👁 632 次阅读
10 月 23 日，月之暗面发布 Kimi K3.1 Pro——K3.1 系列第一款模型，官方口径是目前最强的 3T 级开源权重模型。发布当天登顶 HackerNews 热榜，截至本文写作时已累积 684 分、433 条讨论，对一个开源模型来说这是罕见的热度。热度背后有一组更值得注意的数字：开源与最强闭源模型的智能差距，从 9 月 MiMo 时代的 104 天被压缩到 31 天；幻觉率从 K3 的 23.4% 掉到 8.3%；API 定价比前代便宜约三成。
但热度之外也有争议：开源版本在发布前先砍掉了自己的一部分网络攻防能力，社区里『阉割』的说法此起彼伏。这篇文章不打算重复发布新闻，而是把 K3.1 Pro 拆开看：它到底是什么、基准上赢在哪输在哪、定价怎么算、社区真实反馈如何、以及开源版本那『一刀』到底砍了什么。
一、发布即热榜，但这次的开源有点不一样
先对齐事实。K3.1 Pro 拥有 1M token 上下文窗口（官方文档精确值 1,048,576），第三方 Artificial Analysis 实测参数规模 2.8T，与官方『3T 级』口径基本一致；完整模型权重 11 月 4 日前放出。它不是又一个『遥遥领先』的营销发布，而是一个能力与风险同时被公开讨论的模型——这在开源阵营里很少见。
二、它到底是什么：K3 的超级后训练版，外加一个 2 倍价的高速变体
K3.1 Pro 不是新基座，而是 K3 的大规模后训练版本。官方博客的说法是：在数百个下游领域做联合强化学习（RL），并把 RL 框架、长上下文推理、训练效率、沙箱基础设施、rollout 调度、环境质量检查平台全部重做一遍，让每一份增量 RL 算力都能带来稳定可预期的回报。翻译成大白话：K3 已经把『知识』装进基座，K3.1 Pro 花大力气解决的是『会做事』——多步执行、工具调用、端到端解决问题的长时程能力。
同场发布的还有 K3.1 Pro Highspeed：2 到 3 倍推理速度，主打实时交互场景，价格正好是 K3.1 Pro 的两倍。
发布渠道铺得很开：Kimi.ai 与移动端 App（iOS、Android、HarmonyOS）、Kimi Work 桌面版 3.1.0 及以上、Kimi Code（/model 命令切换）、Kimi API（模型名 kimi-k3.1-pro 与 kimi-k3.1-pro-highspeed，支持零数据留存），以及 Kimi Business 企业版——企业版默认不开启 K3.1 Pro，需要管理员手动启用。这个『默认关闭』的细节，和下面的安全管控是同一个思路。
三、编码与智能体：第一次在终端任务上超过 GPT-6 Astra
先看编码。Terminal-Bench 4.0 评估的是编码 agent 在真实资源受限终端任务上的表现，K3.1 Pro 拿到 65.7%，超过 GPT-6 Astra 的 58.2%，只比闭源标杆 Claude Opus 5.5 的 66.4% 低 0.7 个百分点——这是国产开源模型第一次在这个级别的终端任务上超过 OpenAI 旗舰。
更长线的 SWE Marathon v1.1 上，K3.1 Pro 以 51.7% 直接登顶全球第一，压过 Opus 5.5（46.3%）、Fable 5.1（45.6%）和 Astra（42.5%）。内部基准 Kimi Code Bench 3.0 Long-horizon 从 K3 的 55.95% 升到 61.2%。
官方给了一个很有说服力的长时程案例：在 human-atlas（296 个骨骼组件、402 个肌肉组件的开源人体解剖模型）之上构建人形行走动力学模拟器，167 个任务、420 次独立评审，模型从『几秒内摔倒』迭代到『交替步态连续行走 11.2 秒』；当奖励塑形无法改善手臂动作时，它没有继续调奖励，而是对模拟器动力学做开环探测，定位并修正了 36 处肩部肌肉力矩臂计算错误后重新训练。这种『自己找根因』的行为，正是长时程 RL 想要的形态。
| 基准（越高越好） | Kimi K3.1 Pro | Claude Opus 5.5 | GPT-6 Astra | Claude Fable 5.1 | DeepSeek-V4.1-Flash-1017 |
|---|---|---|---|---|---|
| Terminal-Bench 4.0 | 65.7 | 66.4 | 58.2 | 57.9 | 42.3 |
| SWE Marathon v1.1 | 51.7 | 46.3 | 42.5 | 45.6 | 40.0 |
| DeepSWE v1.1 | 75.5 | 74.2 | 74.1 | 67.4 | 77.0 |
