Kimi K3.1 Pro登場：ゲーム制作、編集できる3Dモデル、数式で連動する財務諸表

Moonshot AI（月之暗面）は、K3.1シリーズの最初のモデルとなるKimi K3.1 Pro、および公式発表で応答速度が2〜3倍向上したとされる高速版Kimi K3.1 Pro Highspeedを公開しました。現在、KimiのWeb版、デスクトップ版、モバイル版、およびAPIで同時に提供が開始されており、完全なモデルウェイトは後日公開される予定です。

公式に開示された仕様では、総パラメータ数は2.8T（約2兆8000億）、アクティブパラメータ数は104B（約1040億）です。モデルはMoE（Mixture of Experts）アーキテクチャを採用しており、各推論時には現在のタスクに適合する一部のエキスパートネットワークのみを呼び出します。これはモデル全体が104Bしかないことを意味するものではなく、マルチモーダル入力にも対応しています。100万トークンは単一の呼び出しで処理可能な最大コンテキスト容量であり、トークン化の規則に照らすと100万文字の中国語テキストと等しいわけではありません。

今回のアップグレードがもたらした主な変化は以下の通りです。

• 断片的なツールをつなぎ合わせて完全なプロジェクトを構築：Unity、Unreal Engine、Godotなどのゲームエンジンにおいて、資料の検索、3Dアセットの生成、シーンの組み立てから制御スクリプトの作成までを一貫して連携させ、実際に動作するプロジェクトとして完成させます。
• 数値を変更するだけで3Dモデルを直接再構築：BlenderやCADのスクリプトを作成・実行し、パラメータを変更することで部品の寸法やシーンの構造を更新します。
• 複数の表にまたがる財務・財政データの照合：図表を含むデータ資料を直接読み込み、追跡可能な計算式を通じて複数の諸表を連動させます。内部の事実性ストレステストにおける誤りも前世代より減少しました。
• シミュレーション環境における根本的な不具合の自律的解決：学習後の強化学習（Post-training RL）に支えられ、長期にわたる複雑なタスクの中で継続的にテストを実行し、異常現象を診断して根本的な論理エラーを特定します。

コードを書く段階から、プロジェクト全体を動かす段階へ

完全なソフトウェアやゲームのプロジェクトを形にするには、個別のコードを書くだけでなく、アートアセット、ビジネスロジック、シーン構築、そして実際の実行テストを完全に結びつける必要があります。今回のK3.1 Proの技術アプローチは、K3をベースに事後学習の計算資源を大幅に増やし、数百の応用分野で連携した強化学習を実施したことです。平たく言えば、タスク環境の中でモデル自身に直接ツールを操作させ、その結果に基づいて手順を継続的に改善させる手法です。開発チームはこのために、長文コンテキスト推論、サンドボックス隔離、タスクスケジューリング、環境の品質検査に向けてインフラを最適化しました。

公式に示されたGodot 4.7.2のアクションアドベンチャーゲームでは、これらの工程が統合されています。探索可能な5つのエリアには地形、道路、水域、植生、村落が存在し、キャラクターは三人称視点での戦闘、2段階のボス戦、資源採集を行うことができ、昼夜の変化や焚き火を通じたファストトラベルも体験できます。プロジェクトにはQuaternius、Kenney、KayKitなどの既存のモデルパッケージやフォントが使用されており、モデルの役割は素材、プロシージャル生成されたシーン、ゲームプレイのロジックを結びつけて実際に動作するゲームに仕上げることでした。

長期にわたるタスクでは、異常な結果の背後にある原因をモデルが見つけ出すことも求められます。公式技術ブログで開示された人体歩行の動力学シミュレーションテストでは、オープンソースの解剖学モデル human-atlas（軟骨を含む296個の骨格コンポーネント、および402個の筋肉コンポーネントで構成）をベースに、歩行コントローラーを構築しました。167件のサブタスクと420回の独立した再検証で構成される長期サイクルの中で、シミュレーション上の人体は、最初の数秒でバランスを崩して倒れていた状態から、交互に足を踏み出して11.2秒間連続歩行できる状態へと段階的に調整されました。

「どのように歩けば高得点が得られるか」という報酬ルール（報酬シェイピング）を調整するだけでは腕の自然な振りを解決できなかった際、モデルは単に表層の重み付けで試行錯誤するのではなく、物理エンジンの物理シミュレーションの挙動を単独でテストし、肩の筋肉の力が関節をどのように回転させるかという計算式を精査しました。そこから肩のモーメントアームの計算エラーを36箇所発見して修正し、その上でコントローラーのトレーニングを再開しました。

