Kimi K3.1 Pro è ora disponibile per l'annotazione automatica su Ultralytics Platform
Kimi K3.1 Pro di Moonshot AI è ora disponibile su Ultralytics Platform. Ha ottenuto 0.444 mAP50 nella nostra classifica VLM Leaderboard, un terzo in più rispetto a Kimi K3, e si posiziona al 7° posto su 29 modelli.
Moonshot AI ha rilasciato Kimi K3.1 Pro il 23 ottobre 2026 ed è disponibile per l'annotazione automatica su Ultralytics Platform già da oggi. Lo abbiamo sottoposto allo stesso test di tutti gli altri modelli della nostra VLM Leaderboard: 360 immagini provenienti da 36 dataset di rilevamento del mondo reale.
Kimi K3.1 Pro ha ottenuto 0.444 mAP50, un terzo in più rispetto a Kimi K3 (0.334), e si posiziona al 7° posto su 29 modelli, dieci posizioni sopra il suo predecessore. Tutti i modelli che lo precedono sono modelli proprietari di Google, Anthropic o OpenAI.
Le novità di Kimi K3.1 Pro#
Kimi K3.1 Pro è il primo modello della serie K3.1 di Moonshot e, secondo Moonshot, è il suo modello open-weight di classe 3T più potente finora. È una versione di Kimi K3 sottoposta a post-training, realizzata con una quantità di calcolo di post-training notevolmente maggiore, con una finestra di contesto da 1 milione di token e input di immagini e video. Ragiona sempre prima di rispondere e Moonshot prevede di rilasciare i pesi completi entro il 4 novembre 2026. L'annuncio di Moonshot illustra i risultati ottenuti nella programmazione, nella finanza e nella riduzione delle allucinazioni.
Moonshot ha anche abbassato i prezzi. Kimi K3.1 Pro costa 2 $ per milione di token in input e 10 $ per milione di token in output, rispetto ai 3 $ e 15 $ di Kimi K3.
Kimi K3.1 Pro per l'annotazione automatica su Ultralytics Platform#
Kimi K3.1 Pro si aggiunge ai modelli linguistici visivi con prompt di classe nell'editor di annotazione di Ultralytics Platform. Su un dataset di rilevamento di oggetti con 1–200 classi, analizza ogni immagine e restituisce riquadri di delimitazione per le istanze delle classi del dataset che individua. Puoi quindi esaminarli e salvarli come qualsiasi altra predizione.
Puoi usarlo in due modi:
- Un'immagine alla volta: nell'editor di annotazione, passa alla modalità Smart, seleziona Kimi K3.1 Pro sotto Kimi nel selettore dei modelli e fai clic su Predict (oppure premi
P). - Un intero dataset: avvia Annotazione in batch da Altre azioni > Annotazione in batch nella pagina del dataset per etichettare tutte le immagini non etichettate in un'unica esecuzione.
Per vedere il modello in azione prima di aggiungere una chiave, apri la pagina del modello Kimi K3.1 Pro su Ultralytics Platform. La pagina riproduce le predizioni registrate di Kimi K3.1 Pro su 10 immagini di COCO, accanto ai riquadri previsti, e mostra il punteggio del modello su ogni dataset di benchmark.
Come abbiamo testato Kimi K3.1 Pro#
Un modello che individua quasi tutti gli oggetti nelle foto di tutti i giorni può comunque non rilevarne la maggior parte in una scansione medica o su un circuito stampato. Per questo, tutti i modelli della VLM Leaderboard vengono sottoposti allo stesso test congelato, UL37 v2: 10 immagini etichettate estratte casualmente da ciascuno dei 36 dataset di rilevamento di UL37, una raccolta di dataset di benchmark del mondo reale che Ultralytics usa per la valutazione. I dataset coprono imaging medico, immagini aeree e satellitari, ispezione di PCB, radiografie di sicurezza, scaffali di negozi, traffico, sport, scene subacquee, riprese termiche e altro.
Ogni immagine passa attraverso la pipeline di annotazione di produzione di Ultralytics Platform insieme ai nomi delle classi del relativo dataset, esattamente come avviene con la modalità Smart e Batch Annotation, incluso il passaggio SAM 3.1 che affina i riquadri di ogni modello. Valutiamo i riquadri con le metriche di rilevamento del pacchetto Ultralytics e calcoliamo la media considerando allo stesso modo tutti e 36 i dataset. La metodologia della VLM Leaderboard contiene tutti i dettagli.
