Сначала ответ
Kimi K4 официально не выпущена, и Moonshot AI не публиковала финальные спецификации, результаты бенчмарков, цены API или дату выхода. Самый сильный публичный сигнал на данный момент — сообщения, что Moonshot ищет дополнительную емкость Nvidia Blackwell для преемника, который ожидается существенно крупнее Kimi K3. Это значимое свидетельство подготовки следующего поколения модели, но не официальный анонс продукта.
Ответственно можно обсуждать направление развития K4. Текущая Kimi K3 на 2,8 трлн параметров уже сочетает разрежённое масштабирование Mixture-of-Experts, нативное зрение, контекст в миллион токенов и возможности долгогоризонтных агентов. Поэтому Kimi K4, вероятнее всего, будут оценивать по надёжности агентного исполнения, глубине в кодинге, мультимодальному рассуждению и эффективности масштабирования, а не только по числу параметров.
Главный вывод прост: Kimi K4, судя по всему, находится в разработке, но почти каждая числовая характеристика за пределами компании остаётся неподтверждённой. Любой достоверный обзор должен разделять проверенные факты о K3, сообщения о K4 и прогнозные выводы.
Что такое Kimi K4?4
Kimi K4 — публичное название, используемое для предполагаемого преемника Kimi K3. Её следует рассматривать как модель в разработке, а не анонсированный API-продукт. Moonshot AI не публиковала карточку модели K4, технический отчёт, идентификатор API, страницу с ценами, лицензию или таблицу бенчмарков.
The Information сообщает, что Moonshot AI обсуждает планы по Kimi K4. Со ссылкой на двух осведомлённых лиц сообщается, что K4 существенно крупнее K3, и Moonshot ищет доступ к дополнительным чипам Nvidia Blackwell для подготовки модели. Однако это не подтверждает ни пять, ни шесть триллионов или любое другое точное число параметров, и не проясняет, выйдет ли K4 с открытыми весами, будет ли доступна только как хостинговый продукт или разделится на несколько вариантов.
Эта неопределённость важна, потому что релизы Kimi исторически объединяли веса модели, хостинговые API, пользовательские продукты и специализированные агентные системы. Будущий анонс K4 может относиться к одной модели, семейству моделей или более широкой системе вокруг роутинга, инструментов, памяти и мультимодальных компонентов.
Почему Kimi K4 привлекает внимание так рано?
Kimi K3 подняла планку масштабирования открытых весов
Kimi K3 задала необычно амбициозный базовый уровень. Её официальное описание модели указывает 2,8 трлн общих параметров, 104 млрд активируемых параметров, 93 слоя, 896 маршрутизируемых экспертов, 16 выбираемых экспертов на токен, двух общих экспертов и длину контекста 1 048 576 токенов. Модель также включает 401-миллионный визуальный энкодер MoonViT-V2.
Эта комбинация важна по двум причинам. Во-первых, она показывает, что модели с открытыми весами могут масштабироваться до того же широкого класса возможностей, что и ведущие проприетарные системы. Во-вторых, её разрежённый дизайн демонстрирует, что общее число параметров и стоимость инференса — не одно и то же: для каждого токена активна лишь подвыборка экспертов.
Сообщения указывают на ещё более крупного преемника
Отраслевые сообщения говорят, что Moonshot AI ищет дополнительные ресурсы класса Blackwell для K4 и описывают планируемую модель как существенно более крупную, чем K3. Это лучший публичный признак того, что K4 — не просто спекуляция сообщества, но он не раскрывает финальную архитектуру, график обучения, размер модели и план развёртывания.
История с вычислениями важна, потому что масштаб создаёт два разных узких места. Обучение требует достаточного количества ускорителей, сетей, хранилищ и инженерной устойчивости для завершения фронтирного прогона. Обслуживание же требует отдельной стратегии инференса, способной обеспечить приемлемые задержки и стоимость. Более крупной K4 поэтому понадобятся архитектурные и системные улучшения, а не только больше «железа».