コマンドラインとサンドボックス環境でデバッグを繰り返すこれらの能力は、複数の公式ベンチマークの性能と境界にも反映されています。厳しく制限された現実のターミナルデバッグベンチマークであるTerminal-Bench 4.0において、K3.1 Proは65.7%を記録し、Claude Opus 5.5（66.4%）に迫り、GPT-6 Astra（58.2%）を上回りました。長期ソフトウェアエンジニアリングベンチマークのSWE-Marathonでは51.7%を達成し、Claude Opus 5.5（46.3%）を上回っています。内部の長期コーディングベンチマークであるKimi Code Bench 3.0 Long-horizonでは、K3.1 Proのスコアは61.2%となり、前世代K3の55.95%を上回ったものの、GPT-6 Astraの66.5%には及びませんでした。

科学研究向けターミナルベンチマークであるTerminal-Bench Science 0.1では、K3.1 Proのスコアは38.1%にとどまり、GPT-6 Astra（68.1%）やClaude Opus 5.5（63.3%）に後れを取っており、特定の科学研究ターミナルタスクにおける限界を示しています。

ツールを活用した知識およびシステム操作テストでは、K3.1 Proはツール併用のHLEで70.0%を記録（Opus 5.5の67.7%を上回る）、OSWorldでは79.6%に達しました（Opus 5.5の81.8%をわずかに下回る）。

これらのスコアはKimiによってまとめられ開示されたものです。各モデルはおおむね最高思考レベルで動作していますが、タスクを実行する実行フレームワーク（Harness）は完全に同一ではなく、一部の比較スコアは公開レポートやランキングの最大値から引用されています。これらの数値を読み解く際には、ツールの動作環境と合わせて比較する必要があります。

3Dモデルを作成した後でも、なぜ寸法を変更できるのか

3Dモデリングにおいて、一般的な生成モデルは外観が固定されたポリゴンメッシュを直接出力することが大半です。この種のメッシュは完全な外観を表現できるものの、構造の寸法を変更したい場合には、頂点を手動で微調整するか、モデル全体を再生成するのが通例でした。

パラメトリックモデリングの違いは、モデルが幾何構造を構築するためのプログラムスクリプトを出力する点にあります。例えば取り付け穴のある機械部品を作成する場合、スクリプトには部品の長さ・幅・高さ、穴の直径がすべて明確な数値変数として記述されます。後から穴の大きさを変更する必要が生じた場合でも、スクリプト内の穴径の数値を変更してコードを再実行するだけで、ソフトウェアが新しいパラメータに沿ってモデルを再構築します。この方式により、幾何構造はパラメータを通じていつでも調整可能な柔軟性を備え、修正時も元のモデリング手順を辿りながら再生成することができます。

K3.1 Proは、BlenderやCADソフトウェアに向けてこうしたスクリプトを記述・実行できます。公式が謳う「外部MCPコネクタ不要」とは、スクリプトの記述を通じてソフトウェアを利用できることを指しており、ローカル環境でBlenderやCADを操作させるには、PC側に対応するソフトウェアと実行環境があらかじめ用意されている必要があります。

スクリプトによるモデリングでは、部品の構造、組み立て順序、運動関係をモデル内に記述することもできるため、3Dの成果物をその後の修正、分解・組み立て、あるいは3Dプリントのワークフローへと引き渡すことができます。

例えば、公式のターボファンエンジンモデルはFreeCAD上でPythonを用いて構築されており、ファン、減速ギアボックス、圧縮機、燃焼室、タービン、外部配管など2,100個のソリッド部品を含んでいます。映像ではこれらのコンポーネントを段階的に組み付け、透明な外殻や分解図（エクスプロードビュー）を通じて内部を観察できます。ファン、低圧軸、高圧軸はそれぞれ2,780、8,590、12,400 RPMで回転する様子が再現されています。これは部品同士の組み立て関係や運動関係を表現したものであり、実際の製造要件を満たしているかどうかは別途工学的な検証が必要です。

Trimeshを用いて構築された別のモジュール式テーブルランプでは、3Dモデルが実際のモノづくりへと接続されています。福建土楼の円形外観を透かし彫りのランプシェードにし、モデルはプリント可能な5つの部品に分割されています。公式動画では、まず部品の分割と組み立てが示され、続いて3Dプリンターの稼働風景、白いランプシェードの完成品、そして点灯時の様子が撮影されており、デジタルモデルがプリントと組み立ての工程へどう移行するかが確認できます。

