Kimi K3.1 Pro artık Ultralytics Platform'da otomatik etiketleme için kullanılabiliyor

Moonshot AI, Kimi K3.1 Pro'yu 23 Ekim 2026'da yayımladı ve model bugün Ultralytics Platform'da otomatik etiketleme için kullanılabiliyor. Modeli, VLM Leaderboard'umuzdaki diğer tüm modellerle aynı testten geçirdik: Gerçek dünyadaki 36 nesne algılama veri kümesinden alınan 360 görüntü.

Kimi K3.1 Pro, 0.444 mAP50 puanı aldı; bu, Kimi K3'ün (0.334) puanından üçte bir daha yüksek ve modeli 29 model arasında 7. sıraya, önceki modelinden on basamak yukarıya taşıyor. Ondan üst sırada yer alan tüm modeller Google, Anthropic veya OpenAI'ın kapalı modelleri.

Kimi K3.1 Pro'daki yenilikler#

Kimi K3.1 Pro, Moonshot'ın K3.1 serisindeki ilk model ve Moonshot, bugüne kadarki en yetenekli 3T sınıfı açık ağırlıklı modeli olduğunu söylüyor. Çok daha fazla son eğitim hesaplama gücüyle oluşturulan Kimi K3'ün son eğitimden geçirilmiş bir sürümü olan model, 1 milyon tokenlık bağlam penceresine sahip ve görüntü ile video girdisi alabiliyor. Yanıt vermeden önce her zaman akıl yürütüyor ve Moonshot, modelin tüm ağırlıklarını 4 Kasım 2026'ya kadar yayımlamayı planlıyor. Moonshot'ın duyurusu, kodlama, finans ve halüsinasyon sonuçlarını ele alıyor.

Moonshot fiyatı da düşürdü. Kimi K3.1 Pro'nun fiyatı, Kimi K3 için 3 ve 15 dolar iken, milyon girdi tokenı başına 2 dolar ve milyon çıktı tokenı başına 10 dolar.

Ultralytics Platform'da otomatik etiketleme için Kimi K3.1 Pro#

Kimi K3.1 Pro, Ultralytics Platform açıklama düzenleyicisindeki sınıf istemli görsel dil modelleri arasına katılıyor. 1–200 sınıf içeren bir nesne algılama veri kümesinde, her görüntüyü inceliyor ve bulduğu veri kümesi sınıflarının örnekleri için sınırlayıcı kutular döndürüyor; sen de bunları diğer tahminler gibi gözden geçirip kaydediyorsun.

Bu özelliği iki şekilde kullanabilirsin:

• Tek seferde bir görüntü: Açıklama düzenleyicisinde Smart moduna geç, model seçicisinde Kimi altında Kimi K3.1 Pro'yu seç ve Predict'e tıkla (veya P tuşuna bas).
• Tüm veri kümesi: Etiketsiz her görüntüyü tek bir çalıştırmada etiketlemek için veri kümesi sayfasında More actions > Batch Annotation menüsünden Toplu Açıklama işlemini başlat.

Anahtar eklemeden önce nasıl çalıştığını görmek için Ultralytics Platform'daki Kimi K3.1 Pro model sayfasını aç. Sayfa, Kimi K3.1 Pro'nun 10 COCO görüntüsü üzerindeki kaydedilmiş tahminlerini beklenen kutuların yanında yeniden oynatıyor ve her kıyaslama veri kümesindeki puanını gösteriyor.

Kimi K3.1 Pro'yu nasıl kıyasladık#

Günlük fotoğraflardaki hemen her nesneyi bulan bir model, tıbbi taramalarda veya devre kartlarında nesnelerin çoğunu yine de kaçırabilir. Bu nedenle VLM Leaderboard'daki her model aynı sabit testten, UL37 v2'den geçiyor: Ultralytics'in değerlendirme için kullandığı gerçek dünyadaki kıyaslama veri kümelerinden oluşan UL37'deki 36 nesne algılama veri kümesinin her birinden rastgele seçilmiş 10 etiketli görüntü. Bu veri kümeleri tıbbi görüntüleme, hava ve uydu görüntüleri, PCB denetimi, güvenlik X-ışını görüntüleri, perakende rafları, trafik, spor, su altı sahneleri, termal görüntüler ve daha fazlasını kapsıyor.

