V VibeCoding 365
AI 뉴스 kimi

AI 뉴스

Kimi K3.1 Pro | K3 사후학습·100만 컨텍스트·API $2/$10 출시

문샷 AI가 K3 기반 대규모 사후학습 모델을 공개하고 API 단가를 33% 인하했다.

Nova Park · AI 산업 데스크 7분 읽기 2026.10.23
  • #Kimi
  • #Kimi K3.1 Pro
  • #Moonshot AI
  • #바이브코딩
  • #AI 에이전트
  • #오픈웨이트

중국의 인공지능 스타트업 문샷 AI(Moonshot AI)가 차세대 플래그십 언어 모델 '키미 K3.1 프로(Kimi K3.1 Pro)'와 속도 특화형 변종인 'Kimi K3.1 Pro Highspeed'를 2026년 10월 23일(17:15 UTC) 공식 출시했다. 지난 7월 플래그십 모델 K3를 선보인지 약 99일 만의 릴리스다. 출시와 동시에 웹 인터페이스(kimi.ai), 모바일 앱, 데스크톱 작업 환경인 키미 워크(Kimi Work), 코딩 전용 CLI·IDE 환경인 키미 코드(Kimi Code), 그리고 종량제 클라우드 API를 통해 즉시 서비스가 개방됐다.

이번 릴리스는 하루 전 공개된 24초 분량의 레트로 터미널 티저 영상 이후 약 16시간 만에 전격 단행됐다. 티저 공개 직후 온라인 커뮤니티에서는 중국 프로그래머의 날(10월 24일)에 맞춘 출시설이 돌았으나, 문샷 AI는 공식 블로그와 소셜 계정을 통해 확정된 제품 사양과 가격 체계를 신속하게 공개하며 소문을 사실 정보로 전환했다.

Kimi K3.1 Pro는 완전히 새로운 베이스 모델을 바닥부터 다시 사전학습한 결과물이 아니라, 기존 플래그십 K3 위에 대규모 사후학습(Post-training) 연산 자원을 집중 투입해 완성한 개량형 모델이다. 전체 2.8조 파라미터 중 1,048억 개가 활성화되는 희소 전문가 혼합(MoE) 아키텍처와 100만 토큰(1,048,576 토큰)에 달하는 장문 컨텍스트 윈도우를 그대로 계승했다.

주목할 지점은 모델 성능 개선과 더불어 단행된 파격적인 API 단가 인하다. 종량제 API 입력 단가는 백만 토큰당 2달러, 출력 단가는 10달러로 책정되어 기존 K3 대비 정확히 3분의 2 수준(33% 인하)으로 낮아졌다. 오픈웨이트 플래그십을 표방하면서도 가중치 공개 시점을 2026년 11월 4일 이전으로 예고해, 출시 당일에는 클라우드 인터페이스와 API를 통해서만 활용할 수 있는 상태다.

티저 영상에서 정식 발표까지, 16시간 만에 확정된 스펙과 가격

전날 공개된 티저 영상은 캡션 없는 흑백 브라운관 모니터 화면에 'Model: Kimi K3.1'과 'Version 2.2.0'이라는 문자열을 띄우며 에이전트가 쓰리지에스(Three.js)로 절차적 3D 그래픽 코드를 실시간 생성하는 장면만을 담고 있었다. 모델의 파라미터 규모나 출시 시점, 서비스 단가에 관한 구체적 문구는 일체 포함되지 않아 시장의 다양한 추측을 낳았다.

그러나 문샷 AI가 23일 오후 기술 블로그와 플랫폼 홈을 일제히 업데이트하면서 모델의 라인업 구조가 명확해졌다. 표준 연산 모델인 K3.1 Pro와 더불어 토큰 출력 속도를 약 2배에서 3배까지 끌어올린 고속형 변종 'K3.1 Pro Highspeed'가 나란히 투입됐다. 고속형 모델은 표준 모델과 동일한 지능 수준을 유지하되 출력 속도를 가속하며, API 요금과 코딩 플랜 쿼터 소모량은 표준 대비 2배로 책정됐다.

입력 모달리티 지원도 구체화됐다. 텍스트뿐만 아니라 고해상도 이미지와 비디오 입력을 네이티브로 처리하며, 공개 웹 URL 직접 입력 대신 베이스64(base64) 인코딩 문자열이나 내부 파일 식별자(ms://)를 통한 전달 방식을 채택했다. 최종 텍스트 출력과 함께 모델의 내적 추론 단계를 기록하는 사고(Thinking) 기능이 상시 활성화되어 복잡한 멀티스텝 작업 수행력을 뒷받침한다.

