Kimi K3.1 Pro（キミ・ケー・スリー・ポイント・ワン・プロ）は、Moonshot AI（Kimi）がモデルウェイトを公開したオープンウェイトのネイティブ・マルチモーダル・エージェント型モデルで、総パラメータ2.8TのMoEアーキテクチャと104万8576トークンの文脈長を持ち、テキストと画像を扱いながらコーディングやエージェント作業を実行できます。
室谷代表取締役Kimi K3.1 Proは、Moonshot AI（Kimi）がモデルウェイトを公開したオープンウェイトモデルで、Hugging Face上では
moonshotai/Kimi-K3.1-Proとして配布されています。同社は「オープンインテリジェンスを前進させ続ける」とコメントしていて、K3.1シリーズの第一弾という位置づけなんですよね。
テキトー教師DotAI 認定講師単に「また1つモデルが出た」という話じゃないんですよ。Kimi K3.1 ProはKimi K3からのポストトレーニング版で、しかもウェイトが配布される。
つまりAPI経由でしか触れなかった層が、自前の環境で動かせる選択肢を得るということです。まず発表の第一報を確認しておきましょう。
つまりAPI経由でしか触れなかった層が、自前の環境で動かせる選択肢を得るということです。まず発表の第一報を確認しておきましょう。
室谷代表取締役ライセンスは「Kimi K3.1 Pro License」で、Hugging FaceのモデルカードにはImage-Text-to-Text、Transformers、Safetensors、8-bit precision、custom_code といったタグが並んでいます。モデルサイズは2.8T paramsと表示されていて、ファイル形式はF32・BF16・U8が記載されています。
テキトー教師DotAI 認定講師ここで大事なのは「オープンウェイト」と「オープンソース」を混同しないことです。重みはダウンロードできますが、ライセンスは独自のKimi K3.1 Pro License。
使う前に必ずライセンス条件を確認する。講座でもこの点は毎回しつこく言っています（笑）。
使う前に必ずライセンス条件を確認する。講座でもこの点は毎回しつこく言っています（笑）。
Kimi K3.1 Proとは？Moonshot AIが公開したオープンウェイトモデルの正体
Kimi K3.1 Proの基本情報
提供元・発表元
Moonshot AI（Kimi）
配布場所
Hugging Faceのmoonshotai/Kimi-K3.1-Pro
ライセンス
Kimi K3.1 Pro License
位置づけ
K3.1シリーズ第一弾、Kimi K3のポストトレーニング版
モダリティ
テキスト・画像（Vision EncoderはMoonViT-V2、401M）
文脈長
1048576トークン
アーキテクチャ変更
全アテンション層のGated MLAをGated DSA（Gated DeepSeek Sparse Attention）に置き換え、長文脈のモデリングを効率化
ポストトレーニング
Kimi K3をベースに数百の下流ドメインにわたる大規模なジョイント強化学習を実施
室谷代表取締役公式のモデルカードによると、Kimi K3.1 Proは「オープンウェイトでネイティブ・マルチモーダルなエージェント型モデル」で、同社の「これまでで最も高性能な3Tクラスのモデル」と説明されています。Kimi K3から大規模なポストトレーニングを施したモデルで、K3.1シリーズの最初のモデルです。
テキトー教師DotAI 認定講師整理するとこうです。
- 提供元・発表元：Moonshot AI（Kimi）
- 配布場所：Hugging Faceの
moonshotai/Kimi-K3.1-Pro - ライセンス：Kimi K3.1 Pro License
- 位置づけ：K3.1シリーズ第一弾、Kimi K3のポストトレーニング版
- モダリティ：テキスト・画像（Vision EncoderはMoonViT-V2、401M）
- 文脈長：1048576トークン
室谷代表取締役発表年の記載は公式資料に見当たらないので、そこは特定せずに書きます。確実なのは、Kimi K3をベースに数百の下流ドメインにわたる大規模なジョイント強化学習を行ったという点。
MYUUUでも「ポストトレーニングにどれだけ計算を寄せたか」が実務性能を左右する場面を何度も見てきたので、この説明は納得感があります。
