Kimiは正式にK3.1 Proモデルを発表しました。K3シリーズ初のProバージョンである同モデルは、タスク実行能力における核心的な飛躍を実現しています。独立評価機関Artificial AnalysisによるTerminal-Bench 4.0テストにおいて、K3.1 Proの完了率はK3の12.6％から大幅に上昇し、67.2％に達して当該期間の首位となりました。このテストでは、実際のパソコン端末環境下で命令を完全に実行し、すべての検証をクリアすることが求められます。同時に、AutomationBench-AA（メール・スプレッドシート・CRMなどのオフィス業務タスク）における目標達成率は58.3％から73.3％へと向上し、GDPval-AA（文書・スプレッドシート・プレゼンテーションの生成）でも第3位を獲得するなど、実際の生産性シナリオにおける実用性の高まりが示されています。
性能向上に伴う技術路線の調整：公式には推論側の具体的な最適化は明示されていないが、事後学習への投資を拡充し、数百に及ぶ下流タスク領域における共同強化学習を通じて、長文コンテキスト処理とタスク実行環境を改善したと強調されている。注目すべきは、進展に構造的な差異が見られることである——HLEの全量難問テストでは、ツールを有効にした場合のProのスコアは70.0％でOpus 5.5を上回る一方、ツールを無効にした場合は51.1％に留まり、Opusの59.8％を下回った。また、AAの長文コンテキスト推論テストでは、K3（Max）が88.7％に対しProは86.3％であり、その優位性は純粋なテキストの深層推論よりも、ツール呼び出しによる閉ループ型の実行に強く偏っていることを示している。
最も示唆に富むのは、公式による人間の歩行シミュレーションのデモである。K3.1 Proが全工程で制御器のトレーニングを主導し、仮想人の腕の動作が異常状態が継続した際には、報酬関数の調整にとどまらず、シミュレーターのコードを積極的に検証して、肩部筋肉の力臂計算における36箇所の誤りを特定・修正したうえで、再びトレーニングを再開した。この「診断―修正―再訓練」のクローズドループは、従来のRLHFパラダイムを超越し、物理シミュレーションシステムの内在する論理に対する理解と介入能力を示しており、身体知能の研究開発において重要な基盤能力の原型と広く見なされている。
商業化戦略は同時に、高頻度の対話型利用への対応へと転換しています。通常のPro版ではAPI出力の単価が100万トークンあたり68元（K3は100元）に引き下げられましたが、Highspeed版は136元で、しかも加速が適用されるのはモデルの出力段階に限られます。一方、ファイルの読み書きやコマンド実行などの処理には依然として時間がかかります。ユーザーによる実測結果によれば、3Dハンドルのモデリングやペリカンが自転車に乗るアニメーションなど、複数回の反復を伴う複雑なタスクでは、クォータ上限に達しやすい傾向が見られます。特に199元プランのユーザーは、3回の修正を経た時点で残量が底をつくのに対し、599元プランでは消費速度に顕著な差が生じており、現行のトークン課金ルールが長時間にわたるタスク全工程（生成→検証→修正→エクスポート）を十分にカバーできていないことが示されています。
技術動向と組織の動きを総合すると、Kimiの具身知能に関する展開はすでに概念から実践へと移行している。上述のシミュレーション能力に加え、公開報道によれば、月之暗面は具身知能およびロボティクス分野の人材を積極的に採用しており、候補者の一部は一流のロボット企業出身者だという。技術路線においては、Google Gemini Robotics ER 2と呼応しており、後者は環境認識とタスク計画をFlashモデルが担い、下層の動作モデルが実行する構造となっている。一方、K3.1 Proが示すシミュレーション設計と診断能力は、まさに訓練側における「エージェントの脳」の役割を担うのに適している。今後、低遅延・低コストのFlashバリアントが投入されれば、リアルタイムな感知―計画―実行の閉ループを完備できる可能性がある。