Kimi K3.1 Pro 正式发布：3 万亿级参数、100 万上下文，代码 / 3D / 金融能力大幅升级

[ikaijua]

2026-10-23（美东）/ 10-24（北京），月之暗面（Moonshot AI）正式推出 K3.1 系列首个模型 Kimi K3.1 Pro——迄今能力最强的 3 万亿级参数模型，支持 100 万 Token 上下文。同步发布高速版 K3.1 Pro Highspeed，智能水平相同，输出速度约 2~3 倍。完整模型权重将于 11 月 4 日前发布。

关于定位：K3.1 Pro 不是全新底座，而是 K3 的大规模后训练版本——2.8T 总参数 / 104B 激活参数（MoE）不变，100 万上下文、原生多模态（文本 + 图像 + 视频文件）不变；变的是后训练：月之暗面称投入了「大幅增加的后训练算力」，在数百个领域做了大规模联合强化学习，并重构了 RL 框架、沙箱、长上下文推理与 rollout 调度等底层工程。所以这是一个「同一个大脑被重新教了一遍怎么干活」的版本。

目录

1. 一、发布概览
2. 二、官方基准成绩（月之暗面自测）
3. 三、第三方评测与争议（X 等社区实测）
4. 四、小结

点击目录可跳转至对应楼层；若页内点击无反应，可在新标签页中打开链接。

---

参考来源

• Kimi API 开放平台 · K3.1 Pro Quickstart
• Moonshot 技术博客 · Advancing Open Intelligence
• Artificial Analysis 基准页

英文讨论帖：Kimi K3.1 Pro Released — Moonshot AI's Strongest 3-Trillion-Parameter Model

tag: AI产品

[ikaijua]

一、发布概览

1. 两个版本：K3.1 Pro（标准版）与 K3.1 Pro Highspeed（输出速度约 2~3 倍，价格翻倍，仅缓存命中同价）。
2. 获取方式：kimi.com / Kimi App / Kimi Work / Kimi Code / Kimi API（platform.kimi.com）。Kimi Code 新会员体系下 K3.1 Pro 需 Plus 及以上档位，1M 上下文与 Highspeed 需 Pro 及以上；企业版默认关闭，需管理员手动开启。
3. API 定价：输入 2 美元 / 百万 token，输出 10 美元 / 百万 token，缓存命中 0.20 美元；较 K3（3/15/0.30）三项费率整体下调约 33%。
   • 国内刊例价约 ¥13（未命中缓存）/ ¥1.3（命中）/ ¥68 输出。
   • 按美元价对比：约为 Claude Opus 5.5 的一半、与 GPT-6.1 Sol 同价、约为 GPT-6 Astra 的 1/5。
4. 开放权重：完整模型权重承诺 11 月 4 日前发布；若如期放出，它将成为 Artificial Analysis 智能指数上得分最高的开放权重模型。

相对上一代 K3 的核心变化

架构、参数规模（2.8T 总参 / 104B 激活）、1M 上下文、原生多模态全部不变——架构细节见 K3 技术报告 arXiv:2607.24653。变化全部来自后训练：

1. 数百领域联合 RL：后训练算力大幅增加（官方口径 "substantially larger post-training compute"），联合 RL 的下游领域从 K3 的几十个扩到数百个。
2. 六层栈重构：为规模化 RL 重做了整条工程栈——RL 框架、长上下文推理（支撑 1M token episode）、训练效率、沙箱基础设施、rollout 调度、环境质量校验——让每单位 RL 算力的收益稳定可预测。
3. 网攻数据剔除：训练中期语料与 RL 环境中主动移除网络攻防数据（效果数据见本楼「事实」表与第三楼第 4 节）。

注：RL 算力的具体 FLOPs / GPU-hours 未披露，K3.1 自身的技术报告预计随 11/4 权重发布。

[ikaijua]

