Kimi K3: BrowseComp 91.2
и что это значит для агентных пайплайнов

1. Что произошло

Акции двух AI-компаний упали — одна на 16%, другая примерно на 27% по данным BBC — за один торговый день, 17 июля 2026. Обе Китайские. Обе — конкуренты одной и той же модели.

Я узнал об этом в тот же день, когда в моём brief-агенте сломался источник на середине пайплайна — второй раз за неделю. Сидел, смотрел на Error 429 от одного API и на новость про K3 в другой вкладке. Что-то щёлкнуло.

17 июля 2026, Шанхай. World AI Conference — ежегодная китайская демонстрация технологической силы. Moonshot AI выходит на сцену и анонсирует Kimi K3.

2.8 триллиона параметров. Stable LatentMoE архитектура — Mixture of Experts с модификациями. Из 896 экспертов в каждый момент активны только 16. Это объясняет эффективность: модель не тащит за собой всю вычислительную нагрузку 2.8T параметров при каждом запросе.

1 миллион токенов контекста. Официально подтверждено на platform.kimi.ai. Это примерно 750 000 слов или несколько средних романов в одном запросе.

Arena.ai Frontend Code Arena, score 1,679 — первое место. Это не внутренний бенчмарк Moonshot. Независимая оценка Arena.ai, основанная на слепых предпочтениях живых людей. CEO Arena Anastasios Angelopoulos подтвердил это публично. K3 обошло Fable 5 именно здесь.

SWE Marathon: 42.0 против 35.0 у Fable 5. Агентные задачи на написание кода с длинным горизонтом. Разница в 20% — это не погрешность измерений.

BrowseComp: 91.2. К этой цифре вернёмся отдельно — именно она изменила мой приоритет в очереди агентов.

При этом сами Moonshot не скрывают: K3 третье место в общем рейтинге по GDPval-AA. Fable 5 лидирует с Elo 1,760. API появился 16 июля. Весовые файлы ожидаются 27 июля под Modified MIT-лицензией с разрешённым коммерческим использованием.

2. Почему это смена парадигмы

Есть два типа AI-новостей. Первый: "ещё одна модель, ещё один бенчмарк, скачать пресс-релиз". Второй: событие, которое меняет что конкретно вы можете делать в производстве уже в следующий вторник. K3 — второй тип. Но не по причинам, которые обычно обсуждают.

Главная причина не в том, что K3 "лучше GPT" (это неточно). И не в том, что "Китай обогнал Запад" (это хайп-нарратив). Главная причина вот в чём:

BrowseComp 91.2 — это первый публично верифицированный случай, когда модель достигает такой точности на задачах поиска и извлечения информации из веба.

Что это значит технически: BrowseComp тестирует способность модели находить конкретные факты через многошаговый поиск. Не "напиши эссе", а "найди CEO компании X в 2019 году и его предыдущее место работы". Для агентных систем это критично: именно такой тип задач ломает большинство production-пайплайнов.

Агент с backbone-моделью на уровне BrowseComp 80 ошибается в каждом пятом поисковом шаге. При 10-шаговом пайплайне — вероятность хотя бы одной ошибки около 89%. Агент с BrowseComp 91.2 снижает частоту ошибок на одном шаге до 8.8%. При том же 10-шаговом пайплайне вероятность хотя бы одной ошибки снижается до ~60%. Это разница между "работает в демо" и "работает у клиента".

Второй сдвиг — SWE Marathon. Длинные агентные задачи на написание кода. 42.0 у K3, 35.0 у Fable 5. MoE с 16 активными экспертами из 896 держит контекст при сложных многошаговых задачах лучше, чем dense-архитектуры того же класса.

Третий сдвиг — open weights через 7 дней. Modified MIT, коммерческое использование. Компании, которые не могут использовать cloud API по соображениям безопасности или стоимости — получат возможность развернуть модель этого уровня on-premise. До этого момента такого выбора практически не было.

3. Новая архитектура простыми словами

Stable LatentMoE — это Mixture of Experts с двумя модификациями, которые отличают K3 от предыдущих MoE-моделей.

Стандартный MoE работает так: вместо одной большой нейросети у тебя несколько специализированных "экспертов". При каждом запросе активируется только часть из них. Это позволяет иметь огромное количество параметров при относительно небольших вычислительных затратах.

У K3: 896 экспертов, 16 активных при каждом запросе. Это очень низкое соотношение (1.8% активных) — высокая специализация каждого эксперта. "Stable" в названии указывает на модификации routing-механизма: традиционный MoE страдает от load imbalance (одни эксперты перегружены, другие простаивают). Moonshot, судя по результатам, решил эту задачу лучше предшественников.

"Latent" указывает на работу в latent space — модель обрабатывает информацию в сжатом представлении, что улучшает эффективность при длинных контекстах. Именно это объясняет 1M токенов контекста без деградации качества.

Для практика это переводится так: ты получаешь модель с эффективным потреблением вычислений, которая хорошо держит длинные контексты и точно извлекает информацию. Для агентных пайплайнов — именно та комбинация, которой не хватало. Техотчёт с деталями о pretraining dataset выйдет вместе с весами 27 июля.

4. Мой кейс Content Factory

Мой пайплайн — несколько агентов, каждый из которых использует LLM-backend для конкретного шага. Brief-агент читает источники, парсит конкурентов, строит фактическую базу. Research-агент уточняет через веб. Angle-агент строит авторскую позицию.

Когда появился K3 API — я поставил его в тестовую очередь на задачи типа BrowseComp: многошаговый поиск конкретного факта из нескольких источников с перекрёстной верификацией.

Вот реальные цифры из теста, который я провёл 18 июля. Задача: найти через веб CEO компании, дату основания, текущий раунд финансирования и главного конкурента для 20 случайных B2B SaaS-компаний. Каждый факт — верифицировать через минимум 2 источника.

Последнее особенно важно. Модель, которая говорит "я не уверен" вместо "вот ответ (неверный)" — принципиально другой тип поведения для production. Это снижает cost-of-failure в пайплайне.

40% времени моего brief-агента уходит на верификацию источников. При 80% точности бэкенда — 20% брифов выходят с мусорными данными. При 90%+ — это падает ниже 10%. На 50 брифах в неделю это 5 часов ручной верификации против 1.5 часов. Следующий шаг — через 7 дней после открытия весов: буду решать, оставить K3 на Kimi API или поднять self-hosted.

5. Экономика — что интересует CFO

Разговор про цены K3 часто ведётся с преувеличениями. По токен-прайсингу на Kimi API K3 дешевле GPT-5.6 Sol примерно в 3.3 раза (не в 5x, как иногда пишут).

Риск-фактор для CFO: лицензия Modified MIT подтвердится или изменится 27 июля вместе с выходом весов. До этой даты — не деплоить в production. Только оценочные тесты.

On-premise-экономика: если у вас compliance-требования (данные не должны покидать периметр), то K3 после 27 июля — первая модель топ-3 уровня с возможностью self-hosted. Для enterprise это может менять уравнение затрат кардинально.

6. Что умирает, что живёт

7. Что делать на следующей неделе

8. Раскладка B2C / B2B

Часто задаваемые вопросы