| BenchCAD 带工具 | 92.7 | 96.2 | 95.9 | 92.6 | 81.6 |
| HLE-Full 带工具 | 70.0 | 67.7 | 57.2 | 65.6 | 58.8 |
| Agents Last Exam（ALL） | 43.2 | 42.6 | 32.8 | — | 37.7 |
| Automation Bench-AA | 73.3 | 69.5 | 68.5 | 59.4 | 66.6 |
| OfficeQA Pro v2 | 64.4 | 62.2 | 54.4 | 54.5 | 40.4 |
| 幻觉率 Hard 带工具（越低越好） | 8.3 | 15.0 | 5.5 | 23.3 | 23.3 |
注意几个细节：Terminal-Bench Science 0.1 只有 38.1%，被 Astra（68.1%）和 Opus 5.5（63.3%）明显甩开——科学任务推理是它的相对弱项；DeepSWE v1.1 上 DeepSeek-V4.1-Flash-1017 的 77.0% 仍高于它的 75.5%。开源阵营内部也不是一枝独秀。
四、幻觉率：从 23.4% 到 8.3%，RL 最直接的战果
幻觉率是这次发布最亮眼的数字。官方 Kimi Hallu Bench Hard（带工具）口径下，K3.1 Pro 的 claim 级幻觉率从 K3 的 23.4% 降到 8.3%，只剩三分之一；不带工具口径 5.4%。横向看：带工具口径下 Opus 5.5 是 15.0%、Fable 5.1 与 DeepSeek-V4.1-Flash-1017 都是 23.3%，只有 GPT-6 Astra 的 5.5% 更低；不带工具口径下 Astra 4.2% 仍是最低，K3.1 Pro 5.4% 排在 Opus 5.5（6.8%）前面。
官方特别说明：这是故意构造的压力测试，不代表日常使用中的整体错误率。但它确实说明大规模后训练 RL 在『事实准确性』上能出成果——金融场景尤其吃这个。
五、金融与 3D：OfficeQA 全球第一，3D Make 直接上线
金融是官宣的另一个主战场。OfficeQA Pro v2（真实财务文档上的检索、跨文档核验、多步数值推理）K3.1 Pro 拿到 64.4 的 SOTA，超过 Opus 5.5 的 62.2%。内部金融基准全线提升：财务建模 +7.2、财务研究 +11.6、模拟经营环境约 4.2 倍。官方放出的 NVDA 财务模型案例是端到端交付：完整链接公式、假设可调、场景敏感性分析——按分析师的方式做模型。
3D 则是新东西：BenchCAD（多视角渲染重建 3D 的 CAD 代码生成）带工具 92.7%，逼近 Opus 5.5 的 96.2% 和 Astra 的 95.9%；不带工具 72.8%，仅次于 Opus 5.5 的 73.0%。基于这个能力，Kimi 把 3D Make 直接搬上了 kimi.ai 和 App：一句话生成 3D 模型，在线预览编辑，导出 3D 打印文件或视频、Live Photos。
六、定价：比前代便宜三成，Highspeed 卖两倍价
| 模型（美元/百万 token） | 输入 | 输出 | 缓存命中 | 缓存写入 5 分钟 | 缓存写入 1 小时 |
|---|---|---|---|---|---|
| kimi-k3.1-pro | 2.00 | 10.00 | 0.20 | 2.00 | 4.00 |
| kimi-k3.1-pro-highspeed | 4.00 | 20.00 | 0.20 | 4.00 | 8.00 |
| kimi-k3（前代） | 3.00 | 15.00 | 0.30 | 3.00 | 6.00 |
三行价格放在一起，最直观的结论是：K3.1 Pro 比前代 K3 便宜约三成（输入 $2 对 $3、输出 $10 对 $15），Highspeed 正好是 K3.1 Pro 的两倍（$4 对 $20）。缓存命中价打九折（$0.20），缓存写入按 TTL 分两档（5 分钟 $2、1 小时 $4）。中国区定价与之一致：K3.1 Pro ¥13/¥68（Highspeed ¥26/¥136），前代 K3 ¥20/¥100——社区实测口径同样是『比 K3 便宜 30%』。
第三方 ModelCompare 给了一个很扎眼的类比：K3.1 Pro 与 Claude Sonnet 5.5 同为 $2/$10 定价，智能指数只差 0.9 分——『本质上是一个开源版 Sonnet 5.5』。K3 系列按量计费、无订阅制，上下文缓存默认 TTL 5 分钟；K2 系列进入退场倒计时：10 月 31 日起新用户不可用，12 月底全部退役。按 Artificial Analysis 的混合费率（缓存命中:输入:输出 = 7:2:1）折算，K3.1 Pro 实际约 $1.54/MTok，跑完一次智能指数任务约 $2.11——在同等价位模型里成本评级 3/4，属于便宜一侧。