Архитектура K3 спроектирована для дальнейшего масштабирования
Технический блог Moonshot о Kimi K3 описывает Kimi Delta Attention и Attention Residuals как архитектурный «каркас» модели, предназначенной для масштабирования за пределы триллионного режима. Kimi Delta Attention обеспечивает эффективный фундамент внимания, тогда как Attention Residuals избирательно извлекает представления по глубине модели вместо их равномерного накопления.
K3 также использует Stable LatentMoE, фактически активируя 16 из 896 маршрутизируемых экспертов. Quantile Balancing выводит распределение экспертов из квантилей оценок роутера, а Per-Head Muon оптимизирует головы внимания независимо. Эти решения указывают на задачи, которые предстоит решить K4: стабильный роутинг, сбалансированная загрузка экспертов, эффективное внимание на длинном контексте и предсказуемое обучение на экстремальном масштабе.
Почему Kimi K4 будет иметь значение, если Kimi K3 уже модель на 2,8T?
Kimi K3 уже работает на необычно большом масштабе, поэтому K4 нельзя оценивать лишь по тому, стало ли параметров больше. Более содержательный вопрос — обеспечивают ли дополнительные вычисления обучения лучшее завершение задач, более надёжную работу на длинном горизонте и более низкую эффективную стоимость инференса.
Полезная оценка K4 должна сосредоточиться на четырёх метриках:
- Коэффициент завершения задач
- Надёжность агентов на длинном горизонте
- Успешность в кодинге
- Стоимость за успешно выполненную задачу
Последняя метрика особенно важна для разработчиков. Модель, которая дешевле за успешное исправление репозитория, может быть ценнее модели с более высоким бенчмарк-результатом, но существенно большим числом провальных траекторий.
Ожидаемые характеристики Kimi K4
Таблица ниже различает подтверждённый технический базис K3, сообщения о K4 и прогнозы. «Ожидается» не означает «объявлено». Поля «неизвестно» должны оставаться неизвестными, пока Moonshot AI не опубликует карточку модели или документацию API.
| Основание спецификации | Kimi K3 подтверждено | Kimi K4 публичные сообщения | Уровень уверенности |
|---|---|---|---|
| Статус модели | Выпущена | В разработке | По сообщениям |
| Архитектура | Разрежённая MoE | Не раскрыта; вероятно эволюция разрежённой MoE | Предположение |
| Всего параметров | 2.8T | Сообщается, что существенно больше K3 | По сообщениям; точное неизвестно |
| Активируемые параметры | 104B | Не раскрыто | Неизвестно |
| Конфигурация экспертов | 896 маршрутиз.; 16 выбираются; 2 общих | Не раскрыто | Неизвестно |
| Окно контекста | 1,048,576 токенов | Вероятно не менее 1M, но не подтверждено | Ожидается |
| Внимание | KDA плюс Gated MLA | Возможна следующая версия KDA | Предположение |
| Нативное зрение | MoonViT-V2 | Вероятно сохранение мультимодальности | Ожидается |
| Открытые веса | Доступны | Не подтверждено | Неизвестно |
| Идентификатор модели в API | kimi-k3 | Не объявлен | Неизвестно |
| Дата релиза | Доступна | Не объявлена | Неизвестно |
Самое важное ограничение — строка с параметрами. «Существенно больше» не даёт точного размера. Аналогично, миллионный контекст K3, мультимодальный дизайн и релиз с открытыми весами нельзя переносить в спецификацию K4 как подтверждённые факты. Это правдоподобные ожидания по направлению, а не заявленные обязательства по продукту.
Какие возможности может представить Kimi K4?