Per Kimi c'è una differenza nelle impostazioni. Kimi K3.1 Pro usa per impostazione predefinita il livello massimo di ragionamento di Moonshot. Nei nostri test, con l'impostazione massima Kimi K3 superava il limite di 115 secondi di Ultralytics Platform per circa il 40% delle immagini; per questo Ultralytics Platform esegue tutti i modelli Kimi con un livello di ragionamento alto. Kimi K3 e Kimi K3.1 Pro sono stati entrambi testati in questo modo.
Kimi K3.1 Pro a confronto con Gemini 4 Argon, Claude Opus 5.5 e GPT-6 Astra#
Kimi K3.1 Pro ha ottenuto 0.444 mAP50. Gemini 4 Argon (0.537), Claude Opus 5.5 (0.527), GPT-6 Astra (0.525), Gemini 3.8 Flash (0.516), GPT-6.1 Sol (0.514) e Claude Sonnet 5.5 (0.472) hanno ottenuto punteggi più alti, mentre Kimi K3.1 Pro ha superato Claude Haiku 5.5 (0.429), Claude Fable 5.1 (0.427) e tutti i modelli open-weight che eseguiamo sulle nostre GPU, a partire da Gemma 4 31B (0.390), che non è ancora disponibile su Ultralytics Platform.
Sono migliorate entrambe le componenti del punteggio. La precisione è salita a 0.560 rispetto allo 0.439 di Kimi K3 e il richiamo è passato da 0.376 a 0.483: una percentuale maggiore dei riquadri era corretta e il modello ha individuato più oggetti etichettati.
Kimi K3.1 Pro a confronto con Kimi K3: dove si notano i miglioramenti#
Kimi K3.1 Pro ha migliorato i risultati di Kimi K3 in 25 dataset su 36 e in 8 domini su 12. I maggiori progressi si sono registrati in sport (0.68 contro 0.28), strade e traffico (0.49 contro 0.26) e documenti, interfacce utente e CAD (0.41 contro 0.26). Nel dataset delle palline da tennis, il punteggio è passato da 0.08 a 0.74 mAP50, alla pari con Gemini 3.8 Flash per il punteggio più alto su quel dataset; nel dataset CeyMo per la segnaletica stradale, è salito da 0.17 a 0.80.
In ambito sportivo, Kimi K3.1 Pro ha superato anche Gemini 4 Argon (0.68 contro 0.60) e ha ottenuto punteggi superiori ad Argon in sei dataset, tra cui quelli delle palline da tennis, del calcio, delle spighe di grano e delle ecografie tiroidee.
Non tutti i domini hanno registrato miglioramenti. I risultati sono peggiorati in ambito subacqueo e nelle radiografie di sicurezza (un dataset ciascuno), mentre quelli del commercio al dettaglio sono calati leggermente (0.47 contro 0.48); i difetti industriali dei PCB sono rimasti vicini allo zero per entrambi i modelli Kimi. Le immagini specialistiche restano difficili per tutti i modelli, quindi considera i riquadri di Kimi K3.1 Pro come una prima bozza da sottoporre a verifica con intervento umano e controlla alcune predizioni sulle tue immagini prima di annotare un intero dataset.
Precisione, costo e velocità#
I modelli a pagamento usano la tua chiave API del provider, che addebita direttamente ogni predizione. Nel nostro benchmark, Kimi K3.1 Pro è costato circa 22.50 $ per 1.000 immagini, una cifra vicina ai 21.50 $ di Kimi K3. Il prezzo per token è inferiore di un terzo, ma il modello ha usato più token per immagine; quindi l'aggiornamento offre circa un terzo di precisione in più a un costo simile.
Non è il modo più economico per raggiungere questo livello di precisione. Cinque dei sei modelli che lo precedono costano meno, tra cui Gemini 4 Argon (circa 7.60 $ per 1.000 immagini) e Claude Opus 5.5 (circa 13.90 $); Claude Haiku 5.5 si è avvicinato a Kimi K3.1 Pro entro circa 0.015 mAP50, costando circa 0.37 $ per 1.000 immagini.
