精华速览

10 月 24 日零点，月之暗面正式上线 Kimi K3.1 Pro，并同步推出速度快 2 至 3 倍的 Highspeed 版本，官方承诺 11 月 4 日前放出完整模型权重。K3.1 Pro 并非全新底座，而是在 K3 的 2.8 万亿总参数、1040 亿激活参数混合专家架构上大幅增加后训练算力，在数百个下游领域做联合强化学习。效果体现在榜单：Terminal-Bench 4.0 得分 65.7%，接近 Claude Opus 5.5 的 66.4%；Artificial Analysis 智能指数 55 分，较 K3 提升 11 分，排名全球第四。API 定价为每百万 token 输入 13 元、输出 68 元，比 K3 便宜三分之一，约为 Opus 5.5 的一半。不过用户反馈显示前端审美仍存争议，订阅套餐额度消耗过快的问题也未随 API 降价而缓解。

要点透视

  • K3.1 Pro 于 10 月 24 日零点上线，距上一代 K3 发布约三个多月，同步推出 Highspeed 版本，官方承诺 11 月 4 日前开放完整模型权重。
  • 底座未换：仍为 2.8 万亿总参数、1040 亿激活参数的混合专家架构，上下文窗口 100 万 token，原生支持图像和视频输入，变化集中在后训练环节。
  • Terminal-Bench 4.0 编程智能体测试得分 65.7%，超过 GPT-6 Astra 的 58.2%，与 Claude Opus 5.5 的 66.4% 相差不到一个百分点；K3 在该榜单按第三方测法仅为 13%。
  • Artificial Analysis 智能指数得分 55 分，比 K3 高 11 分，全球排名第四，仅次于 Claude Opus 5.5、Claude Sonnet 5.5 和 Muse Wonder Full；权重开放后有望成为得分最高的开放权重模型。
  • 新增 3D 与金融两条能力主线：可驱动 Unity、Unreal、Godot 引擎，BenchCAD 多视角重建测试借助工具拿到 92.7%；OfficeQA Pro v2 金融数值推理得分 64.4 分。
  • 官方高难度幻觉测试中事实性错误率从 K3 的 23.4% 降至 8.3%；但 Artificial Analysis 测算其完成同样任务多耗 14% 输出 token，单任务实际成本约 1.98 美元，与 K3 基本持平。
  • API 定价每百万 token 输入 13 元、输出 68 元，比 K3 低三分之一，约为 Claude Opus 5.5 的一半；但 199 元订阅套餐用户反映额度消耗速度未明显改善。
  • 月之暗面披露训练中剔除了网络安全相关数据，内部漏洞利用测试成绩因此从 90.5% 降至 81%，以此回应外界对其开源模型安全风险的质疑。

文章拆解

K3.1 Pro 的发布策略带有明显的“同底座、重后训练”特征。月之暗面没有更换模型架构，而是把资源投向强化学习框架、沙箱基础设施和长上下文推理的重构，在数百个下游领域做联合强化学习。这条路径的成本结构与传统预训练不同：算力投入集中在后训练阶段，迭代周期更短，也更容易针对编程、3D、金融等具体场景做定向优化。Terminal-Bench 从 13% 跃升至 65.7%，说明后训练对智能体类任务的边际收益仍然很大，但这类提升能否泛化到开放场景，还需更多第三方复测。

定价是本次发布最反直觉的部分。更强的新模型 API 价格反而比旧模型低三分之一，表面上是“加量降价”，但 Artificial Analysis 的测算揭示了另一面：K3.1 Pro 完成同样任务多消耗 14% 的输出 token，单任务实际成本与 K3 持平。对开发者而言，降价降低了试错门槛；对月之暗面而言，这更像是以价格换调用量、以调用量摊薄算力成本的策略。订阅用户的体感则完全不同——199 元套餐的额度消耗速度没有随 API 降价而改善，说明 C 端套餐的计费逻辑与 API 定价并未打通，算力供给仍是约束条件。

用户反馈呈现出明显的分化。好评集中在代码能力和速度：有开发者用 Rust、C、汇编混合项目测试，认为其代码能力明显强于 DeepSeek V4.1 Flash，同样任务耗时约为 K3 的一半。争议则集中在前端审美和 3D 空间关系还原上，多个单文件 HTML 与 Three.js 测试出现部件关系错位、光影方向错误等问题。官方演示与用户“买家秀”之间的落差提示，K3.1 Pro 在结构化编程任务上进步显著，但在需要视觉审美判断的开放生成任务上尚未达到“闭眼用”的程度。

发布时机也值得注意。过去数月，Anthropic 多次指控月之暗面通过虚假账号蒸馏 Claude 能力，美国方面亦有制裁表态。K3.1 Pro 用第三方榜单分数作出回应，并主动披露剔除网络安全数据、内部漏洞测试成绩从 90.5% 降至 81%，姿态上偏向自证合规。但分数能证明能力来源的独立性，却无法审计训练数据来源；发布当天即有网友质疑其 SVG 风格与 GPT-6 Astra 相似，这类猜测尚待确认，却说明“蒸馏”争议不会因一次跑分而终结。11 月 4 日权重开放后，全球研究者可对其做独立测试与对比分析，那将是比任何声明都更透明的观察窗口。潜在风险在于：若开放权重后的第三方复现结果与官方榜单差距较大，或套餐额度问题持续发酵，当前积累的口碑可能被快速抵消。

查看原文