Her görüntü, veri kümesinin sınıf adlarıyla birlikte Ultralytics Platform'un üretim açıklama işlem hattından geçiriliyor; bu işlem hattı, Smart modu ve Batch Annotation'ın kullandığı işlem hattının aynısı ve her modelin kutularını daraltan SAM 3.1 adımını da içeriyor. Kutuları Ultralytics paketinin kendi nesne algılama metrikleriyle puanlıyor ve 36 veri kümesinin puanlarının ortalamasını eşit ağırlıkla alıyoruz. Ayrıntılar için VLM Leaderboard metodolojisine göz at.

Kimi için bir ayar farklı. Kimi K3.1 Pro, Moonshot'ın en yüksek akıl yürütme çabasını varsayılan olarak kullanıyor. En yüksek ayarda Kimi K3, testlerimizde görüntülerin yaklaşık %40'ında Ultralytics Platform'un 115 saniyelik sınırını aştı; bu yüzden Ultralytics Platform tüm Kimi modellerini yüksek akıl yürütme çabasıyla çalıştırıyor. Hem Kimi K3 hem de Kimi K3.1 Pro bu şekilde kıyaslandı.

Kimi K3.1 Pro ile Gemini 4 Argon, Claude Opus 5.5 ve GPT-6 Astra karşılaştırması#

Kimi K3.1 Pro, 0.444 mAP50 puanı aldı. 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) ve Claude Sonnet 5.5 (0.472) daha yüksek puan alırken Kimi K3.1 Pro, Claude Haiku 5.5'i (0.429), Claude Fable 5.1'i (0.427) ve kendi GPU'larımızda çalıştırdığımız tüm açık ağırlıklı modelleri geride bıraktı. Bunların başında Gemma 4 31B (0.390) geliyor; bu model henüz Ultralytics Platform'da sunulmuyor.

Puanın her iki bileşeni de iyileşti. Kesinlik, Kimi K3'teki 0.439'dan 0.560'a, duyarlılık ise 0.376'dan 0.483'e yükseldi; böylece kutularının daha büyük bir bölümü doğru oldu ve etiketli nesnelerin daha fazlasını buldu.

Kimi K3.1 Pro ile Kimi K3 karşılaştırması: yükseltmenin farkı#

Kimi K3.1 Pro, 36 veri kümesinin 25'inde ve 12 alanın 8'inde Kimi K3'ten daha iyi sonuç verdi. En büyük kazanımlar spor (0.68'e karşı 0.28), yollar ve trafik (0.49'a karşı 0.26) ile belgeler, kullanıcı arayüzü ve CAD (0.41'e karşı 0.26) alanlarında elde edildi. Tenis toplarında 0.08'den 0.74 mAP50'ye yükselerek bu veri kümesinde en yüksek puanı Gemini 3.8 Flash ile paylaştı; CeyMo yol işaretlerinde ise 0.17'den 0.80'e çıktı.

Kimi K3.1 Pro, sporda Gemini 4 Argon'u da geride bıraktı (0.68'e karşı 0.60) ve tenis topları, futbol, buğday başakları ve tiroid ultrasonu dahil toplam altı veri kümesinde Argon'dan daha yüksek puan aldı.

Her alanda yükseliş olmadı. Su altı ve güvenlik X-ışını (her birinde tek veri kümesi) puanları düştü, perakende puanı hafif geriledi (0.47'ye karşı 0.48) ve endüstriyel PCB kusurlarında her iki Kimi modeli de sıfıra yakın kaldı. Uzmanlaşmış görüntüler her model için hâlâ zorlayıcı; bu nedenle Kimi K3.1 Pro'nun kutularını insan denetimli inceleme için ilk taslak olarak değerlendir ve tüm veri kümesini etiketlemeden önce kendi görüntülerindeki birkaç tahmini kontrol et.

