国产开放权重再逼近前沿：月之暗面发布 Kimi K3.1 Pro，终端编码基准只差 Opus 5.5 零点七分

划界说明：本轮另一篇 10-07 已发布的《Kimi K3 进 OpenAI 企业 Codex 渠道事件》（kimi-k3-openai-codex-channel-october-2026）讲的是渠道事件——Kimi K3 以第三方模型身份进入 OpenAI 的企业 Codex 分发渠道，主体是分发合作；本篇讲的是新模型发布——月之暗面推出 K3 系列的后训练升级版 Kimi K3.1 Pro 及 Highspeed 变体，主体是模型本身的基准、定价与开放权重承诺。两者是同一模型家族的两条独立新闻线，不重复。

月之暗面在 10 月 23 日发布了 Kimi K3.1 系列的第一个模型 Kimi K3.1 Pro，官方称其为"迄今最强的 3T 级开放权重模型"。如果只看新闻稿里的数字，这个发布可以用一句话概括：在 Terminal-Bench 4.0 上，K3.1 Pro 拿下 65.7%，只比 Claude Opus 5.5 的 66.4% 低 0.7 个百分点，却甩开 GPT-6 Astra 的 58.2% 一大截——而这是一个承诺在 11 月 4 日前开放全部权重的模型。

数字很漂亮，但漂亮的数字这次附带了难得的阅读说明书：月之暗面在脚注里把测试方法交代得相当清楚。这篇文章就按三个层次展开——官方说了什么、这些数字该怎么读、以及发布背后藏着的商业算计和一次罕见的诚实。

这次发布到底是什么

K3.1 Pro 不是一个新架构的模型，而是 Kimi K3 的后训练升级版：基座不变，加的是"显著更大的后训练算力"。官方在 X 与 LinkedIn 确认了规格：2.8T 总参数、每 token 激活 104B 的 MoE 架构，1M token 上下文，多模态输入——骨架与 K3 相同，变化全部发生在强化学习阶段。官方的说法是，为了在"数百个下游领域"做大规模联合 RL，他们把 RL 框架、长上下文推理、训练效率、沙箱基础设施、rollout 调度和环境质量检查平台逐层优化了一遍，让每单位 RL 算力的投入都有"稳定、可预测的回报"。

同步发布的还有 Kimi K3.1 Pro Highspeed，官方称速度是 Pro 版的 2–3 倍，面向对延迟更敏感的交互与 agent 循环。这是一个独立的模型标识，不是简单的推理加速开关。

上线渠道覆盖了整个 Kimi 产品线：

• Kimi.ai 与移动端：iOS、Android、HarmonyOS 应用，以及网页端
• Kimi Work 桌面应用：3.1.0 及以上版本（Windows 与 Apple Silicon Mac）
• Kimi Code：用 /model 命令切换选择
• Kimi API：模型标识 kimi-k3.1-pro 与 kimi-k3.1-pro-highspeed，支持 Zero Data Retention
• Kimi Enterprise / Business：管理员需手动启用，发布时默认关闭

定价是这次发布里最直接的信号：Pro 版 $2 / 百万 input token、$10 / 百万 output token，缓存命中输入 $0.20；Highspeed 版翻倍，$4/$20。对比 K3 首发时的 $3/$15，全线降价三分之一。发布即日上线，权重却要等到 11 月 4 日——中间这两周的窗口，值得单独拿出来谈。

同一具骨架，更大的后训练：这次的提升从哪来

理解 K3.1 Pro 的关键，是理解它不是什么：它不是一次预训练规模的跃升。2.8T 总参数、104B 激活的 MoE 骨架与 K3 完全相同，1M 上下文也没变。所有的提升都发生在预训练之后——更大规模、更多领域的强化学习。研究后训练的 Nathan Lambert 在 X 上的评价一针见血：Moonshot 像是"搞明白了他们的 RL"，K3 当初是一个底子极好的基座模型，但后训练做得相对轻；K3.1 Pro 就是把后训练这块短板补上了。