-
Более крупное, но более эффективное масштабирование разрежённой MoE
Ожидаемо — более крупная модель Mixture-of-Experts. Важнее вопрос, улучшит ли K4 соотношение между общей ёмкостью, активируемой ёмкостью и стоимостью сервинга. Увеличение пула экспертов без улучшения роутинга может привести к недоиспользованным специалистам, «горячим» экспертам, коммуникационным узким местам и нестабильному обучению.
Достоверный прогресс K4 сочетал бы дополнительную ёмкость с более равномерной нагрузкой, более специализированными экспертами, меньшими долями активации или более сильной координацией между экспертами. Ничего из этого не раскрыто, поэтому об этом следует говорить как о инженерных целях, а не «утекших» фичах.
Более продвинутая Kimi Delta Attention
Kimi Delta Attention — ключ к длинному контексту K3. Следующее поколение могло бы улучшить извлечение на миллионных входах, сократить память состояния внимания и сохранять важную информацию во время длинных агентных прогонах. Практический тест — не размер окна контекста сам по себе, а способность находить, комбинировать и использовать далёкие свидетельства без агрессивного чанкинга или повторного поиска.
Более надёжные агенты для длинных горизонтов
Kimi K3 уже ориентирована на длительную техническую и исследовательскую работу. Её официальные демонстрации включают разработку компиляторов, оптимизацию GPU-ядра, научный код, интерактивные исследования, разработку игр и рабочие процессы проектирования чипов. K4 нужно превратить эти впечатляющие демонстрации в более стабильное повседневное исполнение.
Важные метрики — меньше лишних вызовов инструментов, лучшее удержание целей, лучшее восстановление после неудачных действий, более надёжная проверка и меньшая дисперсия между прогонами. Модель, которая один раз проходит сложный бенчмарк, но ведёт себя непредсказуемо в продакшене, менее полезна, чем чуть слабее модель с надёжным исполнением.
Более сильные навыки программирования и инженерии ПО
K4, вероятно, останется сильно сфокусированной на кодинге, но фронтир уже ушёл дальше генерации отдельных функций. Конкурентоспособные модели для разработки ПО должны картировать репозитории, понимать зависимости, работать в терминале, менять несколько файлов, запускать тесты, диагностировать сбои и корректировать подход.
K3 уже сильна на ProgramBench, SWE-Marathon, FrontierSWE и в терминальных задачах. Самая ясная возможность K4 — закрыть оставшийся разрыв в глубоком ремонте репозиториев, сохранив преимущество K3 в длительной многошаговой работе.
Более глубокая нативная мультимодальность
K3 объединяет текст и зрение на уровне модели, а примеры продуктов Moonshot расширяют эту возможность до видеомонтажа и разработки с «зрением в цикле». K4 может улучшить пайплайны «скриншот-в-код», рассуждение по графикам и документам, понимание временной структуры видео, тестирование интерфейсов и агентов, которые осматривают визуальные результаты перед продолжением.
Ключевое различие — между приёмом изображений и использованием восприятия в замкнутом контуре. Мультимодальному агенту нужно наблюдать рендер, выявлять несоответствие, редактировать работу и проверять правку. Это сложнее, чем ответить на единичный визуальный вопрос.
Лучшая эффективность вывода и развёртывания
Модель, крупнее K3, может быть сложна для самостоятельного хостинга даже при доступных весах. K4 помогут обучение с учётом квантизации, эффективный параллелизм экспертов, спекулятивное декодирование, оптимизированное управление KV-состояниями и более компактные спутниковые варианты. Для большинства команд хостинговый API может оставаться практичнее, чем эксплуатация разрежённой модели фронтирного масштаба напрямую.
Каких результатов на бенчмарках нужно добиться Kimi K4?
