Moonshot AI heeft iets gedaan waartoe weinig AI-laboratoria overgaan: het heeft bewust een capaciteit van zijn vlaggenschipmodel verzwakt. Zaterdag maakte het Beijing-based startup bekend dat het de cyberaanvalsmogelijkheden van Kimi K3.1 Pro, zijn tot nu toe meest geavanceerde model, heeft verminderd. De aankondiging komt op een moment van groeiende ongerustheid dat steeds autonomere AI-systemen kwaadwillende hackers een krachtig nieuw voordeel kunnen bieden.

In plaats van externe beveiligingen toe te voegen, greep het bedrijf eerder in. Cybergerelateerd materiaal werd vóór de release uit de trainingscorpus van het model verwijderd, een wijziging die bedoeld is om het vermogen van Kimi K3.1 Pro om softwarekwetsbaarheden te misbruiken te beperken, terwijl de codeervaardigheden onaangetast bleven.

Wat Moonshot eigenlijk heeft gewijzigd

Benchmarks maken de afweging meetbaar. Op de interne exploit-benchmark van Moonshot scoorde Kimi K3.1 Pro 81,0%. Een parallelle, ongefilterde versie van hetzelfde model—getraind mét de cyberdata—scoorde 90,5%. De filtering kostte het uitgebrachte model dus ruim negen en een halve procentpunt aan aanvalscapaciteit.

De generatieverschuiving is moeilijker te temperen. Kimi's voorganger, K3, scoorde slechts 33,3% op dezelfde test. Zelfs na filtering blijft het nieuwe model bijna 48 procentpunten vaardiger in exploitatie dan zijn voorganger. Moonshot heeft de hackvaardigheden niet bevroren; het heeft de groei vertraagd.

Het bedrijf heeft zijn intentie in zorgvuldige bewoordingen beschreven. Moonshot zei dat het niet de bedoeling is dat dit model de grenzen van cyberaanvalscapaciteit verlegt, en het plant incrementele verbeteringen aan defensieve beveiligingen in toekomstige releases.

De specificaties achter de beveiligingen

Kimi K3.1 Pro is bij elke maatstaf een enorm model. Het model gebruikt een mixture-of-experts-architectuur met in totaal 2,8 biljoen parameters, waarvan 104 miljard op elk moment actief zijn. Het beschikt bovendien over een contextvenster van 1 miljoen tokens—genoeg ruimte om zeer lange documenten of uitgebreide codebases in één keer te verwerken.

Aan deerkant lijkt Moonshot te hebben behouden wat het wilde beschermen. Kimi K3.1 Pro scoorde 65,7% op Terminal-Bench 4.0, een resultaat vergelijkbaar met Anthropic's Claude Opus 5.5, en het model vertoonde naar verluidt ook lagere hallucinatiecijfers.

Dan volgt het detail dat de inzet verhoogt. Moonshot is van plan de volledige modelgewichten uiterlijk 4 november 2026 publiek vrij te geven—wat betekent dat de gefilterde versie die 81,0% scoorde, uiteindelijk door buitenstaanders kan worden gedownload.

Waarom de open-weight-release de berekening verandert

De meeste frontier-AI-laboratoria houden hun modellen achter een API. Gebruikers sturen verzoeken, het bedrijf stuurt antwoorden terug, en het bedrijf kan gedrag onderweg monitoren, beperken of corrigeren.

Open gewichten werken anders. Zodra de bestanden publiek zijn, kan iedereen het model downloaden, op eigen hardware draaien en aanpassen. Er is geen terugroepknop.

Die realiteit verklaart waarom Moonshot koos voor datafiltering in plaats van uitsluitend te vertrouwen op controles na release. Als een capaciteit het model tijdens de training nooit binnenkomt, zit er minder ervan in de gewichten voor buitenstaanders om terug op te roepen.

De beslissing volgt ook op kritische aandacht voor Kimi K3, dat opviel door zijn prestaties op cyber taken. De nieuwste release leest deels als een reactie op die aandacht—een poging te tonen dat Moonshot een sterker model kan uitbrengen zonder een scherper aanvalsinstrument uit te delen.

Wat dit betekent voor de AI-industrie

Het meest opvallende element is dat Moonshot zijn veiligheidsafwegingen kwantificeert en publiceert. Het tonen van een gefilterde score naast een ongefilterde maakt de prijs van voorzichtigheid voor iedereen zichtbaar.

Er loopt ook een competitieve draad door het verhaal. Met codeerresultaten vergelijkbaar met Claude Opus 5.5 op Terminal-Bench 4.0, staat een Chinees open-weight-model nu in dezelfde discussie als een toonaangevend gesloten Amerikaans systeem op die benchmark.

Het volgende ijkpunt is 4 november 2026. Zodra de gewichten publiek zijn, kunnen onderzoekers en beveiligingsteams de claims van Moonshot onafhankelijk testen—en ontdekken of een zorgvuldig samengesteld trainingsdieet genoeg is om een model met 2,8 biljoen parameters in toom te houden. Het gepubliceerde scorepaar, 81,0% gefilterd tegenover 90,5% ongefilterd, geeft hen een concrete basis voor die controle.