MYUUUでも「ポストトレーニングにどれだけ計算を寄せたか」が実務性能を左右する場面を何度も見てきたので、この説明は納得感があります。
テキトー教師DotAI 認定講師アーキテクチャの変更も見逃せません。Kimi K3と比べて、全アテンション層のGated MLAをGated DSA（Gated DeepSeek Sparse Attention）に置き換えて、長文脈のモデリングを効率化したと明記されています。
単にパラメータを増やしたのではなく、長い文脈を扱うための設計を入れ替えているわけです。
単にパラメータを増やしたのではなく、長い文脈を扱うための設計を入れ替えているわけです。
室谷代表取締役K3.1シリーズの全体像やベンチマークの実数は、Kimi K3.1 Proとは？Moonshot AIの3T級オープンウェイトモデルをベンチマーク実数で検証でも整理しているので、あわせて読むと解像度が上がります。
Kimi K3.1 Proでできること——1Mトークン文脈・画像入力・エージェント実行
Kimi K3.1 Proでできること
1Mトークン文脈
104万8576トークンの長文脈処理
テキスト・画像入力
APIでは動画入力にも対応
エージェント実行
ツール呼び出しを含むエージェント実行
思考の深さ指定
reasoning_effortでlow / high / max（既定はmax）
構造化出力・拡張機能
JSON Schemaによる構造化出力、Partial Mode、動的ツールローディング、コンテキストキャッシュ
3D制作
BenchCADでツールあり92.7%。BlenderやCADソフト向けスクリプトを書いて実行可能
3D Make
kimi.comとKimiアプリで提供中。プレビュー・編集、3Dプリント用DL、動画/Live Photo書き出し
金融分析
OfficeQA Pro v2で64.4、Frontier FinanceでもK3から改善
ゲームエンジン連携
Unity・Unreal Engine・Godotで動作、Web検索や3D生成と組み合わせ
テキトー教師DotAI 認定講師できることを機能単位で並べます。
- 104万8576トークンの長文脈処理
- テキストと画像の入力（APIでは動画入力にも対応）
- ツール呼び出しを含むエージェント実行
reasoning_effortによる思考の深さの指定（low / high / max、既定はmax）- JSON Schemaによる構造化出力、Partial Mode、動的ツールローディング、コンテキストキャッシュ
室谷代表取締役公式の説明で面白いのは、コーディングの長距離タスクの例ですね。human-atlasという296の骨格構成要素と402の筋肉構成要素からなるオープンソースの人体解剖モデルの上に、学習と評価のパイプラインを統合した歩行力学シミュレータを構築したと。
167のミッションと420の独立レビューを通じて、数秒で崩れていたシミュレーション上の人体が11.2秒連続で交互の歩行を続けられるようになったそうです。
167のミッションと420の独立レビューを通じて、数秒で崩れていたシミュレーション上の人体が11.2秒連続で交互の歩行を続けられるようになったそうです。
テキトー教師DotAI 認定講師さらに、報酬設計をいじっても腕の動きが改善しなかったとき、K3.1 Proは報酬の調整を続けるのではなく、シミュレータのダイナミクスを開ループで探査して、肩の筋肉のモーメントアーム計算にある36個の誤りを特定・修正してからコントローラを再学習した、と。これは「言われた作業をこなす」のではなく「原因を疑って検証する」動きで、エージェント型モデルとしての性格がよく出ています。
室谷代表取締役3D制作も強調されています。複数視点のレンダリングからCADコード生成を通じて3D再構成するBenchCADで、ツールありの場合92.7%。
テキストの指示やスケッチ、参照画像から形状・比率・空間関係を推論して使える3Dモデルを作れるとされています。パラメトリックモデリングが得意で、MCPコネクタなしでもBlenderやCADソフト向けのスクリプトを書いて実行し、ジオメトリやマテリアル、シーン配置を調整できるとか。
