2026年11月5日、月之暗面(Moonshot AI)はKimi K3.1 Proのモデル重みをHugging Faceで公開した。総パラメータ2.8兆、1回の推論で動くのは約1040億、コンテキストは約100万トークン。10月下旬の発表時に「11月4日までに開放する」としていた約束を、ほぼ期限どおりに履行した形だ。
同じ24時間のうちに、腾讯混元はHy4の正式版を出している。770B・49Bアクティブ、初の視覚理解、初のComputer Use。こちらも「近日中に重みとシステムカードを公開する」と宣言した。
2つの巨大モデルが、ほぼ同時に「重みを配る」と言った。だがこの24時間で本当に面白いのは、パラメータ数でも公開の速さでもない。同じモデルが、測る人によって「オープン最強」にも「4番手」にもなったという事実のほうだ。
1. 11月5日、約束の日に降りてきたもの
Kimi K3.1 Proが発表されたのは10月下旬。その時点で月之暗面は「完全な重みを11月4日までに公開する」と明言していた。11月5日の公開は、約束の日から1日遅れ、発表からおよそ2週間という計算になる。
この「納期」は、思ったより重い意味を持つ。オープンウェイトを掲げるラボが増えた結果、ここ1年の業界では「重みを出すと言った日付」そのものが信用の指標になりつつある。ある海外の研究者は、中国のラボが宣言した公開日をほぼ外さないことを指して「約束した日に開ける、というのは妙に爽快な話だ」と評した。性能の話をする前に、まず予告を守るかどうかで見られている。
中身を整理しておく。
- アーキテクチャ──MoE。総パラメータ2.8兆、1トークンあたりのアクティブは約1040億。総額の3.7%だけを動かす設計で、前世代のK3(2026年7月にオープン化)の系譜にある
- コンテキスト──約100万トークン。ネイティブ多模态で、画像入力に対応する
- 配布形式──重みはMXFP4、アクティベーションはMXFP8。量子化考慮学習(QAT)を経た形での公開で、ライセンスはMITをほぼ踏襲していると報じられている
- API──platform.kimi.ai で
kimi-k3.1-proとして提供。OpenAI互換とAnthropic互換の両方のインターフェースを持つ
ライセンスがほぼMITという点は、数字より実務に効く。商用利用の可否を契約交渉なしに判断できるというのは、企業がオープンウェイトを選ぶときの最初の関門だ。
2. 「開いた天井」の重さ──5.6TBという現実
とはいえ、2.8兆パラメータを「開いた」ことの意味を、素直に受け取りすぎるのも危うい。
BF16で保存した場合の重みは約5.6TB。INT4まで落としても約1.4TB。単機のコンシューマ向けGPUで動かすことは、物理的に不可能に近い。今回MXFP4で配布されたのは、性能を保ちながらファイルサイズを実用的な範囲に収めるための選択であり、同時に「ダウンロード可能」と「ローカルで動く」の間に深い溝があることの証拠でもある。
では、オープンウェイトの価値はどこにあるのか。大きく3つだ。
- 検証──ベンチマークの数字を第三者が追試できる。自社発表値が独り歩きする状態を、原理的に壊せる
- 派生──ファインチューニング、蒸留、量子化、ドメイン特化。ベースモデルが配られると、その上に数百の派生が生まれる(10月末にNVIDIAとPikaがMiniMax H3でやったのは、まさにこれだ)
- 調達の選択肢──大規模クラスタを持つ組織にとっては、APIの単価交渉に対する現実的なカウンターになる
多くの読者にとって重要なのは1番目である。2.8兆という数字は、あなたのノートPCで動く話ではない。だが「この数字は本当か」を誰かが確かめられる状態になるという意味は、明日のモデル選択に直結する。
3. 24層を疎注意に置き換えた──長文脈の原価を下げる作り方
技術的な見どころは、100万トークンという長さそのものより、その長さを維持するコストをどう下げたかにある。
K3.1 Proは、K3で全注意(full attention)を使っていた24層を、疎注意(ゲート付き稀疏注意)に置き換えた。各トークンは、系列全体ではなく関連度の高い上位2048トークンだけを参照する。仕組み自体はDeepSeekが提示した路線で、長文脈の計算量をトークン長に対して線形に近づける。
これは地味だが、エージェント用途では決定的だ。長いセッションを走らせるエージェントは、毎ターン巨大な文脈を読み直す。文脈が2倍になればコストが4倍になる設計では、「何時間走らせられるか」が先に破綻する。長さを売りにするモデルが最初に解くべきは、精度ではなく請求額のほうなのである。
