离最强只差 3 分,却还没法下载

独立印象馆 · 第一评测

Kimi K3.1 Pro · 深挖

离最强只差 3 分，却还没法下载

2026 年 10 月 28 日 · 周三

by SnowFox

导读

10 月 23 日，月之暗面发布 Kimi K3.1 Pro：Artificial Analysis 智能指数 55 分、全球第 4，距榜首 Claude Opus 5.5 只差 3 分，比上一代 K3 高出 11 分。但有一个时间状语必须先讲清——到发稿为止，它还不能下载。完整权重承诺 11 月 4 日前开放，许可证条款至今没有公布，所以"最强开源模型"这个头衔现在还是将来时。这篇深挖回答将来时里最值得看的三件事：它的分数到底几分真、它为什么要在开源前主动削弱自己、以及 11 月 4 日之前你能试什么、该盯什么。

先分层再读数：厂商自报的成绩单，最亮的两项和一句自注

月之暗面官方技术博客 · 10 月 23 日（厂商口径）

自报最亮两项：Terminal-Bench 4.0 为 65.7%，距 Claude Opus 5.5 的 66.4% 只差 0.7 个百分点；BenchCAD 带工具 3D 任务 92.7%，接近 Opus 5.5 的 96.2%。OfficeQA Pro v2 自报 64.4，超过 Opus 5.5 的 62.2；内部幻觉压力测试从 K3 的 23.4% 降到 8.3%。

口径提醒：这些数字的对照组大多引自公开报道和排行榜，不是同一受控实验里跑出来的。月之暗面自己也在博客里注明，幻觉压力测试的数值"不代表日常使用中的整体错误率"。

独立评测：agent 编程跳涨 54 分，短板同样诚实

Artificial Analysis · 10 月 23–24 日（独立口径）

亮点：独立测得 Terminal-Bench 4.0 为 67%，是该机构测过的所有模型里的最高分，比 K3 的 13% 跳涨 54 个百分点；模拟知识工作的 GDPval-AA 为 1846 Elo，比 K3 高 312 分，只落后 Opus 5.5 的 1866 和 Muse Wonder Full 的 1857。

短板：Humanity's Last Exam 从 47% 升到 52%，但 Opus 5.5 是 61%；独立知识测试里的幻觉率从 K3 的 53% 降到 44%，降幅远没有自报压力测试里那么大。

两张成绩单合起来读：K3.1 Pro 的 agent 编程能力确实摸到了前沿，知识广度和幻觉控制还在追赶。

降价三分之一，单题成本反而涨了 15%：账要按任务算

API 定价与 Artificial Analysis 估算

发生了什么：K3.1 Pro 的 API 定价是输入 2 美元、输出 10 美元每百万 token，比 K3 的 3 美元、15 美元降了三分之一。但 Artificial Analysis 估算，在其网络防御评测里，平均单题成本反而从 2.45 美元涨到 2.81 美元，涨了约 15%——原因是输入 token 消耗约翻倍，抵消了降价。

看点：开源阵营的价格战正在从"便宜"打向"便宜且接近前沿"，买模型的账以后要按"每单位 agent 任务成本"重算，而不是按 token 单价。

不扩参数，只加后训练：和 MiniMax 走了两条路

月之暗面官方技术博客 · 10 月 23 日

发生了什么：K3.1 Pro 沿用 K3 的 2.8 万亿总参数底座，每次推理激活 1040 亿参数，100 万 token 上下文；提升来自更大规模的后训练算力和数百个下游领域的联合强化学习。同时发布的 Highspeed 版称速度快 2 到 3 倍，智能水平与标准版相当。

看点：这条路线和一周前 MiniMax M31 Flash 正好互补——MiniMax 是 428B 参数、权重已开，讲"抢生态"；Kimi 是 2.8T 参数、权重未开，讲"后训练能不能把旧底座推到前沿"。两家国产头部 48 小时内连发旗舰，走的是两条不同的开源路线。

开源之前，月之暗面主动删掉了网络攻击训练数据

月之暗面技术博客 · 路透社 10 月 24 日

事情的起因：团队发现随着后训练规模扩大，模型发现和利用漏洞的能力稳步提升；追查后发现，一般训练语料里夹杂着网络攻击内容，强化学习的练习任务里也有相关题目。于是公司在中期训练和强化学习两个阶段都把这些数据找出并删除，同时保留一般编程任务，以免模型变得不好用。

关键数字：内部漏洞利用测试 xdev-bench-hard 里，未采取削减措施的同一训练流程版本成功率为 90.5%，正式版降到 81.0%。

81% 要两面读：一面是它仍远高于上一代 K3 的 33.3%——删数据并没有删掉能力，更强的编程和调试能力即使在删数据之后仍会迁移到网络攻击任务上；另一面是月之暗面承认，正式版仍落后于已公开至少三个月的顶尖闭源模型。

两项开源原则，和一个政策窗口期

月之暗面技术博客 · 政策背景为征求意见稿口径

两项原则：一是不公开会推前网络攻击能力绝对前沿的模型权重，二是会"逐步提高"开源模型的网络攻防能力。逻辑不难理解：权重一旦下载就无法收回，托管服务可以随时加限制、改策略、撤回访问，开放权重不行——边界必须在下载之前先定好。

政策背景（标注口径）：中国上周提出的《禁止出口限制出口技术目录》修订征求意见里，拟禁止出口由 AI 驱动的恶意软件生成和变异技术、限制 AI 辅助漏洞发现工具，目前还在征求意见阶段、正式版未定。"自我限能"既是对开源滥用风险的回应，也踩在了这个政策窗口期里——是负责任的开源先例，还是"先发制人式合规"，11 月 4 日之后才有答案。

今天就能试的两类任务，和一个必须记住的提醒

Kimi 网页 / App / Kimi Work / Kimi Code / API 已上线

最值得试两类：一是 agent 编程——让它在终端里多步执行、自己排错，这是它独立跑分最强的部分；二是 100 万上下文的长文档任务——整本手册、整套财报一次性喂进去再问。另有 2 到 3 倍速的 Highspeed 版可选。

提醒：你现在试的是托管版，不是权重版；权重版的本地部署、微调表现，要等 11 月 4 日之后。

11 月 4 日之前，盯三件事就够了

权重开放承诺窗口 · 11 月 4 日前

第一，许可证条款——权重以什么许可开放，决定了它能不能商用、能不能二次分发；第二，量化版本——2.8T 的模型在普通硬件上跑不跑得动，看官方给不给可用的量化版；第三，独立跑分——权重一到，厂商自报 65.7% 与独立榜单 55 分之间的差距，到底是评测口径差异还是真实能力落差，就有答案了。

另一个变量：虎嗅 10 月 24 日披露 Flash 版正在研发中——K3.1 Pro 的"便宜且接近前沿"之后，可能还有一个"更便宜"的版本在路上。

编辑判断

最大的新闻不是 55 分，而是开源竞赛的下一题被提前写了出来

当开放权重模型离前沿只差 3 分，问题就从"能不能追上"变成了"追上之后，边界由谁来定"。月之暗面先给了一个答案：自己先削一刀，再把刀递给全世界。11 月 4 日权重一到，微调能不能把这一刀补回来，全世界都会试——到时候这篇的判断对不对，下载量会告诉我们。

编译说明

本文为编译深挖，作者未上手 Kimi K3.1 Pro 权重版（权重尚未开放）；厂商自报数据均已标注口径，未经独立验证的部分不作定论。信源：月之暗面 K3.1 Pro 官方技术博客（10 月 23 日）；Artificial Analysis 智能指数与模型页（10 月 23–24 日，55 分经官网排行榜核实）；Notebookcheck（10 月 25 日）；路透社（10 月 24 日）；虎嗅（10 月 24 日）。

你最想拿 K3.1 Pro 跑什么任务？

评论区聊聊 · 觉得有价值就点个"在看"，下期见

AI 对话已开通

本号已开通 AI 私信，可以讨论已发布文章和 Harness 规范内容！