七、社区怎么看：684 分热帖里的掌声、质疑和账单
掌声集中在幻觉率：『K3 的 23.4% 到 K3.1 的 8.3%，是非常漂亮的提升』；也有人给出总评：『这是前沿级模型，最多落后 Anthropic 和 OpenAI 一个月』；还有人对成本结构感慨：『美国花几万亿美元堆前沿，中国用一个零头做出了差不多的东西，还免费开源——这怎么持续？』
质疑同样尖锐。最著名的一条来自 cesarvarela：『我还没见过除了 Fable 和 Opus 之外有模型能兑现它的基准分数，Anthropic 有别的实验室没有的东西』——这是对『纸面分数 vs 实际体验』的经典质疑，也提醒我们基准表要带着怀疑看。另一些评论直接盯着网络安全管控：『我们这些凡人拿到的版本在网络安全上是阉割过的』、『他们承认能做更多，但就是不做』。
还有一类评论在要『使用指南』：有人希望知道『什么时候该用它而不是 Anthropic 或 OpenAI』。这正是本文后半部分想补上的。
八、局限与争议：开源版先砍了自己一刀
最大的争议是开源版本的『自我限制』。官方披露：训练中发现通用中段语料和 RL 环境天然包含网络攻防相关内容，开源版本在训练两阶段都做了针对性数据移除，保留通用编程任务。量化后果：内部 xdev-bench-hard（漏洞发现与利用）上，未管控管线能解 90.5%，最终开源的 K3.1 Pro 是 81.0%；ExploitBench 74.7%，而 GPT-6 Astra 是 100%、Opus 5.5 是 91.0%。
官方说这是刻意为之：不释放会突破绝对前沿的开源权重，并计划渐进提升开源可用能力。站在安全角度这是负责任的表态；站在开发者角度，这意味着一部分能力你拿不到——社区把这两者放在一起看，才有了『阉割』的争论。
性能侧也有短板：Artificial Analysis 实测输出速度 80.7 tokens/s，低于同类中位数 82.3；话痨指数满分 4/4——跑完整套智能指数评测要吐 1.5 亿输出 token，中位数只有 8700 万，意思是它特别能写，账单也会跟着长。首 token 延迟 2.97s 倒是优于中位数 3.61s。
最后是方法论说明：本次评测基于官方发布数据、第三方基准（Artificial Analysis、ModelCompare、tbench.ai）与 HackerNews 社区实测反馈，写作时我们没有可用的 Kimi API 额度，未做本地 API 实测——所有带数据的结论均注明来源，请读者自行用官方渠道验证。
九、谁该用、谁再等等
现在就试：Kimi Code 用户直接在 /model 里切换 kimi-k3.1-pro，编码类任务（终端操作、长时程重构、跨文件修改）是目前性价比最好的开源选择；API 开发者按 $2/$10 接入，长上下文加缓存命中场景实际成本还能更低；Kimi App 用户可以先玩 3D Make——这是模型能力最直观的呈现。
等 11 月 4 日：自托管、私有化、微调团队。权重放出后它就不再是『按月之暗面的定价』，而是『按你的算力定价』，这才是它作为开源模型最大的价值。
再等等：科学推理任务（Terminal-Bench Science 被 Astra 拉开近一倍）、需要最高吞吐（Highspeed 贵一倍但速度仍未必追得上闭源旗舰）、以及安全能力要求极高的场景——这几类目前还不是它的舒适区。
企业用户注意：Kimi Business 默认关闭 K3.1 Pro，管理员要主动开启，别以为订阅了就有。
十、结论：开源第一次离榜首这么近
把这次发布放回坐标系：开源与闭源的智能差距从 9 月的 104 天缩到 31 天，中国厂商连续第 765 天保持开源榜首，但过去一年 14 次榜首轮换、没有一次保持超过 72 天——格局远未固化。
K3.1 Pro 用三件事定义了 K3.1 时代：长时程 RL 让『会做事』成为开源模型的卖点；幻觉率砍到三分之一让『能用』追上『能打』；价格下调三成让『用得起』变成默认选项。加上 11 月 4 日的权重开源，它很可能是未来三个月开源生态里最值得盯着的一个模型。至于那『一刀』砍掉的能力，会由社区和安全研究者之间的拉锯来回答——这种公开的、可被追问的安全取舍，本身就是开源模型生态健康的一种表现。
（数据来源：Kimi 官方技术博客、Kimi API 平台定价页、Artificial Analysis、ModelCompare、HackerNews 社区讨论，据公开信息整理）