官方给出的证据是一个很有说服力的长程任务：在开源人体解剖模型 human-atlas（296 块骨骼结构、402 块肌肉）之上，K3.1 Pro 用 167 个任务、420 次独立评审，构建了一个人体步行动力学仿真器——包含训练与评估管线。它分析实验结果、诊断问题、迭代优化步态控制器，让仿真人从"几秒就摔倒"进步到"交替迈步连续行走 11.2 秒"。更有意思的是一个细节：当奖励塑形（reward shaping）无法改善手臂动作时，它没有继续调奖励函数，而是对仿真器动力学做了开环探测，定位并修正了肩部肌肉力臂计算中的 36 处错误，然后重新训练控制器。这种"不头铁调参、先去查仿真器本身有没有 bug"的行为，恰恰是长程 agent 任务里最难训练出来的能力。

这也解释了为什么提升几乎全部集中在 agentic 工作上。Artificial Analysis 的数据显示，K3.1 Pro 在 GDPval-AA（经济价值任务指数）上拿到 1846 Elo，比 K3 高出 312 分，排第三，仅次于 Opus 5.5 的 1866 和 Muse Wonder Full 的 1857；在 AutomationBench（SaaS 工作流）上从 58% 涨到 73%。纯知识问答类的提升则相对平淡——这是一个为"干活"优化的模型，不是为"考试"优化的。

产品侧也有配套动作：3D Make 随发布同步上线（kimi.ai 与 Kimi App 内），可以在线预览、编辑模型，下载用于 3D 打印，或导出为视频分享。结合 BenchCAD with tools 92.7% 的成绩（Opus 5.5 是 96.2%，差距不到 4 个点），Moonshot 显然想把"参数化 3D 建模"做成 Kimi 系的差异化招牌——从文本简述、草图或参考图直接生成可用的 3D 模型，再用 Blender/CAD 脚本细化，这条链路在开源模型里目前没有对手。

社区的第一反应：信数字，但留一手

发布当晚，Kimi K3.1 Pro 登上了 Hacker News 首页，讨论迅速过百条。评论区的态度很有代表性，可以总结为"信数字，但留一手"：

• 幻觉率从 23.4% 降到 8.3% 被多人点名为"最受欢迎的改进"，但紧跟着的下一句永远是"这是 Moonshot 自己的指标"；
• 有人直接读出了网络安全专节的潜台词：Moonshot 等于承认"他们的 pipeline 能做出比发布版更强的模型"；
• 也有失望的声音：既然开源版本阉割了网络攻防数据，那和某些美国模型的限制有什么区别？
• 最扎心的是一条经验之谈：除了 Anthropic 的模型，很少有模型的日常表现能对上它们的基准分数——基准和体感之间永远隔着一层。
• simonw 用他经典的"骑自行车的鹈鹕"SVG 测试跑了一遍，评价是"solid"（扎实）。

速度是另一个高频话题。有评论者实测 K3.1 Pro 比 K3 快了近一倍——K3 当初被诟病最多的就是"慢"，部分原因是低效的思考过程。Artificial Analysis 的实测也显示 K3.1 Pro 比 GPT-6 Astra 和 Fable 5.1 更快。值得注意的是，K3.1 Pro 只支持思考模式，关闭思考的请求会被拒绝——"快"是在全程推理的前提下实现的，不是靠跳过思考换来的。

"0.7 分"的意义，和厂商自报数字的正确读法

先说结论："开放权重只差闭源前沿 0.7 分"这个叙事是成立的，但只在 Moonshot 自己划定的赛道上成立。读懂这 0.7 分，需要同时看三个数：

基准	Kimi K3.1 Pro	Claude Opus 5.5	GPT-6 Astra
Terminal-Bench 4.0	65.7%	66.4%	58.2%
BenchCAD（with tools）	92.7%	96.2%	95.9%
Kimi Code Bench 3.0 Long-horizon	61.2%	—	—
OfficeQA Pro v2	64.4（自称 SOTA）	—	—
Kimi Hallu Bench Hard（claim-level 幻觉率，越低越好）	8.3%	15.0%	5.5%

