--- title: "Kimi K3.1 Pro Model Ağırlıkları Yayınlandı" url: https://blog.edumints.com/kimi-k3-1-pro-model-agirliklari-yayinlandi category: "LLM" date: 2026-11-05T08:07:10.503Z publisher: Edumints Blog lang: tr-TR source_name: "Hacker News" source_url: https://huggingface.co/moonshotai/Kimi-K3.1-Pro --- # Kimi K3.1 Pro Model Ağırlıkları Yayınlandı ## 1. Model Tanıtımı **Kimi K3.1 Pro**, açık ağırlıklı (open-weight), doğal olarak çok modlu (natively multimodal) ve ajantik yeteneklere sahip 3 trilyon parametre sınıfındaki en yetenekli model olarak karşımıza çıkıyor. **Kimi K3** temel alınarak yüzlerce alt alanda büyük ölçekli birleşik pekiştirmeli öğrenme (joint reinforcement learning) ile son eğitimden (post-training) geçirilen bu model, K3.1 serisinin ilk üyesidir. 1 milyon token'lık devasa bağlam penceresi (context window) sunan Kimi K3.1 Pro; kodlama, 3B (3D) tasarım oluşturma, finansal araştırma, olgusal doğruluk ve diğer ajantik yeteneklerde ciddi iyileştirmeler sağlıyor. - **Pratik Çıkarım:** Yazılım geliştiriciler için 1 milyon token bağlam penceresi, tüm bir kod tabanını veya kapsamlı teknik dokümantasyonu tek seferde modele besleyebilmek anlamına gelir. Bu durum, karmaşık RAG mimarilerine olan ihtiyacı azaltırken çok adımlı ajan (multi-step agent) iş akışlarında bağlam kopukluğunu önler. İlgili eğitim modülü: **Modeller: Hangisi, Ne Zaman?** ## 2. Model Özeti Modelin teknik mimarisi, devasa kapasiteyi verimli çıkarım (inference) ile dengelemek üzere tasarlanmıştır: - **Mimari:** Uzmanların Karışımı / Mixture-of-Experts (MoE) - **Parametre Yapısı:** Toplam 2.8T parametre, token başına aktif 104B parametre (896 uzmandan 16'sı seçilir + 2 paylaşılan uzman) - **Katman ve Dikkat (Attention) Mimarisi:** 93 katman (1 yoğun katman), 69 KDA + 24 Gated DSA (Uzun bağlam modellemesini daha verimli hale getirmek için Kimi K3'teki Gated MLA katmanları **Gated DeepSeek Sparse Attention** ile değiştirilmiştir) - **Boyutlar ve İndeksleme:** Dikkat gizli boyutu 7168, 96 dikkat başlığı, DSA indeks Top-K 2048, Latent MoE boyutu 3584, uzman başına gizli boyut 3072, kelime dağarcığı 160K ve 1.048.576 bağlam uzunluğu - **Aktivasyon ve Görsel Kodlayıcı:** SiTU-GLU aktivasyon fonksiyonu; 401M parametreli **MoonViT-V2** görsel kodlayıcı (Metin ve Görüntü modalitesi) - **Kuantizasyon:** Niceleme farkındalıklı eğitim (QAT) ile **MXFP4** ağırlıklar ve **MXFP8** aktivasyonlar - **Pratik Çıkarım:** 2.8T toplam parametreye rağmen yalnızca 104B parametrenin aktif olması ve modelin doğrudan MXFP4/MXFP8 kuantizasyon desteğiyle gelmesi, kendi sunucularında (self-hosted) model çalıştıran ekipler için VRAM maliyetini ve gecikme süresini (latency) önemli ölçüde düşürür. ## 3. Değerlendirme Sonuçları Test sonuçları (aksi belirtilmedikçe) maksimum akıl yürütme çabası (`reasoning effort max`), `temperature = 1.0` ve `top-p = 0.95` parametreleriyle elde edilmiştir. Kimi K3.1 Pro; **Claude Opus 5.5**, **GPT-6 Astra**, **Claude Fable 5.1**, **DeepSeek-V4.1-Flash-1017** ve **GLM-5.3** gibi güncel modellerle karşılaştırılmıştır: - **Kodlama (Coding):** **SWE Marathon v1.1** testinde **51.7** ile rakiplerini geride bırakırken, **Terminal-Bench 4.0**'da **65.7** (Claude Opus 5.5: 66.4) ve **DeepSWE v1.1**'de **75.5** puan almıştır. Araç destekli **BenchCAD w/ tools** skorunun 72.8'den **92.7**'ye çıkması, modelin harici araç kullanımındaki başarısını kanıtlar. - **Ajantik (Agentic) Görevler:** **HLE-Full w/ tools** testinde **70.0**, **BrowseComp**'ta **92.1**, **GDP.pdf w/ python**'da **85.7**, **ZeroBench_main w/ python (pass@5)** testinde **63.0**, **Agents' Last Exam (ALL / CLI)** testlerinde **43.2 / 44.2**, **Automation Bench-AA**'da **73.3**, **OfficeQA Pro v2**'de **64.4**, **Harvey Legal Agent**'ta **23.7** ve **HANDBOOK.md**'de **44.6** ile lider konumda yer almaktadır. Ayrıca Python destekli görsel/veri analiz testlerinde (**MMMU-Pro**: 90.0, **CharXiv**: 93.4, **BabyVision**: 95.4) ve finans/iş dünyası benchmark'larında (**GDPval-AA v2.1**: 1846 Elo, **Frontier Finance**: 58.6) üst düzey rekabetçi sonuçlar üretmiştir. - **Pratik Çıkarım:** Modelin özellikle Python yorumlayıcısı ve harici araçlarla (w/ tools) birleştirildiğinde en yüksek skorlara ulaşması, üretim ortamında **Tool Calling ve Multi-Step Agent'lar** geliştirirken Kimi K3.1 Pro'nun güçlü bir omurga olarak kullanılabileceğini göstermektedir. [](https://huggingface.co/moonshotai/Kimi-K3.1-Pro) --- **Kaynak:** Hacker News (https://huggingface.co/moonshotai/Kimi-K3.1-Pro) **Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/kimi-k3-1-pro-model-agirliklari-yayinlandi