Doğruluk, maliyet ve hız#

Ücretli modeller kendi sağlayıcı API anahtarınla çalışır, bu nedenle sağlayıcı her tahmin için doğrudan fatura keser. Kıyaslamamızda Kimi K3.1 Pro, 1.000 görüntü başına yaklaşık 22,50 dolara mal oldu; bu, Kimi K3'ün 21,50 dolarlık maliyetine yakın. Token fiyatı üçte bir daha düşük, ancak görüntü başına daha fazla token kullandı; dolayısıyla yükseltme, yaklaşık aynı maliyetle üçte bir daha fazla doğruluk sağlıyor.

Bu doğruluk düzeyine ulaşmanın en ucuz yolu değil. Üstünde sıralanan altı modelden beşi daha düşük maliyetli; bunlara Gemini 4 Argon (1.000 görüntü başına yaklaşık 7,60 dolar) ve Claude Opus 5.5 (yaklaşık 13,90 dolar) da dahil. Claude Haiku 5.5 ise 1.000 görüntü başına yaklaşık 0,37 dolara, Kimi K3.1 Pro'nun mAP50 puanının yaklaşık 0.015 yakınına ulaştı.

Kimi K3.1 Pro'nun çalışması da zaman alıyor. İsteklerin medyan süresi görüntü başına yaklaşık 22 saniyeydi; Gemini 4 Argon'da 4,6 saniye, Claude Opus 5.5'te 2,7 saniyeydi. İsteklerinin %6,4'ü Ultralytics Platform'un 115 saniyelik sınırı içinde tamamlanamadı; Kimi K3'te bu oran %1,7'ydi. Zaman aşımına uğrayan görüntüde kutu dönmüyor; görüntü için yeniden tahmin alabilirsin. Moonshot, aynı yeteneklerle iki ila üç kat daha hızlı çalıştığını söylediği Kimi K3.1 Pro Highspeed'i de sunuyor; Ultralytics Platform'da standart Kimi K3.1 Pro kullanılıyor.

Ultralytics Platform'da Kimi K3.1 Pro'yu kullanmaya başla#

1. Kimi API Platform'da bir API anahtarı oluştur, ardından bu anahtarı veri kümenin sahibi olan çalışma alanının Settings > API Keys bölümüne ekle veya çalışma alanı sahibinden eklemesini iste (nasıl yapacağını gör).
2. Ultralytics Platform'da bir nesne algılama veri kümesi aç, açıklama düzenleyicisini Smart moduna geçir ve Kimi altında Kimi K3.1 Pro'yu seç.
3. Mevcut görüntüyü etiketlemek için Predict düğmesine tıkla, ardından kutuları incele, düzenle ve kaydet.
4. Sonuçlar doğru göründüğünde, veri kümesinin geri kalanını etiketlemek için Batch Annotation işlemini başlat.

Batch Annotation, Moonshot'ın API anahtarın için kestiği ücretten ayrı olarak, standart Ultralytics Platform işleme ücreti olan 1.000 görüntü başına 1,00 doları ekler. Her çalıştırma önce bir veri kümesi sürümü kaydeder; böylece istediğin zaman önceki sürüme dönebilirsin.

Veri kümen etiketlendiğinde, aynı çalışma alanında bir Ultralytics YOLO26 modeli eğit (eğitim belgelerine göz at). Kimi K3.1 Pro'yu lider modelle karşılaştırmak için Gemini 4 Argon otomatik etiketleme yazımızı oku veya VLM Leaderboard'daki ve Ultralytics Platform model sayfalarındaki tüm modellere göz at. Ardından kendi verilerinde Kimi K3.1 Pro'yu denemek için Ultralytics Platform'da oturum aç.