テキストの指示やスケッチ、参照画像から形状・比率・空間関係を推論して使える3Dモデルを作れるとされています。パラメトリックモデリングが得意で、MCPコネクタなしでもBlenderやCADソフト向けのスクリプトを書いて実行し、ジオメトリやマテリアル、シーン配置を調整できるとか。
テキトー教師DotAI 認定講師しかも「3D Make」がkimi.comとKimiアプリで提供中と書かれています。3Dモデルをオンラインでプレビュー・編集し、3Dプリント用にダウンロードしたり、動画やLive Photoとして書き出したりできる。
モデル単体ではなくプロダクト側の導線も用意されているわけです。
モデル単体ではなくプロダクト側の導線も用意されているわけです。
室谷代表取締役金融も明確なユースケースとして挙がっています。実務の財務文書を対象に、検索・文書間の照合・多段の数値推論を伴う複雑な財務データ分析を試すOfficeQA Pro v2で64.4を記録し、投資ワークフロー全体の支援度を測るFrontier FinanceでもK3から改善したと。
金融分析や投資調査では事実精度が重要になるので、そこに的を絞った改善が入っているのは実務者としてはありがたいですね。
金融分析や投資調査では事実精度が重要になるので、そこに的を絞った改善が入っているのは実務者としてはありがたいですね。
テキトー教師DotAI 認定講師コーディングの現場感でいうと、Unity・Unreal Engine・Godotといったゲームエンジンで動き、Web検索や3D生成と組み合わせて体験全体を作れると説明されています。フロントエンドのページやThree.jsのインタラクティブなシーン、3Dアセットの構成・タイポグラフィ・アニメーション・仕上げが強化されたという話です。
室谷代表取締役Kimi K3.1 Proの使い方・始め方——Hugging FaceからvLLM/SGLangで動かす手順
Kimi K3.1 Proの2つの利用ルート
APIで試す
- platform.kimi.aiでkimi-k3.1-proを選択
- OpenAI互換・Anthropic互換のAPIを提供
- OpenAI SDKでbase_urlをhttps://api.moonshot.ai/v1に指定
- モデル名はkimi-k3.1-pro
自前で動かす
- 推奨エンジンはvLLM・SGLang・TokenSpeedの3つ
- Hugging Faceのモデルカードに起動コマンドを記載
- vLLM: pip install vllm → vllm serve "moonshotai/Kimi-K3.1-Pro"
- SGLang: pip install sglang → sglang.launch_server --model-path "moonshotai/Kimi-K3.1-Pro" --host 0.0.0.0 --port 30000
- 起動後はOpenAI互換エンドポイントにcurlで投げられる
- DockerイメージやDocker Model Runner(docker model run hf.co/moonshotai/Kimi-K3.1-Pro)の例もあり
テキトー教師DotAI 認定講師まずAPIで試すルートと、ウェイトを落として自前で動かすルートの2つがあります。APIはplatform.kimi.aiで
kimi-k3.1-proを選ぶ形で、OpenAI互換とAnthropic互換のAPIが提供されています。室谷代表取締役自前で動かす場合、公式が推奨する推論エンジンはvLLM、SGLang、TokenSpeedの3つです。Hugging FaceのモデルカードにはvLLMとSGLangの具体的な起動コマンドが載っています。
整理するとこうです。
整理するとこうです。
bash
# vLLM
pip install vllm
vllm serve "moonshotai/Kimi-K3.1-Pro"
# SGLang
pip install sglang
python3 -m sglang.launch_server \
--model-path "moonshotai/Kimi-K3.1-Pro" \
--host 0.0.0.0 \
--port 30000どちらも起動後はOpenAI互換のエンドポイントにcurlで投げられます。Dockerイメージを使う例や、Docker Model Runnerで