モデリングスクリプトをオフラインで実行するだけでなく、専門的なクライアントソフトなしにブラウザ上でそのまま動作するインタラクティブな3D成果物も提供されています。

• 3D自動車ショールームページ：カスタムThree.jsベースで開発され、ブラウザ上で視点を自由に回転・ドラッグしたり、特定の機械パーツをクリックしてフォーカスしたり、スライダーを動かして車両全体の分解と再組み立てをトリガーしたり、ボディカラーの切り替えが可能です。布を取り払う演出やカメラワークはBlenderでベイクされています。
• 3Dロボットアーム展示ページ：周囲からの観察、ジェスチャーや視点の切り替え、外装カバーの透明化や非表示化が可能で、内部パーツを展開して観察した後に再組み立てすることもできます。

複数のアングルからレンダリングされた画像からCADコードを再構築するBenchCAD評価において、公式は17,900件の事例を含むVision2Codeデータセットから1,000サンプルを無作為に抽出しました。このベンチマークでは、生成された3D幾何形状と標準参照モデルとの空間的な体積の重なり度合いを測定するためにボクセルIoU（Voxel IoU、%）を採用しています。これは幾何学的な外形全体の重なりの一致度を反映するものであり、工業機械製造における加工公差や組み立て精度を意味するものではありません。

評価条件下において、ツール呼び出しを併用したK3.1 Proの平均Voxel IoUは92.7%に達し、Claude Opus 5.5（96.2%）やGPT-6 Astra（95.9%）に迫りました。一方、外部ツールを使用しない単一生成テストでは、K3.1 Proのスコアは72.8%となり、Claude Opus 5.5の73.0%と同水準でした。

製品への適用として、Kimiプラットフォームでは 3D Make 機能が同時にリリースされました。ユーザーがWeb上でアイデアを入力して生成された3Dモデルをプレビュー・編集できるほか、3Dプリント用ファイルを直接ダウンロードしたり、共有用の動画やLive Photoとしてエクスポートしたりすることが可能です。

財務諸表は連動し、研究の結論は出典を辿れる必要がある

財務モデリングにおいて、アナリストはデータ間の連動ロジックを極めて重視します。公式に示されたエヌビディア（NVDA）の財務モデルを例にとると、いわゆる「数式連動」とは、ワークブック内である売上成長率や売上原価の前提条件を調整すると、関連する財務諸表や企業価値評価の計算が数式を通じて自動的に更新され、セルの計算式を遡ることで誰でも各数値の出所を突き止められる状態を指します。発表スレッドでは将来キャッシュフローを現在価値に割り引くDCFモデルや、借入による買収のリターンと返済圧力を評価するLBOモデルに言及されていましたが、技術ブログから実際にダウンロードできるNVDAのワークブックは、DCFを中心とした16枚のワークシートからなるバリュエーションモデルです。このほか、CATL（寧徳時代）の投資委員会向け報告資料や、出典の種類を区別した引用が付された量子コンピューティングの業界レポートも公開されています。

これら3種類の成果物はいずれも原本ファイルが提供されており、計算と論証のプロセスを直接検証できます。

• エヌビディア財務モデル（XLSXをダウンロード）：まず Assumptions の事業前提を確認し、損益計算書・貸借対照表・キャッシュフロー計算書（IS、BS、CF）のシート間数式を追跡して計算を確認します。さらに Checks で整合性検証を確認し、最後に DCF や Valuation の企業価値評価と Data_Sources の出典を照合します。なお、このダウンロードファイルにはLBOという名称の独立したシートは存在しません。
• CATL投資委員会報告資料（PPTXをダウンロード / PDFを閲覧）：まず市場予想を整理し、実績値および会社ガイダンスと対比して乖離要因を解説した上で、今後の判断に影響し得るイベントやリスクを整理しています。資料では会社発表、データベース、証券会社レポート、独自試算が階層別に明記され、食い違う集計基準も併記されています。
• 量子コンピューティング業界レポート（PDFを閲覧）：技術ロードマップ、指標の基準値、市場予測を軸に分析を展開し、主張を証拠および今後の検証条件へと紐付け、巻末には数百件の引用が付されています。引用には異なる情報源レベルが含まれ、未検証の元資料も明記されているため、読者は個々の結論の根拠を遡って調査できます。