二、官方基准成绩（月之暗面自测）

说明：下表除特别标注外均为月之暗面官方运行结果；对比值取自其他实验室公开或榜单数字。带「*」为内部基准。

编程 / Coding

Benchmark	Kimi K3.1 Pro	对比（月之暗面 / 榜单）
Terminal-Bench 4.0	65.7%	超过 GPT-6 Astra 58.2%，逼近 Claude Opus 5.5 66.4%；AA 独立测为 67.2%（见第三楼）
Kimi Code Bench 3.0 Long-horizon*	61.2%	K3 为 55.95%（+5.25pt）
SWE-Marathon v1.1	51.7%	超过 Claude Opus 5.5 46.3%、GPT-6 Astra 42.5%
Agents' Last Exam	43.2 分	超过 Claude Opus 5.5 42.6 分、GPT-6 Astra 32.8 分

3D 创作 / 金融 / 事实

Benchmark	Kimi K3.1 Pro	对比
BenchCAD（带工具）	92.7%	接近 Claude Opus 5.5 96.2%、GPT-6 Astra 95.9%；不带工具 72.8%
OfficeQA Pro v2	64.4	当前 SoTA；超过 Claude Opus 5.5 62.2、GPT-6 Astra 54.4
Frontier Finance	58.6	排名第 2，仅次于 Claude Fable 5.1 60.8；高于 Opus 5.5 56.7、GPT-6 Astra 45.0
SpreadsheetBench 2*	—	超过 GPT-6 Astra / Opus 5.5 等前沿闭源模型
Kimi Hallu Bench Hard（声明级事实错误率）	8.3%	从 K3 的 23.4% 降至 8.3%（刻意找茬的压力测试，非日常幻觉率）
xdev-bench-hard（网攻能力，pass@3）	81.0%	未做削减的检查点为 90.5%（自砍 9.5pt，甚至低于 DeepSeek-V4.1-Flash 85.7%）；K3 为 33.3%——详见第三楼第 4 节

长程任务 / 知识

Benchmark	Kimi K3.1 Pro	对比
Humanity's Last Exam（带工具完整题集）	70.0%	高于 Claude Opus 5.5 67.7%
GDP.pdf	34.6%	—
ZeroBench again（工具辅助，pass@5）*	63.3%	月之暗面对比模型中排名第一
人体行走仿真	—	167 个任务阶段 / 420 次独立评审，修复 36 处肩部肌肉力臂计算错误，模拟人从数秒摔倒 → 连续交替行走 11.2 秒

官方案例亮点（Kimi 官方博客 / 演示页）：

• 浏览器内 3D 机械臂展示页：2,317 个零件、268 条动态走线全部由代码生成，支持分解视图、透明外壳与剖面（form-01-score.ok.kimi.link）
• FreeCAD 涡扇发动机：2,100 个实体，覆盖风扇、减速齿轮箱、压气机、燃烧室、涡轮与外部管路，支持逐步装配、爆炸视图与旋转动画（官方博客 3D 展示区 · 内嵌演示视频，无独立演示页）
• 英伟达（NVDA）财务模型：端到端生成，公式全勾稽、假设与推理可溯源（成品 XLSX 直链下载；官方发布线程续帖原话见 x.com/Kimi_Moonshot/status/2113680714311094458）

短板提醒：

• 科学计算类终端任务是最大落后项：Terminal-Bench Science 0.1（在终端环境里完成科学计算与数据分析任务）K3.1 Pro 仅 38.1，远低于 GPT-6 Astra 的 68.1、Claude Opus 5.5 的 63.3，差距约 25~30 分
• 运行效率也是短板：输出速度 73.5 tok/s 低于同类中位 81.1，且被 Artificial Analysis 评为「非常冗长」——单价便宜不等于实际更快更省（见第三楼第 1 节）

[ikaijua]