docker model run hf.co/moonshotai/Kimi-K3.1-Proを実行する例もモデルカードに記載されています。室谷代表取締役API側の呼び出しはOpenAI SDKが使えます。
ここで注意したいのは、マルチターンやツール呼び出しでは、APIが返したassistantメッセージを
base_urlをhttps://api.moonshot.ai/v1に向けて、モデル名にkimi-k3.1-proを指定する形です。ここで注意したいのは、マルチターンやツール呼び出しでは、APIが返したassistantメッセージを
reasoning_contentとtool_callsも含めてそのまま次のリクエストに戻す必要がある点。contentだけを保持すると思考の文脈が落ちます。テキトー教師DotAI 認定講師受講生さんがよくハマるのがここなんですよ。「なんで前の思考を踏まえてくれないんだろう」と思ったら、返却メッセージを削っていた、というパターン。
公式のクイックスタートにも「Do not keep only content」と明記されています。
公式のクイックスタートにも「Do not keep only content」と明記されています。
室谷代表取締役画像入力は
構造化出力は
contentをオブジェクトの配列にして、image_urlにbase64のデータURLかURLを渡します。動画はpurpose="video"でファイルをアップロードし、video_urlにms://形式のIDを指定する流れです。構造化出力は
json_schemaにstrict: trueを付けてcontentだけをパースする。reasoning_contentはパース対象にしない、というのが公式の指示です。テキトー教師DotAI 認定講師コンテキストキャッシュは通常リクエストで自動。TTLは5分（既定）と1時間の2種類で、5分を超える間隔のワークロードは1時間ティアを選ばないと、期限切れのたびに書き込み課金が発生します。
キャッシュはブロック単位で保存されるので、ブロックを満たさない中途半端な部分はキャッシュに書けず、キャッシュミスとして課金される。地味ですがコストに効くポイントです。
キャッシュはブロック単位で保存されるので、ブロックを満たさない中途半端な部分はキャッシュに書けず、キャッシュミスとして課金される。地味ですがコストに効くポイントです。
Kimi K3.1 Proの料金と提供範囲——API価格・高速版・日本から使えるか
室谷代表取締役料金は公式の価格ページに載っています。整理するとこうです。
| モデル | 入力 | 出力 | キャッシュ入力 |
|---|---|---|---|
| kimi-k3.1-pro | $2.00 / MTok | $10.00 / MTok | $0.20 / MTok |
| kimi-k3.1-pro-highspeed | $4.00 / MTok | $20.00 / MTok | $0.20 / MTok |
| kimi-k3 | $3.00 / MTok | $15.00 / MTok | $0.30 / MTok |
テキトー教師DotAI 認定講師プロンプトキャッシュの書き込みは、5分が$2.00 / MTok、1時間が$4.00 / MTok（高速版はそれぞれ$4.00と$8.00）。バッチAPIは
K3シリーズはすべて104万8576トークンの文脈長に対応しています。
kimi-k3.1-proとkimi-k3が対象で、標準価格の60%で課金されます。K3シリーズはすべて104万8576トークンの文脈長に対応しています。
室谷代表取締役注目したいのは、K3.1 Proの入力$2.00・出力$10.00が、K3の入力$3.00・出力$15.00より安いこと。高性能側に振ったモデルなのに単価が下がっているのは素直に嬉しいところです。
高速版は2〜3倍速で、価格はちょうど2倍という設計ですね。
高速版は2〜3倍速で、価格はちょうど2倍という設計ですね。
テキトー教師DotAI 認定講師利用条件も明確です。Kimi K3.1 Proはフラッグシップモデル扱いで、最低$1のチャージに成功するとアンロックされる。
累計チャージ額がアカウントティアとレート制限（同時実行数、RPM、TPM、TPD）を決める仕組みです。
累計チャージ額がアカウントティアとレート制限（同時実行数、RPM、TPM、TPD）を決める仕組みです。