У K4 нет опубликованных результатов бенчмарков. Ответственный подход — зафиксировать планку, заданную K3 и текущими фронтирными конкурентами, а затем определить, где преемнику нужно улучшаться. Расширенный базис ниже охватывает рассуждение, кодинг, работу в терминале, глубокие исследования, агентную работу со знаниями и задачи с таблицами. Все значения взяты из официальной карточки модели Kimi K3, на которую ведёт ссылка в заголовке таблицы.
| Официальный набор бенчмарков | Kimi K3 | GPT-5.6 Sol | Claude Fable 5 | Claude Opus 4.8 |
|---|---|---|---|---|
| GPQA Diamond | 93.5 | 94.1 | 92.6 | 91.0 |
| DeepSWE | 67.5 | 73.0 | 70.0 | 59.0 |
| ProgramBench | 77.8 | 77.6 | 76.8 | 71.9 |
| Terminal-Bench 2.1 | 88.3 | 88.8 | 88.0 | 84.6 |
| FrontierSWE | 81.2 | 71.3 | 86.6 | 66.7 |
| SWE-Marathon | 42.0 | 39.0 | 35.0 | 40.0 |
| Kimi Code Bench 2.0 | 72.9 | 64.8 | 76.9 | 71.7 |
| BrowseComp | 91.2 | 90.4 | 88.0 | 84.3 |
| DeepSearchQA (F1) | 95.0 | Not reported | 94.2 | 93.1 |
| ResearchRubrics | 76.2 | 73.8 | Not reported | 73.5 |
| GDPval-AA v2 (Elo) | 1686 | 1736 | 1747 | 1593 |
| SpreadsheetBench 2 | 34.8 | 32.4 | 34.7 | 31.6 |
Это сравнения, заявленные Moonshot, а не единая контролируемая независимая таблица лидеров. Некоторые модели оценивались через разные агентные каркасы, а официальные сноски описывают фолбэки, «кибер‑гварды», замену «железа», режимы рассуждения и специфические процедуры бенчмарков. GDPval-AA v2 — это рейтинг Elo и не должен сравниваться численно со строками в процентах. Небольшие различия в баллах не следует трактовать как универсальное превосходство.
Официальный снимок бенчмарков по программированию
Официальное сравнение Kimi K3 по кодингу. Изображение — графика публикации Moonshot; см. актуальную карточку модели и сноски для последних чисел и методологии оценки.
Результаты бенчмарков и интерпретация
GPT-5.6 Sol опережает Kimi K3 на DeepSWE, что указывает на преимущество в сложном ремонте ПО на уровне репозиториев. Claude Fable 5 лидирует на FrontierSWE, тогда как K3 остаётся значительно впереди GPT-5.6 Sol и Claude Opus 4.8 на этом бенчмарке.
Профиль K3 становится более выразительным в устойчивой работе. Она немного лидирует на ProgramBench и показывает лучший результат SWE-Marathon в выбранном сравнении. Также она лидирует на BrowseComp и фактически сравнивается с Claude Fable 5 на SpreadsheetBench 2.
Для K4 целью не должен быть фиксированный прирост процентов на каждом графике. Более полезная цель — улучшить глубокий ремонт кодовой базы и надёжность компьютерного использования, не потеряв сильные стороны K3 в длительном многошаговом кодинге, браузинге и агентной работе со знаниями.
Официальное сравнение Kimi K3 для общих и визуальных агентов. Источник: страница модели Moonshot AI Kimi K3.
Kimi K4 vs Kimi K3, GPT-5.6 Sol и Claude Fable 5
Досрелизное сравнение не может приписывать K4 несуществующие баллы. Но оно может показать конкурентную позицию, которую от K4 ожидают, если она продолжит линию K3.