三、第三方评测与争议（X 等社区实测）

本节重点整理 X（Twitter）/ 社区上围绕 K3.1 Pro 的第三方评测、网友实测与争议。官方发布帖见 @Kimi_Moonshot。

1. 独立机构 Artificial Analysis：综合智能指数第 4，Agent 能力跃升

Artificial Analysis 在发布当天给出首个外部分数（@ArtificialAnlys 原帖）：

「Kimi K3.1 Pro launches at 4th on the Artificial Analysis Intelligence Index scoring 55, making large gains in agentic performance; it will be the leading open-weights model once its weights are published.」

• Intelligence Index v4.3.2 = 55.1（全球第 4），较 K3（44）提升 11 分；仅次于 Claude Opus 5.5（57.6）、Claude Sonnet 5.5（56.0）、Muse Wonder Full（55.8），领先 Claude Fable 5.1 / GPT-6 Astra / Gemini 4 Argon（均约 53）。
• Terminal-Bench 4.0（AA 测）= 67.2%，称其为「any model 中的最高分」；注意这比月之暗面自家 65.7% 略高，差距在月之暗面这边——双方口径不同。
• GDPval-AA = 1,846 Elo（第 3），较 K3 提升 312 Elo，仅落后 Claude Opus 5.5（1,866）、Muse Wonder Full（1,857）。
• AutomationBench-AA 73%（K3 为 58%）；HLE 52.5%；AA-Omniscience 指数从 20 升至 30，幻觉率从 53% 降至 44%。
• 成本：单个智能指数任务约 $1.98，与 K3 持平——每任务输出 token 从 48K 增至 55K（+14%），但单价降了 33%，相互抵消。
• 速度与冗长度：标准版输出 73.5 tok/s、低于同类中位 81.1；整套智能指数跑了 1.5 亿 token（中位数 8,700 万，+72%），被 AA 直接评为「非常冗长」——单价便宜 ≠ 实际更省。
• 开放权重含义：权重发布后，领先开放权重与顶级闭源模型的分差将从 12 分缩小到 3 分。

2. Simon Willison：三档推理实测「骑自行车的鹈鹕」

Simon Willison（英国开发者，Django 联合创造者、Datasette 作者，长期在自己的博客 simonwillison.net 上独立评测 LLM 与 AI 工具，是该领域公认最有影响力的独立评测人之一）发布当天用自家 llm CLI 直连 Moonshot API 上手验证（@simonw 原帖、博客原文），并给出一句话定位：

「This is the first time a (soon-to-be) open weight model has scored this highly against the frontier.」（「即将开放权重」的模型第一次在离前沿这么近的位置上跑分。）

• 固定提示词「Generate an SVG of a pelican riding a bicycle」，在 low / medium / max 三档推理下各跑一次；对 max 档的评价是「相当扎实」——脚在踏板上、车架结构好、喙形不错，但两条腿画在了车架同一侧（SVG 生成的经典翻车点）。
• 他用同样方法把上一代 K3 三档重跑一遍作对照；SVG 与推理轨迹均以 gist 公开，任何人可复现。

3. Arena 官方实测（Peter Gostev）：五类任务横评，「还没到前沿」

Arena（原 LMArena）AI Capabilities Lead Peter Gostev 在发布当天放出实测视频（@petergostev），测试面相当广：3D 场景、HTML 动画、网站、UI 搭建、研究型页面五类任务，对手包括 K3、Opus 5.5、Sonnet 5.5、GPT-6.1 Sol、Gemini 4 Argon 等：

• 结论：K3.1 Pro 的表现优于 GPT-5.6 Sol、低于 GPT-6.1 Sol。
• 他的原话：「At least in these tests, I don't think it's quite there.」——至少在这类测试里，他认为它还没真正站上前沿。
• 语气全貌：发视频前他还发了一条推文称「Kimi K3.1 Pro is a good model」，并贴出自己最满意的生成作品——「没到前沿」指与顶尖闭源的差距，不是全盘否定。
• 这与 Arena 自己的 Code Arena: WebDev 高排名（1,692、第 8，见本楼第 5 节）和 AA 第 4 的分数形成了有信息量的对照：竞技场投票分数与官方测评人亲手实测给出的位次并不一致，两种口径都值得看。
• 视频：YouTube（含全部提示词）