興味深いのは、この1週間に出た3つの巨大モデルが、同じ問いに別の答えを出していることだ。美団LongCat-2.5はW4A4(重みもアクティベーションも4ビット)で推論原価を削り、混元Hy4は770B総量に対して49Bだけを動かすMoEで応答単価を抑え、Kimi K3.1 Proは注意機構そのものを削る。総パラメータの競争は、いま「1タスクあたり何ドルで終わるか」の競争に読み替えられている。
4. 数字を読む:46.5、63.64%、1タスク4.57ドル
公開直後に出た第三者の数字を並べる。
- Artificial Analysis 総合知能指数 46.5──これまでオープンウェイト最上位だったDeepSeek-V4.1-Flashの32.6を約14ポイント上回る。オープンウェイトの最高値が、一度に14ポイント動くのは珍しい
- Vals AI の Terminal-Bench 4.0 で 63.64%──59モデル中3位。上はClaude Opus 5.5とClaude Sonnet 5.5で、GPT-6 Astraは5位に入る。端末で作業する能力の指標で、オープンウェイトがトップ3に入ったことになる
- 1タスクあたり4.57ドル──同じテストでClaude Opus 5.5は13.20ドル。約3分の1の費用で、同水準の完走率を出す
ここで読むべきは順位ではなく単位だ。トークン単価ではなく「タスクを1件終わらせるのにいくらかかったか」で見ると、安いモデルが何度もやり直す構図と、高いモデルが一発で決める構図の差が消える。エージェントの経済性は、この単位でしか比較できない。
ただし留保も付く。Terminal-Benchは端末操作に特化した指標であり、「端末で強い」は「仕事全体で強い」ではない。そして何より、この種の指数は構成(推論の深さ、ツール呼び出しの回数、思考の長さ)に強く依存する。同じモデルでも、設定を変えれば順位は動く。
5. Agent Arenaは「投票」ではなく「痕跡」で測る
今回いちばん示唆に富むのが、Arenaが運営するAgent Arenaの結果だ。Kimi K3.1 Pro(Max)はオープンウェイト部門1位、全モデル中13位。仕事・コーディング・チャットの3カテゴリすべてでオープン最上位につけた。
このランキングの測り方が独特である。2つの回答を人間に選ばせる方式ではなく、実際のユーザーが長いエージェントセッションで残した信号を抽出する。タスク完了の明示的な確認、賞賛と苦情、軌道修正の指示、シェルコマンドの実行エラー。そこから「因果追跡」と呼ばれるランダム化推論で、平均に対する純改善率を推定する。母数は世界のユーザーによる1万7500件以上の実セッション。
結果は、平均的なモデルを基準にした純改善率で+5.1%。前世代K3の+0.9%から4.2ポイント改善した。内訳がさらに具体的だ。
- Bash Reliability(シェル実行の信頼性)+7.9%──オープン模型中1位。K3は-4.5%で13位だったので、ここが最大の改善点
- Praise vs Complaint(賞賛と苦情の差)+7.7%──K3の+1.3%から大幅に上昇
- Steerability(フィードバックに応じて進路を変える力)+6.5%──同じくオープン1位
- Confirmed Success(ユーザーが完了を明示確認した率)+3.9%──オープン4位。K3の+3.8%からほぼ横ばい
この4つを並べると、性格が見える。「間違えずに走る」「指摘されれば直る」「途中で止まらない」は大きく改善したが、「最後まで到達したと人間が認める」はあまり伸びていない。つまり操縦性は上がったが、完遂率はまだ課題として残っている。総合1位の看板より、この内訳のほうが実務には役立つ。
もちろん、この手法にも限界はある。信号を残すのはヘビーユーザーに偏るし、カテゴリによってセッションの質も違う。それでも「ベンチマークを解く力」ではなく「人間が手を離せるか」を測っている点で、他の指標とは別の軸を持っている。
6. 同じ24時間の混元Hy4──770B、視野、そして手
ここで、同日に正式版が出た腾讯混元Hy4を見ておきたい。8月末のpreviewを経ての正式投入で、スペックは次の通り。
- 770B総量・49BアクティブのMoE。Hy3系列が300B未満だったので、一気に2.5倍以上の規模になった