室谷代表取締役日本からの利用可否について、公式資料には地域制限の記載が見当たりません。現時点では明らかにされていない、という扱いが正確でしょう。
APIはplatform.kimi.ai、モデルウェイトはHugging Faceから取得する形で、いずれもWeb経由でアクセスするものです。Kimiアプリやkimi.comの3D Makeも案内されています。
APIはplatform.kimi.ai、モデルウェイトはHugging Faceから取得する形で、いずれもWeb経由でアクセスするものです。Kimiアプリやkimi.comの3D Makeも案内されています。
テキトー教師DotAI 認定講師なおK2シリーズは2026年10月31日以降、新規登録者への提供を終了し、同年末に全廃予定と告知されています。既存ユーザーは影響を受けませんが、K2系で組んでいるワークロードは移行を準備しておく必要があります。
K3.1 Proはその受け皿になるわけですね。クォータまわりの話題はKimi K3.1 Proのクォータ問題とは？全購読者に25%利用量リセットへで触れています。
K3.1 Proはその受け皿になるわけですね。クォータまわりの話題はKimi K3.1 Proのクォータ問題とは？全購読者に25%利用量リセットへで触れています。
Kimi K3.1 Proの性能——Kimi K3からの改善点とベンチマーク比較
室谷代表取締役公式の評価表はreasoning effort max、temperature 1.0、top-p 0.95という条件で出されています。まずK3からの進化がはっきり出ているのが内部ベンチのKimi Code Bench 3.0 Long-horizonで、K3の55.95%に対してK3.1 Proは61.2%。
幻覚率を示すKimi Hallu Bench HardはK3の23.4%から8.3%に下がっています。
幻覚率を示すKimi Hallu Bench HardはK3の23.4%から8.3%に下がっています。
テキトー教師DotAI 認定講師この幻覚率の低下は金融や調査系の用途に効いてきます。公式も「事実精度を狙い撃ちで改善した」と説明していて、少なくとも1つ以上の事実誤りを含む回答の割合は前身の42.4%相当だったとしています。
ただしこれは意図的に間違えやすい状況を作ったストレステストであって、日常利用の全体エラー率ではない、という注記も添えられています。
ただしこれは意図的に間違えやすい状況を作ったストレステストであって、日常利用の全体エラー率ではない、という注記も添えられています。
室谷代表取締役主要ベンチマークの数値を並べます。
| ベンチマーク | Kimi K3.1 Pro | Claude Opus 5.5 | GPT-6 Astra |
|---|---|---|---|
| Terminal-Bench 4.0 | 65.7 | 66.4 | 58.2 |
| SWE Marathon v1.1 | 51.7 | 46.3 | 42.5 |
| BenchCAD w/ tools | 92.7 | 96.2 | 95.9 |
| HLE-Full w/ tools | 70.0 | 67.7 | 57.2 |
| HLE-Full | 51.1 | 59.8 | 53.6 |
| GPQA-Diamond | 94.2 | 93.9 | 96.1 |
| OfficeQA Pro v2 | 64.4 | 62.2 | 54.4 |
| ExploitBench | 74.7 | 91.0 | 100 |
テキトー教師DotAI 認定講師読み方を整理しましょう。Terminal-Bench 4.0ではGPT-6 Astraの58.2%を上回り、Claude Opus 5.5の66.4%にわずかに届かない。
SWE Marathon v1.1やHLE-Full w/ tools、OfficeQA Pro v2ではOpus 5.5やGPT-6 Astraを上回る項目があります。一方でHLE-FullやExploitBenchではOpus 5.5やGPT-6 Astraが上回る。
全項目で勝つという話ではなく、項目ごとに得意・不得意が分かれるということです。
SWE Marathon v1.1やHLE-Full w/ tools、OfficeQA Pro v2ではOpus 5.5やGPT-6 Astraを上回る項目があります。一方でHLE-FullやExploitBenchではOpus 5.5やGPT-6 Astraが上回る。