Kimi K3.1 Pro è anche lento. La richiesta mediana ha richiesto circa 22 secondi per immagine, contro i 4.6 secondi di Gemini 4 Argon e i 2.7 secondi di Claude Opus 5.5; inoltre, il 6.4% delle richieste non è stato completato entro il limite di 115 secondi di Ultralytics Platform, rispetto all'1.7% di Kimi K3. Un'immagine per cui scade il tempo a disposizione viene restituita senza riquadri, ma puoi eseguire di nuovo la predizione. Moonshot offre anche Kimi K3.1 Pro Highspeed, che a suo dire è da due a tre volte più veloce con le stesse capacità; Ultralytics Platform offre la versione standard di Kimi K3.1 Pro.
Inizia a usare Kimi K3.1 Pro su Ultralytics Platform#
- Crea una chiave API su Kimi API Platform, quindi aggiungila in Impostazioni > Chiavi API nell'area di lavoro a cui appartiene il dataset oppure chiedi al proprietario dell'area di lavoro di aggiungerne una (scopri come).
- Apri un dataset di rilevamento su Ultralytics Platform, passa alla modalità Smart nell'editor di annotazione e seleziona Kimi K3.1 Pro sotto Kimi.
- Fai clic su Predici per etichettare l'immagine corrente, quindi esamina, modifica e salva i riquadri.
- Quando i risultati ti soddisfano, avvia Annotazione in batch per etichettare il resto del dataset.
Batch Annotation applica la tariffa standard di elaborazione di Ultralytics Platform, pari a 1.00 $ per 1.000 immagini, separata da quanto Moonshot addebita alla tua chiave API. Prima di ogni esecuzione viene salvata una versione del dataset, così puoi sempre ripristinare quella precedente.
Quando il dataset è etichettato, addestra un modello Ultralytics YOLO26 nello stesso spazio di lavoro (consulta la documentazione sull'addestramento). Per confrontare Kimi K3.1 Pro con il modello in testa, leggi il nostro articolo sull'annotazione automatica con Gemini 4 Argon oppure consulta tutti i modelli nella VLM Leaderboard e le pagine dei modelli di Ultralytics Platform. Poi accedi a Ultralytics Platform per provare Kimi K3.1 Pro sui tuoi dati.
Domande frequenti
Kimi K3.1 Pro è il modello di punta della serie Kimi K3.1 di Moonshot AI, rilasciato il 23 ottobre 2026. È una versione di Kimi K3 sottoposta a post-training, con una finestra di contesto da 1 milione di token e input di immagini e video; Moonshot prevede di rilasciarne i pesi entro il 4 novembre 2026. Su Ultralytics Platform è disponibile come modello di annotazione automatica con prompt di classe, che disegna riquadri di delimitazione per le classi del tuo dataset.
Sì. Nella nostra VLM Leaderboard, Kimi K3.1 Pro ha ottenuto 0.444 mAP50 contro lo 0.334 di Kimi K3, ha migliorato i risultati in 25 dataset su 36 e ha avuto un costo per immagine simile (22.50 $ contro 21.50 $ per 1.000 immagini). La richiesta mediana è stata leggermente più rapida, ma i timeout sono stati più frequenti (6.4% contro 1.7% delle richieste).
Nel nostro benchmark, Gemini 4 Argon (0.537 mAP50) e Claude Opus 5.5 (0.527) sono risultati più precisi, veloci ed economici per immagine. Kimi K3.1 Pro (0.444) si posiziona al 7° posto su 29 modelli, superato solo da modelli proprietari di Google, Anthropic e OpenAI; inoltre, ha ottenuto punteggi superiori a Gemini 4 Argon in sei dataset, tra cui quelli delle palline da tennis, del calcio, delle spighe di grano e delle ecografie tiroidee.
Moonshot addebita i costi direttamente alla tua chiave API: 2 $ per milione di token in input e 10 $ per milione di token in output. Nel nostro benchmark, il costo è stato di circa 22.50 $ per 1.000 immagini. Batch Annotation applica inoltre la tariffa di elaborazione di Ultralytics Platform, pari a 1.00 $ per 1.000 immagini.
Sì. I modelli ospitati, come Qwen3.8 27B, Gemma 4 26B e SAM 3.1 Text, vengono eseguiti su Ultralytics Platform senza bisogno di una chiave del provider; puoi anche eseguire l'annotazione automatica con modelli Ultralytics YOLO preaddestrati o sottoposti a fine-tuning da te.