- 100万トークンのコンテキスト(TokenHub経由で最大入力約96万・最大出力約6.4万)
- 初の視覚理解──精密な画像処理、複雑なグラフ分析、図を含む数学的推論
- 初のComputer Use──GUIとCLIの両方を操作する。BlenderやCADといった専門ソフト向けに専用訓練を実施
評価は自社発表だが、内訳が細かい。WorkBuddy上のオフィス協業評価で平均83.18点・タスク通過率96.15%、12シナリオ中9つで国内1位。金融分野では213名の専門家(うち外部153名、約7割が実務5年以上)が579の実タスクを評価するブラインドテストを実施し、Hy4が3.04点。以下、DeepSeek-V4.1-Flash-1017が2.97、Kimi K3.1 Proが2.68、GLM-5.3が2.68と続く。幻覚率はpreviewの12.95%から7.2%へ、根拠のない推測による誤りは23.1%から5.6%へ下がったという。
価格はpreviewから据え置きで、入力100万トークンあたり6元、出力18元、キャッシュヒット時0.3元。年内はTokenHubで5割引、WorkBuddyとCodeBuddyでは11月15日まで一定枠が無料になる。重みとシステムカードは「近日公開」、低コスト版のHy4 Flashも予告されている。
注目すべきは、腾讯が自ら「Hy4は現時点で最強のオープンモデルのひとつだが、トップのクローズドモデルとは依然として大きな差がある」と書いている点だ。この自己評価の慎重さは、逆に数字の信頼性を上げる。
7. 「最強」の地図は、誰が測ったかで書き換わる
ここで矛盾が露出する。同じKimi K3.1 Proが、Artificial AnalysisではDeepSeek-V4.1-Flashを14ポイント上回り、腾讯の金融ブラインドテストではDeepSeekに0.29点負けている。どちらも「実在する評価」だ。
説明は難しくない。測っているものが違う。AAは公開ベンチマークを束ねた総合指数で、腾讯のテストはファンド調査・証券分析・クオンツ戦略という特定業務の実タスクを、実務者にブラインドで採点させたものだ。金融のように「数字の正確さ」と「根拠の一貫性」が支配的な領域では、総合指数の差は縮む。さらに腾讯は金融向けに検索の鮮度・多源統合・事実整合性を専用に最適化している。同じ土俵に見えて、土俵が違う。
2026年11月の評価環境は、大きく3つのレジームに分かれている。
- ベンダー主催のブラインドテスト──業務に近い。ただし問題セットも採点者も主催者が選ぶ
- 第三者指数──横比較が容易。ただし公開ベンチへの最適化(いわゆる汚染)の影響を完全には排除できない
- 挙動の痕跡──Agent Arena型。実際に人間が使った結果から測る。ただし母集団の偏りと、設定の非開示が残る
そして今、4つ目の軸が立ち上がった。「どのモデルが答えたかを、暗号学的に証明する」という軸である。
Anthropicは11月4日、FlashProveをApache 2.0でオープンソース化した。zkSNARKを使い、モデルの重みを公開せずに「この回答は確かにこのモデルが生成した」ことを証明する。流れは3段階だ。サービス側が事前に重みの暗号学的コミットメント(指紋)を作り、リクエストごとに推論の計算トレースに対する証明を添付し、利用者はそれを検証する。
数字は実用的な範囲に入っている。400BのMoE(Llama 4 Maverick)で、オフライン準備はH100 1枚で約39分・約2.15GB。クライアントの初回ダウンロードは6.24MB。1024トークンあたりの証明ファイルは約19MB、H100 1枚で毎秒約110トークン分を生成できる。検証はGPU不要で、一般的なCPUで約17秒。1回の推論で約2000のsumcheckサブプロトコルを走らせ、BLAKE2ベースで楕円曲線に依存しないため、量子計算機への耐性も主張されている。コードの95%以上はClaude自身が書き、Lean 4で形式証明が付いている。
ただし、これは出所の証明であって正しさの証明ではない。コストは通常推論の70〜95倍で、現状は研究用のプロトタイプだ。それでも「APIの裏で安いモデルにすり替えられているのではないか」という、2026年を通して燻り続けた疑念に対して、初めて機械的に検証できる答えが出たことになる。
同じ週の周辺にも、方向の揃った動きがある。