Terminal-Bench 4.0 是这一轮发布里分量最重的基准：它测的是编码 agent 在真实、资源受限的终端环境里完成任务的能力，用严格的任务专属测试打分，被多家实验室当作"能不能替我干活"的实用代理指标。在这里，65.7% 对 66.4%，差距确实小到可以忽略不计——尤其考虑到对手是 Anthropic 的旗舰闭源模型，而这是一个即将开放权重的模型。

但脚注必须一起读。Moonshot 在技术博客的 Footnotes 里写明：K3.1 Pro 自己的分数是用 Claude-Code harness 跑出来的，而对手的分数取的是"各家官方博客或官方排行榜上的最大值"。换句话说，自家模型用一套 harness 认真测了一遍，对手拿的是它们历史上最好的公开成绩。这不是造假——方法交代得很透明，但它意味着 0.7 分这个差距是在对自己最有利的比较口径下算出来的。真正的交叉验证要等 11 月 4 日权重发布后，社区用同一套 harness 跑一遍才有。

好在有一个独立的佐证已经先到了：Artificial Analysis 在发布当天就给出了 55 分的 Intelligence Index 评分，总排名第四，仅次于 Claude Opus 5.5（58）、Claude Sonnet 5.5 与 Muse Wonder Full（56），领先 Claude Fable 5.1、GPT-6 Astra、Gemini 4 Argon（均为 53）。同一指数上 K3 只有 44 分，一代后训练直接拉了 11 分。AA 还独立测了 Terminal-Bench 4.0：K3.1 Pro 67%，超过了 Claude Sonnet 5.5 的 64%。厂商自报和独立第三方在同一个基准上指向同一个方向，这让 65.7% 这个数字的可信度高了不少。

读厂商自报基准的三条经验：第一，看脚注里的 harness 是否一致；第二，看对手分数的来源是"最新实测"还是"历史最大值"；第三，找独立第三方的交叉验证。这次 Moonshot 在第一条上对自己有利、在第二条上写得明白，第三条有 Artificial Analysis 的 55 分托底——属于自报数字里比较干净的一份。

还有一个容易被忽略的细节：Kimi Code Bench 3.0 Long-horizon 是 Moonshot 的内部基准（61.2%，K3 为 55.95%），OfficeQA Pro v2 的 64.4 分" SOTA"也是自家赛道。内部基准的价值在于看纵向进步——从 K3 到 K3.1 Pro 的提升是真实的，但横向对比时要打折。幻觉率同理：claim-level 从 23.4% 降到 8.3% 降幅达 65%，但官方自己也注明这是"刻意构造的压力测试"，不代表日常使用错误率。

定价战：Agent 编码的成本继续下探

如果说基准是面子，定价就是里子。K3.1 Pro 的价格表值得逐项读：

模型	Input / 百万 token	Output / 百万 token	缓存输入 / 百万 token
Kimi K3.1 Pro	$2	$10	$0.20
Kimi K3.1 Pro Highspeed	$4	$20	$0.20
Kimi K3（7 月首发）	$3	$15	$0.30

三点值得注意。第一，性能涨、价格降：比 K3 强出一截的模型，价格反而便宜了三分之一，这是典型的"用后训练红利补贴价格"的打法。第二，缓存输入 $0.20 对编码 agent 是关键——agent 循环里每一轮都要重发大段仓库上下文，缓存命中的输入才是真实成本的大头，$0.20 这个定价直接打在 agent 场景的七寸上。第三，Highspeed 的 $4/$20 定在了公开价目表上闭源旗舰的同一档，但承诺 2–3 倍速度——等于把"更快"单独拿出来卖，而不是把速度当免费赠品。