| Параметр | Ожидаемая позиция Kimi K4 | Kimi K3 подтверждено | Закрытые эталоны: GPT-5.6 Sol и Claude Fable 5 |
|---|---|---|---|
| Доступность | В разработке | Доступна | Доступны |
| Открытость модели | Неизвестно | Открытые веса | Закрытая |
| Подтверждённый контекст | Неизвестен | 1M токенов | Определяется провайдером или класс 1M |
| Основная сильная сторона | Ожидаемый фронтирный интеллект большего масштаба | Долгосрочное программирование и работа со знаниями | Фронтирные рассуждения, кодинг и компьютерное использование |
| Мультимодальность | Ожидается; не подтверждено | Нативное зрение | Мультимодальность |
| Самостоятельный хостинг | Неизвестно | Возможен при значительной инфраструктуре | Недоступен |
| Зрелость агентов | Ожидается улучшение | Сильная | Сильная |
| Стоимость развёртывания | Неизвестна и потенциально высока | Высока для self-hosting; доступно хостинговое API | Только хостинговое API |
| Главная причина следить | Масштаб плюс возможная открытость | Подтверждённая открытая базовая планка фронтира | Максимальные возможности закрытых моделей |
Итог сравнения
Kimi K3 выделяется открытыми весами, окном контекста в миллион токенов и сильной работой на длинном горизонте. GPT-5.6 Sol остаётся сильнее в некоторых сложных задачах рассуждения и ремонта репозиториев, а Claude Fable 5 особенно конкурентоспособна в инженерии ПО и агентах для компьютерного использования.
Если K4 останется открытой или широко доступной, одновременно закрыв эти разрывы в возможностях, её значимость выйдет за рамки большей численности параметров. Это покажет, что открытые или полуоткрытые системы могут приблизиться по надёжности к сильнейшим проприетарным агентным платформам. Если K4 окажется закрытой и крайне дорогой в сервинге, практическое отличие будет куда меньше.
Что может означать Kimi K4 для ИИ с открытыми весами?
K3 уже показывает, что разработка с открытыми весами входит в масштаб, ранее почти исключительно ассоциировавшийся с проприетарными лабораториями. K4 может продвинуть эту границу дальше, но открытость многослойна: скачиваемые веса, пригодный код, рабочая лицензия, воспроизводимый инференс, доступные аппаратные требования и доступные хостинговые API.
Модель может быть технически «открытой», но экономически недоступной. Масштаб 2,8T у K3 означает, что серьёзный self-hosting требует существенной инфраструктуры даже при разрежённой активации и квантизации. Ещё более крупная K4 может расширить разрыв между исследователями, которые могут изучать веса, и организациями, которые способны эффективно эксплуатировать модель.
Для более широкой экосистемы идеальный релиз K4 сочетал бы прозрачные веса, эффективные рецепты инференса, сильное поведение в использовании инструментов и хостинговый API. Такая комбинация позволит исследователям изучать модель, предприятиям — развернуть её через API, а специализированным командам — адаптировать под приватные или регулируемые нагрузки.
Когда выйдет Kimi K4?
Moonshot AI не объявляла дату релиза Kimi K4. Публичные сообщения связывают модель с закупкой вычислительных ресурсов и планированием разработки. Поэтому точный месяц, квартал или обратный отсчёт ненадёжны.
Также неизвестно, появится ли K4 одновременно в веб‑продукте Kimi, Kimi Code, Kimi Work, Moonshot API и репозитории с открытыми весами. K3 доступна на нескольких из этих поверхностей, но K4 может пойти поэтапным релизом или иной стратегией дистрибуции.
Сигналы, за которыми стоит следить: официальный технический блог Moonshot, проверенный репозиторий модели, документация Kimi Platform, опубликованная лицензия и карточка модели с воспроизводимыми деталями оценки. Посты в соцсетях и слухи о параметрах должны оставаться вторичными, пока не появятся эти источники.
Как получить доступ к моделям Kimi в ожидании K4
K4 сейчас недоступна для вызова. Разработчики могут оценить текущую архитектуру через Kimi K3 на CometAPI. Текущий идентификатор модели — простой код: kimi-k3. Запрос использует POST /v1/chat/completions. Не отправляйте продакшен‑запросы на спекулятивный идентификатор kimi-k4, пока его не опубликует официальная страница интеграции.