4. 网络安全数据主动剔除：开源前的「自我减法」

月之暗面在训练中期和 RL 阶段识别并移除了网络攻防相关数据（官方技术博客 Advancing Open Intelligence），原话：

「First, we aim not to release open weights that would extend the absolute frontier of cyber capability. K3.1 Pro's offensive cyber capability is, by design, below what our pipeline can produce…」

代价是实测可见的（官方 xdev-bench-hard，pass@3）：

• 未做削减的检查点能解 90.5% 的题目，发布版降至 81.0%（自砍约 9.5 个百分点）
• 发布版的 81.0% 甚至低于开源同行 DeepSeek-V4.1-Flash 的 85.7%；GPT-5.6 Sol 第三方评测为 100
• 但对比上代仍是大幅跃升：K3 仅 33.3%，削减后的 K3.1 Pro 约为其 2.4 倍（GLM-5.3 为 57.1%）

5. Arena 榜单（一手）

• 总榜位次：Code Arena: WebDev 榜单 K3.1 Pro（Max）以 1,692 分排第 8，较 K3（1,655 分、第 17）提升 9 个位次（@arena 原帖）
• 官方定位声明（@arena 总结帖）：K3.1 是 编程工具可以添加aws提供的codewhisper #1 开源模型，整体水平约等于 3 个月前的 Opus 5——即中国前沿落后约 3 个月；K3.1 接近 Opus 5.5 但仍有实质差距；按性能/单任务成本算，Sonnet 5.5 + DeepSeek V4.1 Flash 的组合优于它
• 性价比：与 Claude Opus-5（Max）处于同分位，但成本低约 70%
• 分类全面上升：品牌与营销升至第 7（原第 9）、模拟类升至第 9（原第 20）
• 口径提醒：Arena 官方测评人 Gostev 的亲手实测结论要保守得多（见本楼第 3 节）——竞技场投票分数与亲手实测给出的位次并不一致，两种口径都值得看
• 下一个观察点：11 月 4 日开放权重后，全球研究者可独立复测、分析——比任何发布声明都透明。

6. Artificial Analysis · Cyber Index：开放模型「智能网络防御」第一

@ArtificialAnlys 原帖：K3.1 Pro 以 64% 成为 AA Cyber Index 上排名最高的可公开获取模型——领先原榜首 DeepSeek V4.1 Flash 1017（57%）7 分，距受信访问级的 GPT-6 Sol (Daybreak Blue) 仅差 5 分。即在 agentic 网络防御维度上，它目前是开放权重里的最强者；这与第 4 节的「主动削弱攻击能力」是同一件事的两面：攻 81.0%，守 64%（开放模型第一）。

[ikaijua]

四、小结

K3.1 Pro 延续了月之暗面「用后训练释放已有底座潜力、以开放权重追赶闭源前沿」的路线，而不是堆更大的新基座。最明显的跃升集中在编程 Agent、长程任务、3D 创作与金融工作流——直接驱动 Blender/CAD/游戏引擎做可运行产物，是它的差异化卖点；价格还比上一代降了三分之一。技术上它与 K3 架构零改动，全部提升来自数百领域联合 RL 与全栈 RL 工程重构（详见第一楼「相对上一代 K3 的核心变化」）——这条路可复制到其他底座，也是 K3.1 对行业最有参考价值的部分。

与此同时，短板也很清楚：在科学计算类终端任务、科学推理、运行效率与部分工程任务上，闭源前沿模型（GPT-6 Astra / Opus 5.5）仍占优；Arena 官方实测（Gostev）认为 3D/动画类任务也「还没到前沿」；前端审美有翻车个案；套餐额度是用户体感上的主要槽点。真正能「一锤定音」的，是 11 月 4 日权重是否如期开放——届时开源社区的可审计复测，会比任何发布文案都更有说服力。

欢迎大家在这里交流使用体验、对比测试，以及值得收录进 Awesome-AITools 的相关工具链。