全項目で勝つという話ではなく、項目ごとに得意・不得意が分かれるということです。
室谷代表取締役公式も「コーディング・エージェント・知識のベンチマーク全体で、最強のプロプライエタリモデルに匹敵するか近づく」という表現を使っています。同等以上と断定はしていないところが誠実ですね。
エージェント系ではAutomation Bench-AAが73.3、GDPval-AA v2.1がElo 1846、BrowseCompが92.1、OSWorld V2.1が79.6。マルチモーダルではMMMU-Pro w/ pythonが90.0、CharXiv (RQ) w/ pythonが93.4、ZeroBench_main w/ python (pass@5)が63.0です。
エージェント系ではAutomation Bench-AAが73.3、GDPval-AA v2.1がElo 1846、BrowseCompが92.1、OSWorld V2.1が79.6。マルチモーダルではMMMU-Pro w/ pythonが90.0、CharXiv (RQ) w/ pythonが93.4、ZeroBench_main w/ python (pass@5)が63.0です。
テキトー教師DotAI 認定講師ベンチマークは条件でスコアが動くので、数値だけを一人歩きさせないこと。公式の注記にも、Eloスコアやベンチマーク固有の指標は精度や合格率と直接比較できないと書かれています。
講座でも「表の数字を読む前に、条件と注記を読む」と伝えています。
講座でも「表の数字を読む前に、条件と注記を読む」と伝えています。
室谷代表取締役ちなみにコーディング特化の流れはMoonshot AIが最強コーディングAI「Kimi K2.7 Code」公開、262Kコンテキストとマルチモーダル対応で追っています。K3.1 Proはそこから汎用エージェント方向に振った進化だと見ると理解しやすいです。
Kimi K3.1 Proのモデルスペック——2.8T MoE・104B活性・必要環境の現実味
テキトー教師DotAI 認定講師スペックを表で整理します。
| 項目 | 値 |
|---|---|
| アーキテクチャ | Mixture-of-Experts（MoE） |
| 総パラメータ | 2.8T |
| 活性パラメータ | 104B |
| レイヤー数 | 93（Dense 1） |
| アテンション層構成 | 69 KDA + 24 Gated DSA |
| アテンション隠れ次元 | 7168 |
| アテンションヘッド数 | 96 |
| エキスパート数 | 896（トークンあたり16選択、共有2） |
| 語彙サイズ | 160K |
| 文脈長 | 1048576 |
| 量子化 | MXFP4 weights / MXFP8 activations（量子化考慮学習） |
| モダリティ | テキスト、画像 |
室谷代表取締役総2.8Tで活性104Bというのは、推論時に動くパラメータを絞ることで計算量を抑える設計です。それでも2.8Tの重みを保持する必要があるので、Hugging Faceのモデルサイズ表示も2.8T params。
ファイル形式にF32・BF16・U8が並んでいるのも、そのままでは相当な規模になることを示しています。
ファイル形式にF32・BF16・U8が並んでいるのも、そのままでは相当な規模になることを示しています。
テキトー教師DotAI 認定講師必要VRAMの具体的な数値は公式資料に記載がありません。現時点では明らかにされていない、というのが正確なところです。
量子化考慮学習でMXFP4 weights / MXFP8 activationsを採用している点は、自前運用の現実味に関わる情報として押さえておきたいですね。
量子化考慮学習でMXFP4 weights / MXFP8 activationsを採用している点は、自前運用の現実味に関わる情報として押さえておきたいですね。
室谷代表取締役MYUUUでも大型モデルを自前で抱えるかAPIに寄せるかの判断は何度もしてきましたが、2.8Tクラスを個人や小規模チームがフルで動かすのは現実的ではありません。現実的なのは、検証はAPIで回し、要件が固まった部分だけ自前ホスティングを検討する順番でしょう。
