Kimi K3.1 Pro发布：2.8万亿参数，多项测试压过GPT-6 Astra

过去两个月，全球大模型赛道迎来一波密集上新。9 月，OpenAI 先后推出 GPT-6 Astra、GPT-6 Sol 等新模型，Anthropic 也拿出了 Claude Opus 5.5 和 Claude Sonnet 5.5。

中国头部厂商这边，新一代旗舰的节奏则显得安静。自今年 7 月 Kimi K3 发布之后，已经三个多月没有同等量级的旗舰升级。

10 月 23 日，月之暗面正式发布 Kimi K3.1 Pro，重新加入这场竞争。新模型总参数 2.8 万亿，每次推理激活 1040 亿参数，上下文窗口支持 100 万 token，编程、智能体、3D 创作和金融研究等方向均有升级。官方表示，完整模型权重将在 11 月 4 日前开放。

发布中最受关注的仍是性能成绩。月之暗面公布的 Terminal-Bench 4.0 编程测试里，K3.1 Pro 拿到 65.7%，高于 GPT-6 Astra 的 58.2%，与 Claude Opus 5.5 的 66.4% 只差 0.7 个百分点。

长周期软件工程任务 SWE-Marathon v1.1 中，K3.1 Pro 的成绩是 51.7%，Claude Opus 5.5 为 46.3%，GPT-6 Astra 为 42.5%。

智能体测试 Agents' Last Exam 中，K3.1 Pro 得 43.2 分，Claude Opus 5.5 为 42.6 分，GPT-6 Astra 为 32.8 分。在允许调用工具的完整版 Humanity's Last Exam 中，它以 70.0% 排在官方对比模型的第一位。

不过在科学计算终端任务、部分知识推理和 3D 重建测试中，GPT-6 Astra 和 Claude Opus 5.5 依然占优。

独立评测机构 Artificial Analysis 随后公布了自己的结果。K3.1 Pro 在其最新智能指数中拿到 55 分，全球第四，排在 Claude Opus 5.5、Claude Sonnet 5.5 和 Muse Wonder Full 之后。上一代 K3 是 44 分，这次提高了 11 分。

开源模型的排名也会随之变化。Artificial Analysis 表示，只要 K3.1 Pro 按计划公开模型权重，它就会成为该指数中得分最高的开放权重模型。领先开放权重模型与顶级闭源模型之间的分差，也会从之前的 12 分收窄到 3 分。

从写代码到开发 3D 游戏，Kimi 的审美能力再次升级

这次公布的大量演示作品，把变化展示得更直观。编程之外，Kimi 一直看重网页、演示文稿和交互内容的视觉表现，新模型在这方面进一步加强，能同时处理代码逻辑、页面构图、材质、光照和动画设计。

此次 K3.1 Pro 展示的作品，已从普通网页扩展到完整的 3D 游戏和复杂场景。比如月之暗面展示了一款用虚幻引擎 5.8 开发的天宫对战游戏，模型通过编写代码和调用工具搭建大型建筑场景，再结合程序化建模、实时光照及外部素材，做出可运行的游戏环境。

另一项演示是东方仙侠风格的 3D 角色扮演游戏。作品基于 Godot 引擎开发，包含五个可探索区域、两阶段 Boss 战、昼夜循环和篝火传送等机制，角色动画、战斗和场景交互也一并整合其中。

还有一款 3D 汽车登录页面。与传统的静态登录界面不同，这个作品把汽车三维模型和网页交互结合起来，通过车身材质、灯光、空间布局和动态效果，呈现出更接近汽车品牌官网的视觉体验。它也体现出 K3.1 Pro 在前端开发上的一个优势：页面功能之外，视觉设计和交互体验同样兼顾，生成的网页完成度更高。

这些案例说明模型能处理复杂的游戏工程。以往 AI 生成游戏，开发者往往要手动拼接大量素材和功能模块；如今 K3.1 Pro 能承担的连续工作更多，从设计、写代码一直到运行调试。3D 建模上的提升也很明显：模型可以根据文字描述、草图或参考图片，理解物体的结构、比例和空间关系，生成对应的三维模型。

它还能自行编写和运行 Blender、CAD 等设计软件的脚本，修改几何结构、材质和场景布局，不必所有操作都通过 MCP 连接器来完成。

例如，官方展示了一款以

另一项演示中，K3.1 Pro 用 Blender 搭建机场室内雨林场景，生成了一段 19.5 秒、1920×1080 分辨率、每秒 60 帧的展示视频。

配合这些能力，月之暗面同步推出 3D Make 功能。用户可在 Kimi 网页和 App 中直接创建、预览和编辑 3D 模型，下载用于 3D 打印的文件，或把作品导出为视频和实况照片。

