±4,46 bit per parameter.
• Total memori residen: sekitar 1,8 TB termasuk KV cache dan overhead, misalnya 13× H200 (141 GB).
• Rekomendasi Moonshot untuk K3: konfigurasi supernode dengan 64 akselerator atau lebih karena kebutuhan bandwidth komunikasi.
• Kuantisasi agresif: build 1-bit Unsloth untuk K3 (UD-IQ1_S) sekitar 594 GB, masih butuh ±683 GB memori.
• GPU konsumen: perlu sekitar 75 kartu 24 GB untuk residen penuh. Offload ke RAM sistem diperkirakan hanya ±0,86 token/detik.

Untuk kebanyakan developer Indonesia, nilai praktis bobot terbuka bukan menjalankannya di laptop, melainkan: pilihan penyedia inference yang lebih banyak (harga bersaing), opsi on-premise untuk data sensitif di perusahaan besar, dan kebebasan fine-tuning bagi lab riset.

Bagaimana cara mencobanya sekarang lewat API?

Endpoint Moonshot kompatibel dengan format OpenAI, jadi SDK yang sudah Anda pakai bisa langsung diarahkan ke sana. Simpan kunci di variabel lingkungan MOONSHOT_API_KEY.

Tes cepat dengan curl

curl -s https://api.moonshot.ai/v1/chat/completions \
  -H "Authorization: Bearer $MOONSHOT_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"kimi-k3.1-pro","reasoning_effort":"low","messages":[{"role":"user","content":"Jelaskan MoE dalam 2 kalimat."}]}'

Python dengan SDK OpenAI

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["MOONSHOT_API_KEY"],
    base_url="https://api.moonshot.ai/v1",
)

resp = client.chat.completions.create(
    model="kimi-k3.1-pro",
    reasoning_effort="high",  # low | high | max (bawaan: max)
    messages=[
        {"role": "system", "content": "Kamu reviewer kode yang teliti."},
        {"role": "user", "content": "Review fungsi ini dan cari bug-nya: ..."},
    ],
)
print(resp.choices[0].message.content)

Beberapa jebakan dari dokumentasi Moonshot yang perlu diperhatikan:

• Jangan kirim temperature, top_p, atau penalti. Nilainya dikunci (temperature 1,0, top-p 0,95); hapus dari request.
• max_completion_tokens bawaannya 131.072, batas atas 1.048.576. Karena model selalu berpikir, token reasoning ikut dihitung.
• Tool calling: saat loop tool, kembalikan pesan asisten secara utuh, termasuk konten reasoning-nya.
• Gambar: URL gambar publik tidak diterima; pakai base64 atau referensi file yang diunggah.
• Pencarian web bawaan (Formula tool) sedang diperbarui dan belum disarankan untuk produksi.

Moonshot juga menyediakan endpoint kompatibel Anthropic (https://api.moonshot.ai/anthropic), sehingga alat seperti Claude Code bisa diarahkan ke Kimi lewat variabel ANTHROPIC_BASE_URL. Lewat OpenRouter, ID modelnya moonshotai/kimi-k3.1-pro.

Bagaimana posisinya dibanding model open-weight lain?

Gelombang open-weight raksasa sedang deras. Minggu lalu kami membahas Mistral Large 4 open-weight, dan di sisi agen coding ada DeepSeek Super-Agent. Dibanding DeepSeek-V4.1-Flash-1017, tabel Moonshot menunjukkan K3.1 Pro unggul jauh di Terminal-Bench 4.0 (65,7% vs 42,3%) dan Kimi Hallu Bench (5,4% vs 13,1%, makin rendah makin baik), tapi kalah tipis di DeepSWE v1.1 (75,5% vs 77,0%).

Kalau Anda membangun produk di atas beberapa model sekaligus, pola router seperti di artikel router chat dengan OpenAI Decisions API bisa dipakai untuk mengirim tugas murah ke K3.1 Pro dan tugas sulit (misalnya ProgramBench-style) ke model lain.

FAQ

Apakah Kimi K3.1 Pro gratis?

Di aplikasi Kimi tersedia untuk pengguna, tapi akses API berbayar ($2/$10 per juta token, top-up minimal $1). Bobotnya akan gratis diunduh, dengan syarat lisensi yang belum diumumkan.

Apakah bobotnya sudah ada di Hugging Face?

Per sumber yang kami baca (hingga 1 November), belum. Tenggatnya hari ini, 4 November 2026. Pakai perintah curl di atas untuk mengecek langsung.

Apa beda K3.1 Pro dan K3.1 Pro Highspeed?

Model yang sama dengan kecepatan 2–3 kali lebih tinggi, harga per token dua kali lipat. Highspeed tidak punya hasil benchmark terpisah.

Bisakah menjalankannya di satu GPU?

Tidak realistis. Bahkan kuantisasi 1-bit K3 butuh sekitar 683 GB memori. Untuk eksperimen, pakai API atau penyedia inference pihak ketiga.

Apakah aman dipakai untuk data pelanggan?

Moonshot menawarkan Zero Data Retention untuk pelanggan API. Tetap periksa kebijakan privasi, lokasi pemrosesan data, dan kewajiban UU PDP sebelum mengirim data pribadi.

Sumber

• DataCamp: Kimi K3.1 Pro, Benchmarks, Pricing, and How to Access It
• Digital Applied: Kimi K3.1 Pro Prices, Capabilities and Weight Release
• VKTR: Kimi K3.1 Pro Nears Top Proprietary Models as Moonshot Limits Its Cyber Skills
• Let's Data Science: Moonshot Releases Kimi K3.1 Pro API, Open Weights Due Nov 4
• AI Wiki: Kimi K3.1 Pro
• VRAM Calculator: Kimi K3.1 Pro VRAM Requirements
• ComputingForGeeks: Kimi K3.1 Pro API Setup