K3 기반의 대규모 사후학습과 아키텍처 실체

문샷 AI 기술 블로그는 K3.1 Pro의 기술적 정체성을 "상당히 확장된 사후학습 연산 자원을 투입한 K3의 개량 버전"으로 규정했다. 사전학습 단계의 기초 가중치를 새로 구축하는 대신, 수백 개 이상의 다운스트림 전문 영역에 걸쳐 대규모 결합 강화학습(Joint RL)을 전면적으로 적용한 것이 핵심이다.

이를 위해 문샷 AI 엔지니어링 팀은 강화학습 훈련 프레임워크와 장문 컨텍스트 분산 추론 엔진, 합성 환경 시뮬레이터, 샌드박스 실행기, 롤아웃 스케줄링 시스템 등 사후학습 인프라 전반을 대대적으로 재설계했다. 사전학습 체크포인트의 일반 상식 지식을 보존하면서도 복합 도구 사용과 긴 호흡의 계획 수립 능력(Long-horizon Planning)을 고도화하는 데 역량을 집중했다.

모델의 파라미터 구조는 공식 X 채널을 통해 2.8조 전체 파라미터와 1,048억 활성 파라미터로 확인됐다. 다만 이번 기술 블로그에는 구체적인 전문가 수(Experts)나 레이어 분할 구조가 다시 기재되지 않았으므로, 과거 K3 모델 카드의 896개 전문가 수치 등을 K3.1 Pro의 확정 사양으로 단정해 적용하는 것은 경계할 필요가 있다.

사이버 보안 위험을 제어하기 위한 데이터 정제 작업도 병행됐다. 미드트레이닝 코퍼스와 강화학습 가상 환경에서 사이버 공격 및 침투 관련 데이터를 선별적으로 제거하는 조치가 취해졌다. 오픈웨이트 모델이 사이버 공격 기술의 절대적 프론티어를 확장해서는 안 된다는 안전 원칙에 따른 조치다. 데이터 제거 작업 후에도 코딩 일반화 역량 덕분에 내부 평가 지표인 xdev-bench-hard에서 81.0%의 높은 성공률을 기록했으나, 문샷 AI는 출시 시점의 보안 능력이 기존 상용 프론티어 모델의 상한선 아래에 머물도록 조율했다고 설명했다.

터미널 벤치마크의 두 가지 측정과 환각 감소의 실제 의미

개발자 커뮤니티의 시선이 가장 집중된 대목은 코딩 에이전트 성능을 대변하는 터미널 벤치마크(Terminal-Bench 4.0) 결과다. 발표 직후 여러 매체에서 벤치마크 1위 달성 여부를 두고 상반된 해석이 나왔으나, 이는 문샷 AI 자체 측정값과 독립 평가 기관인 아티피셜 애널리시스(Artificial Analysis)의 측정 환경이 서로 달랐기 때문에 발생한 현상이다.

문샷 AI가 자사 블로그를 통해 공개한 클로드 코드(Claude Code) 하네스 기반 측정에서 K3.1 Pro는 65.7%를 기록했다. 이는 오픈AI의 GPT-6 Astra(58.2%)를 앞서고 앤스로픽의 클로드 오퍼스 5.5(Claude Opus 5.5, 66.4%)에 단 0.7%포인트 뒤진 수치다. 문샷 AI는 공식 리더보드와 경쟁사 기술 블로그의 최고 기록을 대조군으로 제시하며 폐쇄형 상용 최고 모델과의 격차가 사실상 오차 범위 안으로 좁혀졌음을 강조했다.

반면 독립 벤치마크 평가 기관인 아티피셜 애널리시스가 자체 평가 하네스로 독립 측정한 터미널 벤치마크 4.0에서 K3.1 Pro는 67.0%를 획득했다. 해당 기관의 리더보드 테이블 내에서 K3.1 Pro는 클로드 소넷 5.5(64%)와 기존 K3(13%)를 제치고 최고 득점 모델로 기록됐다. 즉 문샷 AI 측정 기준으로는 오퍼스에 근접한 2위권이며, 아티피셜 애널리시스 자체 표 기준으로는 1위에 해당하는 결과다. 두 수치는 하네스 구성과 프롬프트 조건이 상이하므로 동일한 순위표로 단일화해 서술할 수 없다.

