К содержимому
Компьютерное зрение

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

облегчённая версия Kimi-K3.1-Pro для кода

2 мин чтения

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.
Обсудить Telegram 0

Запустится ли?

Не запустится

Не хватает памяти даже для 4-bit. Ниже — где арендовать подходящую видеокарту.

  • U8веса 2144 GB · готовые файлы2359 GB
  • FP8 / INT8рекомендуемвеса 2091 GB2301 GB
  • 4-bitвеса 1176 GB1294 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Ни один инстанс не вместит модель целиком — нужна выгрузка в ОЗУ или кластер.

Своя видеокарта: В домашние видеокарты не поместится — выгоднее арендовать.

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # 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
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Kimi-K3.1-Pro-Coding-720E
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

moonshotai/Kimi-K3.1-Pro

Новые посты про версии Kimi-K3.1-Pro — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face

О модели

gureshov/Kimi-K3.1-Pro-Coding-720E
Автор
gureshov
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии