Kimi K3.1 Pro 正式发布：月之暗面最强 3 万亿级模型，编程智能体测评超 GPT-6

Behaviour
205 阅读12分钟

「超 GPT-6」有精确的出处：Terminal-Bench 4.0，K3.1 Pro 拿 65.7%，GPT-6 Astra 是 58.2%，Claude Opus 5.5 是 66.4%。赢了一个，落后另一个 0.7 个点。单项、终端智能体测评、且不是榜首。 在这里插入图片描述

限定归限定，分量不轻。国产模型在编程智能体这条赛道上把 GPT-6 压在单项下面，放在半年前是不敢写的。这篇把模型本身、账本和上手坑挨个过一遍。

这波到底发了什么

官网现在顶着一行字：「Kimi AI 官网：K3.1 Pro 上线，编程与智能体任务全面升级」，meta 描述里点名的场景是复杂编程项目、3D 模型、深度金融研究，关键词里有视觉编程和 Agent 集群。原域名 kimi.moonshot.cn 已经 302 到 www.kimi.com，写脚本或者引用链接时用新域名。

在这里插入图片描述

图：Kimi K3.1 官方发布主视觉，雪山云海上的手写体 K3.1 标识，配标语 From Ideas to Finished Work

模型侧是两个 ID：

  • kimi-k3.1-pro：官方描述是「Kimi 迄今能力最强的旗舰模型：3 万亿级参数，原生支持视觉理解，100 万 token 上下文窗口」
  • kimi-k3.1-pro-highspeed：官方说法是「同等智能，输出速度约 2~3 倍」

「3 万亿级」这个措辞有讲究。平台文档给 K3 的写法是「全球首个开源的 3 万亿级模型（2.8 万亿参数）」，括号里有精确数；轮到 K3.1 Pro，括号没了，只剩量级。也就是说官方只承诺量级，精确参数没公布。写「3 万亿级」有据可查，写成「3 万亿参数」就是替官方加戏。顺便一提，K3 是 2026-07-16 发的，这一代间隔三个多月。

上下文的精确值是 1,048,576 tokens，定价页写得很清楚，K2 系列是 262,144，四倍。

为什么是小数点，不是新架构

官方研发自述里有一段挺少见的坦白：「我们大幅增加了强化学习（RL）环节的算力投入。为了支撑数百个下游领域的大规模联合训练，我们优化了技术栈的每一层，包括 RL 框架、长上下文推理、训练效率、沙箱基础设施、调度系统，以及用于环境质量检查的共享平台」。

这段话基本解释了版本号。K3.1 的重点在后训练侧，RL 算力往数百个下游领域里铺，架构和参数规模维持 K3 那一代的基本盘。编程和智能体能力的提升就是从这个路数里堆出来的。对用的人来说这反而是好消息：模型列表里 kimi-k3.1-pro、highspeed、kimi-k3 三者的参数表完全一致，API 行为和调用方式是同一套，迁移成本接近零。

「数百个下游领域」这个说法值得停下来想一想。常见的后训练做法是抓十几个高频场景做 RL，编程、数学、写作，各配一个奖励模型。铺到数百个领域，意味着每个领域都得有环境、有判据、能跑通奖励信号，沙箱和调度的工程量比训练本身还大。官网关键词里那串「PPT、Excel、PDF、深度研究、建站」，对应的就是这批领域里离钱最近的那几个。我比较好奇的是这些领域环境最后会不会开放出来一部分，毕竟 RL 环境比权重更难复刻。

跑分怎么读

把官方给的几组数摆在一起看。

在这里插入图片描述

图：官方 14 项基准总对比，Kimi K3.1 Pro 与 Opus 5.5、GPT-6 Astra、Fable 5.1、DeepSeek-V4.1-Flash、GLM-5.3 逐项对照

Terminal-Bench 4.0：K3.1 Pro 65.7%，GPT-6 Astra 58.2%，Claude Opus 5.5 66.4%。自家内部基准 Kimi Code Bench 3.0 Long-horizon：K3.1 Pro 61.2%，上代 K3 是 55.95%。Office QA Pro v2 和 SpreadsheetBench 2 两项，官方称超过 Opus 5.5、Fable 5.1 和 GPT-6 Astra。

这几个榜的共同点是都冲着长任务去的。Long-horizon、Terminal-Bench 这类测评考察的是模型能不能在一长串操作里不跑偏，跟智能体的日常工况对得上。对写 agent 的人来说，这组分数指向同一件事：长程一致性。K3.1 Pro 在 Kimi Code Bench 3.0 Long-horizon 上比 K3 高了 5 个多百分点，模型侧确实在进步，工程侧该做的历史裁剪和摘要一样省不掉，两边是叠加关系。

事实准确性那一组数更有意思。官方原文：「在用户标记过事实错误的一组去标识化对话测试中，相较于 k3，新模型的单项事实陈述错误率从 23.35% 降至 6.85%；包含至少一处事实错误的回答比例仅为前代的约 46.4%」。错误率砍到接近三分之一，这个降幅在换代发布里相当少见。官方同时给了限定：这是聚焦易错情形的压力测试，6.85% 别当成日常对话的整体错误率。哪怕打个对折再打折，方向也是实打实的。

在这里插入图片描述

上手：从充值到第一行代码

把门槛放最前面说，免得有人白跑一趟。官方「访问条件」写明：K3.1 Pro 需要在开放平台完成充值后解锁，最低充值金额 10 元；新用户注册认证送的 15 元代金券不可用于 K3.1 Pro。另外累计充值金额同时决定账户等级和速率限制（并发、RPM、TPM、TPD），想跑并发测试得先把账充上去。

接口是 OpenAI SDK 兼容的，base_url 和模型名换掉就能跑：

pip install openai
export MOONSHOT_API_KEY="sk-xxxx"

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["MOONSHOT_API_KEY"],
    base_url="https://api.moonshot.cn/v1",
)

resp = client.chat.completions.create(
    model="kimi-k3.1-pro",
    messages=[{"role": "user", "content": "读一下这个仓库的构建日志，给出失败根因"}],
)
print(resp.choices[0].message.content)

注意上面这段代码里没有 temperature、top_p、n。这仨是故意不传的。K3 系列把三个参数写死：temperature 固定 1.0、top_p 固定 0.95、n 固定 1，显式传进去会直接报错。从别的 OpenAI 兼容客户端迁移过来的人，第一坑基本都栽在这。

第二批坑在多轮和工具调用上：

  • K3 始终思考，Preserved Thinking 常开。多轮对话和工具循环里，assistant 的完整 message（包括 reasoning_content 字段）必须原样回传，只把 content 拼回去会出问题。reasoning_content 是 Kimi 自己加的字段，OpenAI SDK 的 message 对象里有，序列化时别漏
  • 流式输出分两路，reasoning_content 和 content 分开推，前端渲染要各挂一路
  • reasoning_effort 支持 low / high / max，默认 max。还有个连带效应：切换档位会破坏前缀缓存命中。K3 系列缓存写按 TTL 5min/1h 分档单独计费，命中只收命中价，档位一换等于缓存白写
  • tool_choice 支持 auto / none / required，K2.6 和 K2.7-code 不支持 required，跨模型切换工具调用代码时留意这处差异

缓存那一项展开说两句。智能体循环的典型形态是前缀越滚越长：系统提示加工具定义几千 token 是起步价，跑几十轮后历史可能堆到十几万。这时前缀缓存命中与否，账单能差出好几倍。实际影响有两条：一是别在每轮里改系统提示的措辞（加个时间戳、拼个动态变量都算改），前缀一变缓存全部作废；二是 reasoning_effort 定下来就别动，理由同上。

一个带工具的循环大概长这样：

history = [{"role": "user", "content": "把 tests/ 里所有超时的用例归因一下"}]

while True:
    msg = client.chat.completions.create(
        model="kimi-k3.1-pro",
        messages=history,
    ).choices[0].message

    history.append(msg.model_dump())  # reasoning_content 一并带回历史
    if not msg.tool_calls:
        print(msg.content)
        break

    for tc in msg.tool_calls:
        result = run_tool(tc.function.name, tc.function.arguments)
        history.append({
            "role": "tool",
            "tool_call_id": tc.id,
            "content": result,
        })

把这段循环跑起来，完整流程长这样。提示词一句：「把 tests/ 里所有超时的用例归因一下」。模型在 reasoning_content 里过排查思路，然后返回 tool_calls，比如列目录、读某个测试文件、跑一遍 pytest；本地执行完，把结果按 tool_call_id 塞回 history，再请求一次。几轮下来 tool_calls 为空，msg.content 里就是归因结论：哪几个用例慢、卡在哪个 fixture 上。中间每一步的 assistant message 都带着 reasoning_content 回传，这条别省，省了模型会丢掉自己上一轮的判断。具体跑几轮、调了哪些工具，取决于仓库本身，没有标准轨迹。

工具这一环对结果质量的影响，官方拿 BenchCAD 给过一组对照：同一个代码生成任务，不带工具 72.8，带工具 92.7。

在这里插入图片描述

图：BenchCAD（1000 文件子集，Voxel IoU）带工具与不带工具双栏对比，K3.1 Pro 不带工具 72.8、带工具 92.7

流式的写法多一个细节，reasoning_content 和 content 分两路推过来：

stream = client.chat.completions.create(
    model="kimi-k3.1-pro-highspeed",
    messages=[{"role": "user", "content": "解释这段汇编在做什么"}],
    stream=True,
)

for chunk in stream:
    delta = chunk.choices[0].delta
    if getattr(delta, "reasoning_content", None):
        print(delta.reasoning_content, end="", flush=True)  # 思考过程
    if delta.content:
        print(delta.content, end="", flush=True)            # 正式回答

想压速度就换 kimi-k3.1-pro-highspeed，官方说输出快 2~3 倍。代价直接写在价签上：高速版输入 ¥26/MTok、输出 ¥136/MTok，正好是标准版的 2 倍。交互式场景值得，批量跑任务就未必。