아티피셜 애널리시스의 종합 지능 지수(Intelligence Index) 평가에서 K3.1 Pro는 55점을 획득해 전체 평가 대상 중 4위에 올랐다. 클로드 오퍼스 5.5(58점), 클로드 소넷 5.5(56점), 뮤즈 원더 풀(Muse Wonder Full, 56점)의 바로 뒤를 잇는 위치이며, 전작 K3(44점) 대비 11점 상승한 수치다.

공식 홍보 문구에서 강조된 '환각 65% 감소' 역시 엄밀한 맥락 확인이 요구된다. 이는 일상적인 질의응답이나 범용 대화에서 오답률이 65% 줄었다는 의미가 아니다. 모델을 극한으로 압박하도록 설계된 내부 벤치마크인 'Kimi Hallu Bench Hard(도구 사용 조건)'에서 주장 단위(Claim-level) 오류율이 K3 시절 23.4%에서 K3.1 Pro 기준 8.3%로 낮아진 상대적 감소폭((23.4-8.3)/23.4 = 약 64.5%)을 지칭한다. 아티피셜 애널리시스의 옴니사이언스(Omniscience) 평가에서는 환각률이 53%에서 44%로 감소한 것으로 나타나 지표 체계에 따라 절대 수치에 뚜렷한 차이를 보였다.

특화 영역 평가에서는 도구를 활용한 3D CAD 복원 평가인 BenchCAD에서 92.7%를 달성했고, 전문 금융 문서 분석 지표인 OfficeQA Pro v2에서 64.4점으로 최고 수준을 기록했다. 반면 과학 연구 지향 코딩 벤치마크인 Terminal-Bench Science 0.1에서는 38.1%에 머물러 GPT-6 Astra(68.1%)나 오퍼스 5.5(63.3%)에 비해 여전히 현격한 격차가 존재함을 자사 차트에서도 숨기지 않았다.

API 가격 인하와 과금 구조, 글로벌 및 중국 이원화

가격 경쟁력 확보는 이번 K3.1 Pro 출시의 가장 실질적인 변화다. 글로벌 플랫폼 기준 입력 토큰 단가는 100만 토큰당 2.00달러, 출력 토큰 단가는 10.00달러로 확정됐다. 기존 K3의 입력 3.00달러, 출력 15.00달러와 비교하면 정확히 33.3%가 인하된 셈이다.

컨텍스트 캐싱(Context Caching) 제도 역시 파격적인 할인율을 유지한다. 캐시 쓰기 비용은 입력 단가와 동일한 백만 토큰당 2.00달러이지만, 캐시가 적중할 경우 입력 단가는 90% 할인된 0.20달러만 청구된다. 자동 캐싱의 기본 유지 시간(TTL)은 5분이며, 1시간 단위 확장 캐싱 요금은 플랫폼 정책에 따라 별도 산정된다.

중국 내수 플랫폼(platform.kimi.com)에서는 위안화 기반의 별도 요율이 적용된다. K3.1 Pro 기준 백만 토큰당 입력 13위안, 출력 68위안, 캐시 쓰기 13위안, 캐시 적중 1.30위안으로 책정됐다. 이는 과거 K3(입력 20위안, 출력 100위안, 캐시 적중 2.00위안) 대비 인하된 수치이나, 환율 변동과 결제 세금 체계에 따라 달러화 단가 비율과는 다소 차이를 보인다.

기업 고객을 겨냥한 데이터 프라이버시 조항으로 데이터 무보관(Zero Data Retention) 지원이 명시됐으며, 레거시 K2 시리즈는 2026년 10월 31일부터 신규 계정 접근이 차단되고 12월 말 공식 퇴역할 예정이다. 글로벌 서드파티 중개 플랫폼인 오픈라우터(OpenRouter) 역시 공식 발표 75분 만에 moonshotai/kimi-k3.1-pro 모델을 카탈로그에 등록하고 동일한 2달러/10달러 요율로 서비스를 개시했다.

바이브코딩 실무 도입 시 필수 점검 사항과 함정

코딩 에이전트 기반의 바이브코딩(Vibe Coding) 환경에 K3.1 Pro를 도입하려는 엔지니어링 조직은 마케팅 수치 이면에 존재하는 몇 가지 명확한 기술 제약을 사전에 인지해야 한다.