vLLMやSGLangのレシピが公式から出ているので、試すハードル自体は下がっています。
vLLMやSGLangのレシピが公式から出ているので、試すハードル自体は下がっています。
テキトー教師DotAI 認定講師アテンションが69 KDA + 24 Gated DSAという構成もポイントです。K3からGated MLAをGated DSAに置き換えたことで、長文脈の効率が変わっている。
1Mトークンを扱うときの挙動は、この設計差が出てくる部分です。
1Mトークンを扱うときの挙動は、この設計差が出てくる部分です。
Kimi K3.1 Proによくある質問
室谷代表取締役ここまでの内容でよく聞かれそうな点を整理しておきます。
テキトー教師DotAI 認定講師まず「無料で使えるのか」。モデルウェイトはHugging Faceで公開されていてダウンロードできますが、ライセンスはKimi K3.1 Pro Licenseです。
APIは従量課金で、サブスクリプション型ではなく、最低$1のチャージでフラッグシップモデルがアンロックされます。KimiのメンバーシップやKimi Codeとは別物だと公式に書かれています。
APIは従量課金で、サブスクリプション型ではなく、最低$1のチャージでフラッグシップモデルがアンロックされます。KimiのメンバーシップやKimi Codeとは別物だと公式に書かれています。
室谷代表取締役「Kimi K3との違いは」という点。K3.1 ProはK3のポストトレーニング版で、K3.1シリーズの第一弾。
アテンション層をGated MLAからGated DSAに置き換え、Kimi Code Bench 3.0 Long-horizonが55.95%から61.2%へ、Kimi Hallu Bench Hardの幻覚率が23.4%から8.3%へ改善しています。
アテンション層をGated MLAからGated DSAに置き換え、Kimi Code Bench 3.0 Long-horizonが55.95%から61.2%へ、Kimi Hallu Bench Hardの幻覚率が23.4%から8.3%へ改善しています。
テキトー教師DotAI 認定講師「日本から使えるか」については、公式資料に地域制限の記載が見当たらないため、現時点では明らかにされていません。APIはplatform.kimi.ai、ウェイトはHugging Faceからアクセスする形です。
室谷代表取締役「どんな用途に向くか」は、公式が挙げているのはコーディング、3D制作、金融リサーチ、そしてエージェント作業全般。長文脈とツール呼び出しを活かすタスクと相性がいい、というのが資料から読み取れる範囲です。
テキトー教師DotAI 認定講師「思考の深さは変えられるか」。
コストと速度のバランスを取りたいときにここを調整する、というのが基本の使い方になります。
reasoning_effortでlow / high / maxを指定でき、既定はmaxです。コストと速度のバランスを取りたいときにここを調整する、というのが基本の使い方になります。
室谷代表取締役汎用モデルとの比較という観点では、ChatGPT GPT-5.2完全ガイド【2026年最新】：Instant・Thinking・Pro・料金・ベンチマークを徹底解説のような整理も参考になります。ただしK3.1 Proの評価はあくまで公式表の条件と注記をセットで読むこと。
そこを外すと数字の意味を取り違えます。
そこを外すと数字の意味を取り違えます。
テキトー教師DotAI 認定講師最後に1つ。オープンウェイトで配られるということは、モデルの中身に対して検証やファインチューニングの余地が生まれるということです。
Hugging Faceのモデルツリーにはファインチューニング済みモデルが1件登録されているのも確認できます。ライセンスの範囲内で、自分たちの業務に合わせて育てるという選択肢が現実になった、というのが今回の発表のいちばん大きな意味だと私は見ています。
Hugging Faceのモデルツリーにはファインチューニング済みモデルが1件登録されているのも確認できます。ライセンスの範囲内で、自分たちの業務に合わせて育てるという選択肢が現実になった、というのが今回の発表のいちばん大きな意味だと私は見ています。
室谷代表取締役まずはAPIで触って、自分のユースケースで数字を取る。それがいちばん早いですね。