审美和建模之外，这次升级还体现在长时间执行复杂任务的能力上。

月之暗面拿出了一个模拟人体行走的实验。开源人体模型含 296 个骨骼组件、402 个肌肉组件，K3.1 Pro 要据此写出模拟器，再把虚拟人训练到会走路。全程共 167 项任务、420 次独立评审，模型一遍遍看结果、改控制程序，最后让原本几秒钟就倒下的虚拟人连续交替行走。

手臂动作迟迟没有起色时，模型反过来查模拟器的算法，找出并修正了 36 处肩部肌肉力臂计算错误，然后重新训练控制器。任务失败后它能去翻底层假设、定位出错原因，再按结果重排工作步骤。

强化学习拉动能力上行，金融研究和事实准确性一起变好

K3.1 Pro 的进步为何这么明显？

按月之暗面的说法，新模型是在 K3 基础上做了更大规模的后训练，并没有从头再训一个 3 万亿参数的模型。

团队把算力重点加在强化学习上，同时改了强化学习框架、长上下文推理、训练效率、沙盒环境和任务调度系统，让模型能在数百个不同领域的任务里持续学。做法是让模型在更多真实或模拟任务中反复试，按执行结果调策略，把复杂工作的完成度提上去。

这也能说明，K3.1 Pro 这回提升最明显的地方集中在编程、智能体和长周期任务，并非所有知识和推理测试都跟着大幅领先。

金融研究是另一个涨得快的领域。OfficeQA Pro v2 测试要求处理真实金融文件，做信息检索、跨文档核对和多步骤计算。K3.1 Pro 拿到 64.4 分，高于 Claude Opus 5.5 的 62.2 分和 GPT-6 Astra 的 54.4 分。

月之暗面的内部测试还表明，跟上一代 K3 比，K3.1 Pro 金融建模涨了 7.2 分，金融研究涨了 11.6 分，模拟商业运营成绩约为原来的 4.2 倍。实际演示里，模型能做出英伟达财务预测与估值模型、宁德时代投委会报告，以及量子计算行业研究报告等。

事实准确性也被专门抓了一轮。内部 Kimi Hallu Bench Hard 压力测试中，模型生成内容的单条事实错误率从 K3 的 23.4% 降到 8.3%。这项测试挑的是容易出事实错误的复杂任务，不能直接等同于日常使用中的总体幻觉率。

进步也反映在价格上。眼下 K3.1 Pro 的 API 价格是每百万输入 token 2 美元、输出 token 10 美元，比上一代 K3 的对应价格低约三分之一。官方另推了 Highspeed 版本，称模型能力不变，输出速度提升约 2 至 3 倍，价格相应翻倍。

Artificial Analysis 测得的数字是，标准版 K3.1 Pro 输出速度约每秒 73.5 个 token，低于同类模型平均水平，完成测试任务时输出篇幅也偏长。实际用起来的成本和耗时，还得看具体场景。

现在 K3.1 Pro 已经上线 Kimi 网页端、移动端、Kimi Work、Kimi Code 和 API 平台。

对月之暗面来说，这次发布接着 K3 以来的大规模开放权重路线走。比起单纯把参数规模做大，K3.1 Pro 更多是把已有模型用足，靠后训练改善复杂任务的执行，再往 3D 创作和专业工作上延伸。

不足也还在，部分科学推理、工程任务和运行效率上，领先的闭源模型仍占优势。

不过就目前的独立评测结果看，全球顶级闭源模型和开放权重模型之间的距离在继续收窄。若 K3.1 Pro 按计划公布完整权重，更多开发者也就多了一个接近前沿水平的选择。

参考资料：

1. https://www.kimi.com/en/blog/kimi-k3-1-pro

2. https://artificialanalysis.ai/models/kimi-k3-1-pro

3.https://artificialanalysis.ai/es/articles/kimi-k3-1-pro-launch-benchmarks

4. https://www.kimi.com/code/docs/kimi-code/whats-new.html

5. https://www.kimi.com/en/blog/kimi-k3

6. https://www.anthropic.com/news/models

7. https://openai.com/index/introducing-gpt-6-sol-and-luna/