公共財政資料や財政データ分析を専門に評価するOfficeQA Pro v2ベンチマークにおいて、K3.1 Proは64.4点を獲得しました。このテストではモデルに財政PDFのページレンダリング画像全体を入力し、コピー可能なテキストデータは提供されないため、ページを跨いだ視覚的位置特定と多段階の数値照合能力が試されます。このテストについてMoonshot AIはレポート内で、一部の外部モデルがWeb検索で参考解答を取得した軌跡については今回の集計で0点として扱ったと説明しています。投資ワークフロー全体を評価するFrontier Financeベンチマークでは、K3.1 Proのスコアは58.6点となり、Claude Fable 5.1（60.8点）を下回りました。

Moonshot AIが開示した3つの内部金融ベンチマークにおいても、各指標の向上が見られます。数式連動とワークブックの品質を評価する財務モデリング（Financial Modeling）のスコアは50.4から57.6へと向上（7.2ポイント増）。証拠の連鎖と基準時点の監査可能性を評価する財務リサーチ（Financial Research）のスコアは58.8から70.4へと向上（11.6ポイント増）。仮想環境内での多段階の経営判断を評価する模擬企業経営（Business Operation）のスコアは8.9から37.0へと向上しました（前世代の約4.2倍。これはシミュレーション環境タスクのスコアであり、現実の投資リターンを示すものではありません）。

公式が言及する「ハルシネーション65%削減」は、回答に含まれる検証可能な事実に関する主張（Claim）が誤っていた割合を比較したものです。例えばモデルがある分析を提示した場合、その内容は通常、複数の独立した言明（企業の設立年、特定四半期の売上高、基幹技術のリリース時期など）に分解され、評価内のファクトチェックAgentがこれらの言明の真偽を1つずつ検証します。

内部の高難度ストレステスト（Kimi Hallu Bench Hard）において、前世代K3の主張単位の事実誤り率は23.4%でしたが、K3.1 Proでは8.3%に低下しました。相対的な削減幅で計算すると (23.4% - 8.3%) ÷ 23.4% ≈ 64.53%（約65%）となり、絶対値では15.1ポイント低下しています。同時に、少なくとも1箇所の事実誤りを含む回答の割合は、前世代の当該割合の42.4%まで低下しました。これは誤りを含む回答の発生頻度が前世代より大幅に減ったことを示すものであり、現在の回答の42.4%に誤りがあることを意味するものではありません。このテストはモデルが混同しやすい境界的な問題を意図的に選定して負荷をかけているため、これらの数値は日常的な一般的な対話における実際の誤り率を表すものでもありません。また、同じHard条件下において、GPT-6 Astraの主張誤り率は5.5%であり、依然としてK3.1 Proの8.3%を下回っています。

ウェイト公開の前に行われた能力の取捨選択

事後学習における強化学習の規模が拡大するにつれ、長期的なコードのデバッグにおいてモデルが発揮する汎用能力は、システムのセキュリティや脆弱性悪用の領域にも自然と波及していきます。将来的にモデルウェイトを公開した際の悪用リスクを軽減するため、Moonshot AIはモデルのトレーニング段階で意図的な能力の切り離しを実施しました。

チームは中期の学習コーパスおよび強化学習環境から、サイバーセキュリティの脆弱性悪用に直結するデータを特定して排除する一方、モデルの日常的なプログラミング能力を担保するために必要な汎用コードタスクは維持しました。

内部ベンチマークであるxdev-bench-hard（ハードタイムアウトおよび出力上限の制限なしで実施）の評価結果によると、このデータフィルタリングは明確な効果の差をもたらしました。

• サイバー攻撃に関連するデータを除外しない場合、モデルの pass@3（3回の試行で少なくとも1回成功）の解決率は90.5%に達していました。
• 的を絞ったデータの切り離しを経た結果、最終的にリリースされたK3.1 Proの解決率は81.0%に抑制されました。
• 意図的なリスク抑制策を講じた後であっても、K3.1 Proの成績は前世代K3の33.3%を大幅に上回っており、複雑なコードのデバッグに関する汎用的な知見が脆弱性関連タスクにも転移することを示しています。
• 評価に挙げられているクローズドソースモデルのGPT-5.6-Solは100%の pass@3 を達成していますが、サードパーティによるものであり異なるHarness下で動作しているため、完全に同一の環境における直接的な順位付けと見なすことはできません。