가장 주의해야 할 지점은 코딩 플랫폼(Kimi Code) 내 모델 식별자(Model ID) 설정이다. Kimi Code 환경에서 정식 모델 ID는 k3.1-pro 또는 k3.1-pro-highspeed다. 서드파티 통합 환경에서 모델명을 오타 내거나 잘못 기재할 경우, 시스템은 오류를 반환하지 않고 내부적으로 사고 기능이 제거된 이전 세대 모델(K2.8 Preview)로 조용히 폴백(Fallback) 처리된다. 사용자가 지능 저하를 체감하지 못한 채 저품질 코드를 생성받는 사고가 발생할 수 있다.

추론 사고(Thinking) 기능의 상시 강제도 예산 산정에 직접적인 영향을 미친다. K3.1 Pro는 추론 강도를 low, high, max 중 하나로 설정할 수 있으나(API 기본값은 max), 추론 기능을 완전히 끄는 옵션(off, disabled)은 허용되지 않으며 비활성화 요청 시 HTTP 400 에러를 반환한다. 멀티턴 에이전트 대화에서는 직전 턴 어시스턴트의 추론 컨텐츠(reasoning_content)를 함께 페이로드에 포함해 전송해야 하며 해당 토큰 역시 과금 대상에 포함된다. 아티피셜 애널리시스 분석에 따르면 과제당 출력 토큰 수가 기존 K3 대비 약 14% 증가(평균 55,000 토큰)하여, 단위 토큰 단가 인하분(33%) 중 상당 부분이 증가한 토큰 길이로 상쇄된다.

진행 중인 세션 내 모델 교체도 금기 사항이다. 기존 K3나 K2 기반으로 대화가 누적된 세션 도중에 K3.1 Pro로 모델을 변경하면 컨텍스트 캐시가 깨지고 추론 일관성이 급격히 저하된다. 문샷 AI 공식 문서 역시 모델을 전환할 때는 반드시 새로운 세션을 생성할 것을 명시적으로 권고하고 있다.

고속형 모델(Highspeed)의 체감 효용성도 작업 특성에 따라 갈린다. Highspeed는 생성 토큰의 출력 레이턴시를 2배 이상 단축하지만 쿼터 소모와 API 단가는 2배로 증가한다. 셸 명령어 실행, 파일 읽기 쓰기, 정적 분석 툴 구동 등 외부 도구 대기 시간이 턴의 대부분을 차지하는 엔드투엔드 에이전트 작업에서는 출력 속도 향상으로 인한 전체 소요 시간 단축 체감이 제한적일 수 있다.

마지막으로 가중치 공개 시점에 관한 현실적 한계다. 문샷 AI는 2026년 11월 4일 이전 가중치 릴리스를 약속했으나, 현재 허깅페이스 저장소(moonshotai/Kimi-K3.1-Pro)는 404 페이지 상태이며 세부 배포 라이선스 또한 확정 공표되지 않았다. 따라서 현재 시점에서는 사내 폐쇄망 환경이나 자체 GPU 클러스터에 로컬 배포하는 것이 원천적으로 불가능하며, 모든 워크로드는 문샷 AI 또는 오픈라우터의 클라우드 엔드포인트를 통해서만 소화해야 한다.

독자 Q&A

Kimi K3.1 Pro의 핵심 기술 변화와 포지셔닝은 무엇인가

완전히 새로운 아키텍처를 사전학습한 모델이 아니라, 기존 2.8조 파라미터 MoE 기반의 K3 모델에 대규모 사후학습 연산 자원을 투입해 추론 및 에이전트 계획 수능을 개선한 버전이다. 100만 토큰 컨텍스트를 유지하면서 상시 사고 메커니즘을 결합했고, API 공급 가격을 종전 대비 33% 낮춰 실무 접근성을 높였다.

터미널 코딩 벤치마크에서 클로드 오퍼스를 추월했는가

평가 주체와 환경에 따라 상반된 결과가 존재한다. 문샷 AI 공식 발표에 따르면 클로드 코드 하네스 기준 K3.1 Pro는 65.7%로 클로드 오퍼스 5.5(66.4%)에 0.7%포인트 뒤진 2위권이다. 반면 아티피셜 애널리시스의 독립 측정에서는 67.0%를 획득해 해당 리더보드 테이블 내에서 최고 점수를 기록했다. 두 측정 체계가 서로 다르므로 단일 순위로 단정할 수 없다.