- 字節跳動が外部AIの入口を閉じた──11月4日、同社は全社のL4級コードリポジトリと飛書(Feishu)文書について外部AIからのアクセスを遮断すると通知した。社員が個人で購入したClaudeやCodexのアカウントは、内部リソースに触れなくなる。技術副総裁の洪定坤氏は内網で「L3以上の内容が一度漏れれば結果は非常に深刻だ」「他を禁じて自社製品を押し付けるやり方は効果が悪い」と説明したという。公開情報や私的利用は制限しない、と関係者は補足している。エージェントが読む場所と、読ませてはいけない場所の線引きが、調達の条件になり始めた
- OpenAIがPierre Computerを買収──同じ11月4日。Codexにコードストレージ(Code Storage)と、Trees/Diffs/Highlightsといったレビュー用の道具を取り込む。金額は非公開、既存のオープンソースは維持される。同社は今週、エージェントによるコード変更の急増に対応する社内Git基盤「Pando」でプッシュ時間を約8割短縮したと公表したばかりだ。CursorのOrigin(8月)、GitHub前CEOの新会社と、コードの保管場所そのものが競争領域になっている
- 中国側は「規模」と「自主規範」を同時に積んだ──烏鎮サミットで公表された「中国インターネット発展報告2026」によれば、2025年の中国の具身智能(身体性AI)市場は約9150億元(前年比20.4%増)、企業向けAIエージェント市場は212億元。1日あたりのトークン呼び出し量は2年間で1000倍以上になった。同じ会場で信通院と腾讯・アリババ・華為・抖音など20社が「智能体発展自律公約」に署名している。京東は5年でロボット300万台・無人車100万台・ドローン10万機の調達を表明した
8. 結論──開源の価値は「重み」ではなく「検証できること」
2.8兆の重みが公開された日、オープンウェイトの天井は確かに上がった。総合指数46.5、端末タスクで世界3位、1タスク4.57ドル。数字だけを見れば、オープンとクローズドの差は「性能」から「運用」へ移ったと言える。
だがこの24時間が本当に示したのは、順位の不安定さのほうだ。同じモデルが、ある物差しでは14ポイントの差でトップに立ち、別の物差しでは0.29点差で4番手に落ちる。どちらも嘘ではない。だからこそ、「どのモデルが最強か」という問いは、2026年11月においては「誰の物差しで、どの業務を測ったか」という問いに分解しないと意味を持たない。
実務に持ち帰るなら3点になる。
- 単価ではなく「完了タスク単価」で見る──4.57ドルと13.20ドルの差は、やり直し回数を含めたときにどこまで残るか。自社のタスクで10件測るのが、どのベンチより速い
- ライセンスと量子化形式を先に確認する──MIT相当か、MXFP4で配布されているか、INT4に落としたときの劣化はどの程度か。この3つで「検討可能か」が決まる
- ベンダーの数字は仮説、第三者は証拠、自社評価が判決──Hy4の金融3.04とKimiの2.68は、金融業務における1つの証拠であって、万能の順位ではない。逆にAAの46.5も、あなたの業務の46.5ではない
Kimi K3.1 Proが配ったのは、2.8兆の答えではない。その答えを疑えるようになる足場だ。FlashProveが示したのは、その足場を暗号で固められるという見通しである。重みを出し、測り方を開き、誰が答えたかを証明する──この3つが揃ったとき、初めて「選ぶ」という行為が技術になる。
オープンウェイトの競争は、もう「何兆パラメータか」の段階を終えている。問われているのは、その数字を他人が検証できる形で出せるかだ。今週、それを最も早くやったのは、約束の日に重みを置いていった中国の2つのラボだった。
参照: 月之暗面Kimi K3.1 Pro重み公開(2026-11-05、Hugging Face)/IT之家・凤凰网科技・新浪科技・PANews(2026-11-05)/Arena「Agent Arena」ランキング(2026-11-05)/Artificial Analysis Intelligence Index・Vals AI Terminal-Bench 4.0(2026-11-05)/腾讯混元Hy4正式版(2026-11-04、tencent.com・腾讯云開発者社区)/Anthropic FlashProve(2026-11-04、github.com/anthropics/FlashProve)/北京商報・凤凰网科技(2026-11-04)/OpenAI「OpenAI to acquire Pierre」(2026-11-04)/中国互联网発展報告2026・烏鎮サミット(2026-11-04)