この結果から、オープンウェイト化に向けたセキュリティ上の配慮が説明されています。フロンティアレベルの攻撃能力を高めないことを目指す一方で、コードの監査やデバッグの能力を備えたツールをより多くの開発者の手に届け、長期にわたりメンテナンスが行き届いていない既存ソフトウェアの検査に役立ててもらう意図があります。現在、完全なウェイトはまだ公開されていません。

どこで使えるか、1つのタスクにいくらかかるか

現在、以下のチャネルを通じてK3.1 Proを利用できます。

1. マルチデバイスでの対話：Kimi Web版にアクセスするか、モバイルアプリ（iOS、Android、HarmonyOS対応）をダウンロードまたは更新、あるいはデスクトップでKimi Work（バージョン3.1.0以上、WindowsおよびApple Silicon Mac対応）を使用します。
2. エンジニアリングコーディング：Kimi Code内で /model コマンドを実行し、表示名 Kimi K3.1 Pro を選択します。
3. エンタープライズ導入：Kimi Enterpriseの管理者が管理画面で必要に応じて有効化できます（リリース時点ではデフォルトで無効）。
4. モデルウェイト：遅くとも11月4日までに完全なウェイトを公開すると公式に予告されています。

開発者向けアクセスとして、公式APIプラットフォームでは2つのモデルIDが同時に提供されています。

• 標準版（kimi-k3.1-pro）：入力単価は $2.00 / MTok（100万トークンあたり）、出力は $10.00 / MTok、キャッシュヒット時の入力は $0.20 / MTok です。公式説明によると、この基本単価は前世代K3の約3分の2です。
• 高速版（kimi-k3.1-pro-highspeed）：入力単価は $4.00 / MTok、出力は $20.00 / MTok で、通常入出力の単価は標準版の2倍、キャッシュヒット時の入力は同様に $0.20 / MTok です。公式発表では速度が2〜3倍向上するとしていますが、完全なプロジェクトではツールの実行やファイル処理などの待機時間も発生するため、タスク全体の所要時間が同等に短縮されることが保証されるわけではありません。また、APIユーザー向けには任意のプライバシー保護機能としてZero Data Retention（データを保持しない設定）が提供されています。

長期タスクを担うAgentを実際に運用する予算を見積もる際、開発者は1回の呼び出し単価と、複雑なタスクにおける複数往復の累積コストを区別する必要があります。エンドツーエンドの複雑なエンジニアリングでは、Agentがログの読み取り、複数回のテスト実行、反復的な自己修正を継続して行うため、コンテキストの規模はステップを重ねるごとに蓄積されていきます。

内部のxdev-bench-hardの評価統計を例にとると、モデルが1件の成功軌跡を完了するまでに消費した累計入力コンテキストは平均1億5980万トークン（159.8 MTok）、累計出力は54万6000トークン（546 KTok）に達しました。これはタスク全体で複数回の呼び出しにわたって累積消費された入力ボリュームです。個々の呼び出し自体は依然として1Mコンテキストウィンドウの制限を受け、また日常的な一般ユーザーの利用量を表すものでもありません。標準版の単価を適用し、コンテキストキャッシュを全く使用しないと仮定して試算すると、1件の成功軌跡に対応するトークン費用は約325.06ドル（159.8 × $2.00 + 0.546 × $10.00）と見積もられます。これは単価の掛け算による例示に過ぎず、公式が実際に請求した金額ではなく、デバッグ過程での失敗した再試行や環境構築のコストも含まれていません。

コンテキストキャッシュ（Prompt Cache）の効果は、複数回のやり取りの中に大量の重複する履歴プレフィックスが含まれる場合、ヒットした入力部分を $0.20 / MTok で計算できる点にあります。上の計算ツールで想定するキャッシュ再利用率を自由に設定できますが、実際にどれだけ費用を抑えられるかは実際のキャッシュヒット率に依存し、固定的な削減率が保証されているわけではありません。

また、公式が開示したTerminal-Bench 4.0のタスクコスト分析図によると、同評価で示された特定の構成下において、K3.1 Proは同等のターミナルデバッグ成績を達成しながらも、1問あたりの平均支出が低く抑えられています。ただし、この結論は特定のベンチマーク環境と価格設定に基づくものであり、多様な実際の商用プロジェクトとは異なります。また、同散布図内の他モデルの基準は全体の概要チャートと完全に同一ではないため、汎用的なコストパフォーマンスの正確な倍率として直接当てはめることはできません。