환각 오류가 65% 줄었다는 주장은 일상 개발에서도 체감되는가

일상적인 대화나 통상적인 코드 생성 전체에서 오류가 65% 줄어든 것은 아니다. 모델의 취약점을 집중 검증하는 내부 고난도 벤치마크(Kimi Hallu Bench Hard) 환경에서 주장 단위 오류 발생률이 기존 23.4%에서 8.3%로 낮아진 상대적 개선 수치다. 독립 기관인 아티피셜 애널리시스 측정에서는 환각률이 53%에서 44%로 감소한 것으로 나타났다.

지금 바로 로컬 환경이나 사내 GPU 서버에 가중치를 받아 설치할 수 있는가

현재는 불가능하다. 문샷 AI는 모델 가중치를 2026년 11월 4일 이전까지 순차 공개하겠다고 밝혔으며, 현재 공식 허깅페이스 저장소는 비공개(404) 상태다. 현재로서는 공식 웹 플랫폼, 키미 워크, 키미 코드, 종량제 클라우드 API 및 오픈라우터를 통한 원격 호출만 지원된다.

바이브코딩 도구 연동 시 반드시 주의해야 할 기술적 위험은 무엇인가

키미 코드나 외부 IDE 환경에서 모델 식별자 오타 발생 시 시스템 경고 없이 이전 세대 모델인 K2.8 Preview로 조용히 폴백된다. 또한 사고(Thinking) 기능을 임의로 비활성화할 수 없어 멀티턴 대화 시 추론 토큰 과금이 누적되므로, 단위 단가 인하에도 불구하고 실제 작업당 청구 비용을 면밀히 모니터링해야 한다.

출처

FAQ

자주 묻는 질문

Kimi K3.1 Pro의 핵심 기술 변화와 포지셔닝은 무엇인가

완전히 새로운 아키텍처를 사전학습한 모델이 아니라, 기존 2.8조 파라미터 MoE 기반의 K3 모델에 대규모 사후학습 연산 자원을 투입해 추론 및 에이전트 계획 수능을 개선한 버전이다. 100만 토큰 컨텍스트를 유지하면서 상시 사고 메커니즘을 결합했고, API 공급 가격을 종전 대비 33% 낮춰 실무 접근성을 높였다.

터미널 코딩 벤치마크에서 클로드 오퍼스를 추월했는가

평가 주체와 환경에 따라 상반된 결과가 존재한다. 문샷 AI 공식 발표에 따르면 클로드 코드 하네스 기준 K3.1 Pro는 65.7%로 클로드 오퍼스 5.5(66.4%)에 0.7%포인트 뒤진 2위권이다. 반면 아티피셜 애널리시스의 독립 측정에서는 67.0%를 획득해 해당 리더보드 테이블 내에서 최고 점수를 기록했다. 두 측정 체계가 서로 다르므로 단일 순위로 단정할 수 없다.

환각 오류가 65% 줄었다는 주장은 일상 개발에서도 체감되는가

일상적인 대화나 통상적인 코드 생성 전체에서 오류가 65% 줄어든 것은 아니다. 모델의 취약점을 집중 검증하는 내부 고난도 벤치마크(Kimi Hallu Bench Hard) 환경에서 주장 단위 오류 발생률이 기존 23.4%에서 8.3%로 낮아진 상대적 개선 수치다. 독립 기관인 아티피셜 애널리시스 측정에서는 환각률이 53%에서 44%로 감소한 것으로 나타났다.

지금 바로 로컬 환경이나 사내 GPU 서버에 가중치를 받아 설치할 수 있는가

현재는 불가능하다. 문샷 AI는 모델 가중치를 2026년 11월 4일 이전까지 순차 공개하겠다고 밝혔으며, 현재 공식 허깅페이스 저장소는 비공개(404) 상태다. 현재로서는 공식 웹 플랫폼, 키미 워크, 키미 코드, 종량제 클라우드 API 및 오픈라우터를 통한 원격 호출만 지원된다.

바이브코딩 도구 연동 시 반드시 주의해야 할 기술적 위험은 무엇인가

키미 코드나 외부 IDE 환경에서 모델 식별자 오타 발생 시 시스템 경고 없이 이전 세대 모델인 K2.8 Preview로 조용히 폴백된다. 또한 사고(Thinking) 기능을 임의로 비활성화할 수 없어 멀티턴 대화 시 추론 토큰 과금이 누적되므로, 단위 단가 인하에도 불구하고 실제 작업당 청구 비용을 면밀히 모니터링해야 한다.