在这里插入图片描述

三个能选的模型摆在一起，账目是这样的：

模型输入（¥/MTok）输出（¥/MTok）上下文
kimi-k3.1-pro13681,048,576
kimi-k3.1-pro-highspeed261361,048,576
kimi-k3201001,048,576

我的选法简单：交互式产品、用户在等回复的，上高速版，多花的钱买的是响应时间；后台批量任务、定时跑的评测和数据抽取，标准版。新项目没必要再从 K3 起步，能力上是上一代，价格还更贵，留着它通常只是因为老代码里写死了模型名。

视觉这代是原生的，官方模型描述写明「原生支持视觉理解」。对做前端自动化或者测试的人来说，截图进模型、让模型读界面、再决定下一步点哪，一条链路就能走完，不用再外挂一个专门的视觉模型。

迁移的账

这个月做迁移是笔划算买卖。官方通告：K2 系列模型 2026 年 10 月 31 日起停止向新注册用户开放，已注册用户不受影响，计划 12 月底前下线所有 K2 系列模型。此前 kimi-k2.5、moonshot-v1 全系（2026-08-31）、kimi-latest（2026-01-28）都已进下线清单。摆明了是把旧型号往回收。

从 K2 挪到 K3.1 Pro，实际要动的就三处。模型字符串从 kimi-k2 系列 ID 换成 kimi-k3.1-pro；删掉 temperature、top_p、n 这类采样参数，K3 系列传了会直接报错；工具调用循环里补上完整 assistant message 的回传。窗口从 262,144 涨到 1,048,576，原来靠检索分段塞上下文的场景，现在可以试着直接把整份文档喂进去，召回那层逻辑有时候能省掉。

价格方向也顺。kimi-k3 是 ¥20/¥100（输入/输出，每 MTok），kimi-k3.1-pro 是 ¥13/¥68，便宜 35% 和 32%。上代便宜、这代更便宜，还多四倍窗口。继续留在 K2 上没理由。

唯一要留神的是缓存档位和 reasoning_effort，迁移脚本时把这两个参数的写法过一遍。

开放权重与一个少见的安全披露

完整模型权重会在 11 月 4 日前发布。官方在安全章节里交代了一件事：网络攻防内容是「使用广泛数据训练带来的自然副产品」，出现在中期训练语料和 RL 环境里；发布开放权重前，两个阶段都做了识别和移除。

为了验证移除有没有伤到能力，他们拿自研的 xdev-bench-hard 测了一组数。这个基准复现的是 Linux 内核、Node.js、JavaScriptCore、Exim、VirGL 这些真实 CVE，pass@3 在不移除数据时是 90.5%，最终发布版 81.0%。掉了 9.5 个点，官方同时承认即便 81.0% 这个水平，仍落后于已公开发布至少三个月的前沿闭源模型。

在这里插入图片描述

图：官方内部编程智能体基准 xdev-bench-hard（pass@3）数据表，K3.1 Pro 解决 81.0 题、平均成功率 64.5，低于 GPT-5.6 Sol 的第三方评测成绩

厂商主动公布「我删了什么数据、掉了多少分」，这种披露在开源模型里并不多见。对准备拿开放权重做私有化部署的团队来说，这组数直接决定了要不要在安全场景上补一层护栏。

「超 GPT-6」的边界

这个说法只成立于 Terminal-Bench 4.0 这一个单项，同项里 Claude Opus 5.5 更高；Office QA Pro v2 和 SpreadsheetBench 2 是「超过 Opus 5.5、Fable 5.1 和 GPT-6 Astra」的官方口径，属于另外两个细分场景。全面超越的结论下不了，官方文档自己也没这么写。

外部信源目前几乎是官方口径的单声道，第三方独立复测还没成气候。跑分是厂商自报的，xdev-bench-hard 又是自研基准，这一层我保留态度。独立的对战榜单、社区的长任务压测一旦出数，65.7% 这个数才算有第二个人替它作证。

付费门槛也值得单独说：10 元起充、15 元新人券不适用、限速跟累计充值挂钩。这套规则把 K3.1 Pro 挡在了白嫖党门外，对厂商是筛选真实用户，对写教程的人是个提醒：拿新人券跑通第一段代码这个套路在这代不成立。

收尾

三个多月前的 K3 把 2.8 万亿参数和开源权重做了出来，这次的 K3.1 Pro 把后训练算力往数百个下游领域砸，价格还降了三成。月之暗面走的路线越来越清楚：底座不急着换代，每一代都把某几个垂直能力做到能打。

还剩一个没答案的问题：11 月 4 日前的开放权重版，跟现在 API 上这个版本是不是同一份权重，删掉网络攻防数据之后掉的 9.5 个点会不会体现在开源版上。等权重放出，xdev-bench-hard 那组数有没有复现，才算这轮发布真正落定。

参考链接

公众hao搜索：Pixel技术笔记，关注不迷路

avatar
文章
阅读
粉丝