放在更大的图景里看：agent 编码的 token 成本正在以季度为单位下探。K3 到 K3.1 Pro 这一轮，官方 API 的输入输出价格双双下调三分之一，而能力反而逼近了最贵的闭源模型。对跑 agent 循环的团队来说，这意味着同样的预算能跑更多的 trial、更长的 horizon——而这恰恰是 K3.1 Pro 最擅长的长程任务类型。定价和能力在这里是互相成就的：便宜让长程 agent 跑得起，长程能力又让便宜有了意义。

还有一个容易被忽略的成本细节：Artificial Analysis 测得 K3.1 Pro 每个任务的输出 token 数比 K3 多了约 14%（55,000 对 48,000）——模型变强了，但也更"话痨"了。于是出现了一个微妙的抵消：token 单价降了三分之一，单任务的 token 消耗却涨了一截，最终 Intelligence Index 口径下每个任务的成本（$1.98）与 K3 时代（$2.00）基本持平。便宜的单价没有完全转化为便宜的任务，输出的膨胀吃掉了一部分降价红利。对重度 agent 用户来说，真正的省钱手段仍然是缓存命中（$0.20 的输入 lane）和任务编排，而不是指望单价本身。

横向看，这一定价直接改写了"前沿编码能力"的价格锚。过去一年里，顶级编码模型的 API 价格基本锚定在"旗舰就该贵"的逻辑上；K3.1 Pro 用接近旗舰的基准成绩配上腰部价格，把锚往下拉了一大截。Highspeed 的 $4/$20 则反向操作——它验证了市场里确实存在"为速度付费"的意愿，Moonshot 选择把延迟做成明码标价的商品，而不是藏在免费 tier 里。这两种定价动作合在一起，说明 Moonshot 对自己的成本结构很有信心：后训练的投入是一次性的，推理的边际成本才是定价的底气。

网络安全专节：一次罕见的、被量化的诚实

这是整篇技术博客里最不寻常的一节，也是我认为这次发布真正值得被记住的部分。Moonshot 用了一整节讲他们为了开源版本的安全，主动把模型做弱了——而且把"做弱了多少"量化摆上了台面。

过程是这样的：随着后训练规模扩大，团队发现模型的漏洞研究能力在稳步提升。追查来源后发现，网络攻防相关内容嵌在通用 mid-training 语料里，RL 的环境混合里也有相关的任务——这是"用宽数据训练"的自然副产品。在内部模型的预实验里，如果不在 mid-training 和 RL 两个阶段都移除相关数据，下游的网络攻击能力会"显著"上升。于是他们为开源版本做了针对性清洗：两个阶段都识别并移除了 cyber-related 数据，同时保留通用编码任务以保证模型可用性。

关键的数字在这里：Moonshot 的内部基准 xdev-bench-hard（基于 Linux 内核、Node.js、JavaScriptCore 等真实披露漏洞构造的利用任务，pass@3），未做安全清洗的 checkpoint 能解出 90.5%，清洗后的 K3.1 Pro 是 81.0%——清洗的代价是 9.5 个百分点的攻击能力。作为参照，K3 在这个基准上只有 33.3%，而没有做类似承诺的 DeepSeek-V4.1-Flash 达到了 85.7%。

把这四个数排成一排，trade-off 就一目了然：

• 未清洗的 K3.1 Pro pipeline 上限：90.5%
• DeepSeek-V4.1-Flash（未承诺清洗）：85.7%
• 公开发布的 K3.1 Pro（清洗后）：81.0%
• 上一代 K3：33.3%

官方的立场表述得很直白：不发布会拉高攻击能力"绝对前沿"的开放权重；K3.1 Pro 的攻击性网络能力"按设计"低于自家 pipeline 能做出的水平，也低于已公开至少三个月的闭源前沿模型；同时他们打算"逐步"提高开放权重中的网络能力，因为防御方也需要双用途能力去审计代码——尤其是那些很少有人做安全评审的 legacy 系统。

为什么说这是罕见的诚实？因为主流厂商通常只说"我们做了安全评估"，不说"我们把模型削弱了百分之几"。Moonshot 等于公开承认了两件事：第一，他们的训练流程本来能做出一个攻击能力更强的开放模型；第二，开源与安全的边界是厂商单方面划的，买家和社区无法审计这条线画在哪里。这是一种"透明的家长主义"——把 trade-off 量化给你看，但划线权不交出来。考虑到开放权重一旦发布就无法收回，这种"先清洗、再开源"的顺序本身，就是当前开源模型治理里最有争议也最实际的做法。

权重 11 月 4 日才开：API 先行两周的商业算计

发布时间线值得玩味：10 月 23 日 API 与全产品线先行，完整权重 11 月 4 日前发布，中间隔了两周。这两周不是工程延期——博客写的是"will be released by Nov 4"，LinkedIn 帖子也明确"Open weights by Nov 4, 2026"，是一个承诺日期，不是"尽快"。

算计很清晰：第一，两周的独家变现窗口。在权重公开之前，想用这个模型只有一条路——走 Kimi 的 API 和产品。HN 上发布当晚就登顶首页，Artificial Analysis 当天给出 55 分，热度最高的两周恰好是只能付费使用的两周。第二，生态预热。API 先行让开发者先把 kimi-k3.1-pro 接进工具链，等权重一开，自托管的需求已经被验证过一轮，社区量化、微调、部署的教程会自己长出来。第三，风险缓冲。网络安全专节里那套清洗流程，多两周的 API-only 窗口，等于多两周观察真实世界反馈的时间——万一清洗不到位，API 侧可以热修复，权重一旦放出去就没有回头路。

当然，代价也写在明面上：在权重发布之前，"开放权重模型"这个定语其实还没兑现。所有关于"最强开放权重"的叙事，目前都建立在一个承诺上。11 月 4 日是第一个真正的考验：权重是否会如期发布、许可证条款是什么、社区能否复现 65.7%——这三个问题任何一个出岔子，都会反噬这两周攒下的口碑。

还有一个现实的提醒：即便权重如期开放，"人人可下载"也不等于"人人可运行"。2.8T 总参数的 MoE 模型，Moonshot 官方口径是"K3 级别需要 64+ 加速器的 supernodes"才能跑起来——这是数据中心级的硬件，不是个人工作站能碰的。开放权重的真正受益者，首先是云厂商和有算力储备的大团队，他们会第一时间提供托管推理；其次是做量化、蒸馏的社区，权重是他们一切工作的起点。普通开发者最实际的受益路径，依然是 API 价格——而这恰恰是 Moonshot 已经提前给出来的部分。

接下来看什么

• 11 月 4 日的权重发布：是否如期、许可证是否真正开放、64+ 加速器 supernodes 的部署门槛意味着什么（这个量级的 MoE 自托管不是个人开发者能玩的，实际受益的是云厂商和有算力的大团队）。
• 独立复现：权重发布后，社区用统一 harness 跑 Terminal-Bench 4.0，65.7% 能不能站住。这是验证"0.7 分"叙事的唯一硬标准。
• Highspeed 的取舍：官方没有公布 Highspeed 独立的基准成绩，2–3 倍速度换了多少精度，$4/$20 是否划算，目前是未知数。
• 清洗线的后续："逐步提高开放权重中的网络能力"具体怎么执行、由谁决定节奏——这条线以后每次发布都会被重新讨论。

K3.1 Pro 的真正意义不在于某一个基准数字，而在于它把开放权重和闭源前沿的距离压缩到了"一个模型版本"之内。过去两年的默认假设是：开放权重落后前沿一代，半年后以折扣价追上。K3.1 Pro 把这个时滞压成了一次后训练迭代的距离——如果 11 月 4 日权重如期兑现，"可下载的 AI"与"最好的 AI"之间就只差 Artificial Analysis 指数上的 3 分。这个距离，才是所有闭源实验室接下来要回答的问题。