Создайте аккаунт CometAPI и сгенерируйте ключ API. Храните ключ в переменной окружения, а не в исходном коде приложения.
from openai import OpenAI client = OpenAI( api_key="YOUR_COMETAPI_KEY", base_url="https://api.cometapi.com/v1", ) response = client.chat.completions.create( model="kimi-k3", messages=[ { "role": "user", "content": "Analyze the architecture of this software project." } ], ) print(response.choices[0].message.content)
Код — на Python. Endpoint, идентификатор модели, имена параметров и ключевые слова кода преднамеренно представлены как код, а не гиперссылки. Когда K4 станет доступна, разработчики должны подтвердить её реальный идентификатор модели, совместимость endpoint’а, поддерживаемые модальности и цены перед изменением продакшен‑роутинга.
Чего мы до сих пор не знаем о Kimi K4
Ответственная досрелизная статья должна сохранять следующие неизвестные, а не заполнять их оценками сообщества:
- Финальное общее и активируемое число параметров
- Число экспертов, общих экспертов и стратегия роутинга
- Окно контекста и максимальная длина вывода
- Поддерживаемые входные и выходные модальности
- Статус открытых весов, репозиторий и лицензия
- Идентификатор модели в API, endpoint’ы, режимы рассуждения и цены
- Официальные результаты бенчмарков и используемые каркасы оценки
- Форматы квантизации и аппаратные требования для self-hosting
- Доступность в продуктах и дата релиза
Поддержание явности этого раздела предотвращает превращение прогнозных спецификаций в «официальные факты» при последующих пересказах. Это также упрощает обновление статьи, когда Moonshot AI опубликует первичную документацию.
FAQ
Kimi K4 уже вышла?
Нет. Нет официальной карточки модели Kimi K4, документации API или публичного анонса релиза. Текущая дискуссия в основном основана на сообщениях, что Moonshot AI готовит более крупного преемника K3.
Насколько большой будет Kimi K4?
Точный размер неизвестен. В сообщениях говорится, что она может быть существенно крупнее K3, но конкретные заявления о мульти‑триллионных параметрах Moonshot AI не подтверждала.
Будет ли Kimi K4 открытой?
Это не подтверждено. У K3 открытые веса под лицензией Kimi K3 License, но прошлые стратегии релиза не гарантируют ту же дистрибуцию для K4.
Будет ли Kimi K4 с окном контекста в миллион токенов?
Разумно ожидать, что K4 сохранит или улучшит длинный контекст K3, но Moonshot AI не публиковала лимит контекста K4.
Могут ли разработчики использовать Kimi K4 через CometAPI сейчас?
Подтверждённого маршрута для K4 нет. Разработчики могут сейчас тестировать Kimi K3 и сравнивать её с другими фронтирными моделями через тот же слой интеграции.
Заключение
Kimi K4 не следует сводить к слухам о числе параметров. K3 уже доказывает, что Moonshot AI может сочетать экстремальный разрежённый масштаб, миллионный контекст, нативное зрение, открытые веса и агентное поведение на длинном горизонте. Реальный вопрос — сможет ли K4 превратить этот масштаб в более надёжную инженерию ПО, более сильное компьютерное использование, лучшие мультимодальные циклы обратной связи и более эффективный инференс.
Самые важные детали остаются неизвестными: точная архитектура, дата релиза, бенчмарк‑баллы, лицензия, доступ к API и стоимость сервинга. Пока Moonshot не опубликует первичную документацию, все спецификации K4, выходящие за рамки сообщения о разработке, должны помечаться как ожидания или предположения.
Разработчикам не нужно ждать, чтобы оценить текущее направление Moonshot AI. Kimi K3 уже доступна через CometAPI, предоставляя практический базис для кодинга, рассуждений на длинном контексте, мультимодального анализа и агентных рабочих процессов до выхода Kimi K4.