Skip to content
Computer vision

Kimi-K3.1-Pro-Coding-720E

облегчённая версия Kimi-K3.1-Pro для кода

2 min read

Неофициальная модификация мультимодальной модели moonshotai/Kimi-K3.1-Pro, заточенная под программирование и работу кодинг-агентов. Автор gureshov применил прунинг (удаление наименее востребованных частей сети) к архитектуре MoE (Mixture-of-Experts — модель из множества специализированных подсетей-экспертов), сократив число экспертов в каждом слое с 896 до 720. Веса оставшихся экспертов, энкодер изображений и механизмы внимания не трогали и не дообучали, благодаря чему модель сохранила исходное качество генерации кода, но уменьшилась в размере с ~1.56 ТБ до 1.28 ТБ. Подойдёт тем, кто разворачивает крупные модели локально или в облаке исключительно под задачи разработки.

Ключевые особенности

  • Минус 20% экспертов: в каждом из 92 MoE-слоёв оставлены только 720 экспертов с наибольшим вкладом при работе с кодом, при этом на один токен по-прежнему активируются 16 экспертов.
  • Без потерь в кодинге: перплексия на исходном коде изменилась всего на +0.04%, а точность предсказания следующего токена осталась в пределах погрешности.
  • Оригинальный формат весов: чекпоинт сохранён в исходном квантовании MXFP4 QAT (mxfp4-pack-quantized) и полностью совместим со стандартными парсерами kimi_k3.
  • Воспроизводимость: в репозитории есть файл keep.json со списком индексов сохранённых экспертов и статистикой по каждому слою.

Что можно сделать

  • Развернуть как бэкенд для автономных кодинг-агентов с поддержкой вызова инструментов (tool calls) и рассуждений, сэкономив около 280 ГБ дискового пространства и видеопамяти.
  • Использовать в задачах мультимодального программирования — например, для генерации вёрстки по скриншотам интерфейса, так как vision tower оставлен без изменений.

Пример

Модель запускается по стандартной инструкции от базовой Kimi-K3.1-Pro с флагом --trust-remote-code и использованием штатных парсеров kimi_k3 для reasoning и tool-calls. Для задач программирования и агентских сессий её можно использовать напрямую вместо полной версии, а вот для общих текстов и энциклопедических вопросов лучше переключаться обратно на оригинал.

ПодробнееМетрики относительно полной Kimi-K3.1-Pro: на коде перплексия +0.04%, в агентских сессиях точность Top-1 ниже на 2.5–3 п.п., на общих текстах (Wikipedia) перплексия выросла на +6.4%, а Top-1 упала на 8 п.п.
Железо и запуск: размер чекпоинта 1.28 ТБ (MXFP4); протестировано только на пропатченной сборке SGLang для NVIDIA Ampere (sm80) с pipeline parallelism, запуск на Hopper и Blackwell через vLLM/SGLang теоретически возможен, но не проверялся.
Лицензия: наследует Kimi K3.1-Pro License с ограничениями на коммерческие продукты и Model-as-a-Service.
Discuss Telegram 0

Will it run?

Won't run

Not enough memory even for 4-bit. Below are GPUs you can rent.

  • U8weights 2144 GB · ready files2359 GB
  • FP8 / INT8recommendedweights 2091 GB2301 GB
  • 4-bitweights 1176 GB1294 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

No single instance holds the whole model: it needs RAM offload or a cluster.

Your own GPU: Won't fit any home GPU — renting is cheaper.

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # gureshov/Kimi-K3.1-Pro-Coding-720E
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download gureshov/Kimi-K3.1-Pro-Coding-720E --local-dir ~/models/Kimi-K3.1-Pro-Coding-720E
    # The model is in ~/models. How to run it is in the model card (link above).
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of Kimi-K3.1-Pro (quants, finetunes, LoRAs) will show up under the bell.

Quantised versions 12All on Hugging Face
Fine-tunes 12All on Hugging Face

About the model

gureshov/Kimi-K3.1-Pro-Coding-720E
Author
gureshov
Category
Computer vision
Released
Posted

On NeyroLearn

Hugging Face

00

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments