Kimi K3.1 Pro发布：2.8万亿参数，编程智能体评分超GPT-6

月之暗面发布新一代旗舰模型Kimi K3.1 Pro，目标指向编程、3D创作、金融研究等复杂专业任务，完整模型权重计划在11月4日前开放。该模型总参数2.8万亿，采用混合专家（MoE）架构，每次激活1040亿参数，上下文窗口支持100万Token。

按照月之暗面的说法，Kimi K3.1 Pro是K3系列打头的一款，也是公司目前能力最强的3万亿级参数模型。和早前偏重通用能力的版本不同，这次把长程编程、3D建模、金融分析以及智能体（Agent）执行复杂任务的能力作为强化重点，多项测试成绩达到或接近顶尖闭源模型。

同步推出的还有高速版Kimi K3.1 Pro Highspeed，月之暗面称其智能水平与标准版相当，输出速度约为后者的2至3倍。两款模型现已通过Kimi官网、App、Kimi Work、Kimi Code及API对外提供服务，完整权重预计11月4日前发布。

对月之暗面来说，这次升级的关键落点并非把参数堆到3万亿级别，而是让编程、空间推理、金融分析和长程智能体执行这几种能力跑进同一个模型里。

权重开放之后，市场要看的其实是另一件事：基准测试里的优势能不能在真实项目中延续，开发者又能否以可接受的部署成本，把这些能力变成稳定可靠的生产力。

大规模强化学习加持，复杂任务执行能力提升

Kimi K3.1 Pro不是从头训练的新模型，它是在Kimi K3基础上做后训练得到的版本。月之暗面表示，后训练算力这次大幅增加，强化学习框架、长上下文推理、训练效率、沙箱基础设施和任务调度系统等环节都做了优化，目的是支撑数百个下游领域的大规模联合训练。

在月之暗面看来，这条训练路线的重点是把更大规模的强化学习投入，转成复杂任务里持续执行的能力，单轮问答表现好不好并不是核心。

月之暗面称，在代码、Agent 和知识类基准上，K3.1 Pro 达到或接近最强闭源模型的水平。据其披露，编程智能体测试Terminal-Bench 4.0中，Kimi K3.1 Pro的评估得分为65.7%，高于OpenAI的GPT-6 Astra的58.2%，与Anthropic的Claude Opus 5.5的66.4%差距很小。

Terminal-Bench 4.0的考法是在真实环境中跑终端任务，看模型在资源受限时能否使用工具、执行命令并解决编程问题。

月之暗面内部的Kimi Code Bench 3.0 Long-horizon测试里，新模型拿到61.2%，上一代K3为55.95%。该测试侧重多步骤执行、工具调用，以及端到端解决工程问题的能力。

这些成绩来自不同的测试体系，其中一部分是月之暗面内部基准。各模型的测试环境、工具配置和评估方法未必一致，分数不能直接当成所有实际工作场景中的能力排名。

从编写代码到开发游戏，尝试端到端完成整个项目

编程方面，月之暗面希望Kimi K3.1 Pro既能修现有代码库里的问题，也能从零开发完整的软件项目。

官方展示的案例里，有使用虚幻引擎（Unreal Engine）、Unity和Godot等游戏引擎开发游戏，也有生成网页、Three.js交互场景和3D资产。

其中一个案例是在虚幻引擎5.8中搭建一座位于云海之上的东方神话天宫。月之暗面称，项目中的柱廊通过Blender程序化建模，源模型包含3600万三角形，渲染使用Nanite和Lumen。

另一个案例是基于Godot开发的3D动作冒险游戏，里面有五个可探索区域、程序化生成的地形与村庄、第三人称战斗、两阶段Boss战、昼夜循环和快速传送等功能。

模型还做了浏览器内的3D机械臂展示页面，生成2317个零件和268条动态走线，分解视图、透明外壳和剖面展示均已实现。

这些案例想说明的是，模型的目标已经不只是生成代码片段，项目规划、调用专业工具、生成素材、调试和迭代这些活也要一并承担。

月之暗面还展示了一项更复杂的仿真任务：模型基于开源人体解剖学模型构建人类行走动力学仿真器，在167项任务、420次独立评审过程中不断调整行走控制器，最终让仿真人体连续行走11.2秒。

更值得注意的是，调整奖励机制没能改善手臂运动时，模型转去检查仿真器动力学，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。

这类案例指向长程智能体能力的一个方向：模型不光要给出解决方案，还得根据实验反馈找到问题，在多轮执行中把结果持续改好。不过演示案例本身说明不了模型在所有同类任务中都能稳定复现同样的表现。

3D建模能力增强，支持Blender与CAD专业工具

编程之外，3D创作与空间推理同样是Kimi K3.1 Pro这次升级的重点。

月之暗面介绍，Kimi K3.1 Pro在3D创作和空间推理上表现突出，参数化建模是其拿手项，机械零件、建筑模型、多参数可配置产品以及定制家具都能处理。BenchCAD基准测试里，该模型调用工具拿下92.7%，与Claude Opus 5.5的96.2%、GPT-6 Astra的95.9%相距不远。

BenchCAD考的是什么？给模型多个视角的渲染图，让它生成CAD代码把3D模型重建出来。这要求模型看懂物体的形状、比例和空间关系，再把看到的视觉信息转成能用的三维结构。

按照月之暗面的说法，文字描述、草图或参考图片都能成为Kimi K3.1 Pro推断物体结构的依据，它还能直接编写并运行Blender、CAD等专业工具的脚本，把参数化建模、几何调整、材质修改和场景布局一并做完，不需要借助MCP连接器。

展示的案例有几个：在Blender里搭建机场室内雨林场景；用FreeCAD和Python生成涡扇发动机模型，其中包含2100个实体；设计一盏可直接3D打印的台灯。

那个涡扇发动机模型能分步装配，可展示内部结构，多个转子还能旋转动画。台灯的设计灵感来自福建土楼的圆形建筑形态，做成五个部件组成的镂空结构。

同时，Kimi官网和App已经上线3D Make功能。用户可以在线预览、编辑3D模型，把模型下载下来用于3D打印，也能导出视频和实况照片。

看得出来，月之暗面想把模型的空间推理和代码生成能力，落到能直接上手的创作工具里。

[标题] 金融研究成为重点突破方向，事实错误率下降

金融研究是Kimi K3.1 Pro另一个重点强化的方向。

月之暗面称，新模型能围绕财务建模、投资分析和行业研究跑完较完整的工作流。它不只是回答几个财务问题，或者把研报总结一遍。

OfficeQA Pro v2基准测试中，Kimi K3.1 Pro拿到64.4分，月之暗面称这一成绩达到当前最优水平（SoTA）。该测试重在用真实金融文档做复杂数据分析，信息检索、跨文档核对、多步骤数值推理都在考查范围内。

公司内部的财务建模测试里，新模型比K3提升14%；金融研究测试提升20%；商业运营测试的得分约为K3的4.2倍。

实际应用案例中，模型做出了英伟达的财务模型，经营假设可以调整，公式之间联动，还能做敏感性分析；它也为宁德时代制作了投资委员会报告，把市场一致预期与公司实际表现之间的差异梳理出来，并整理了未来可能的催化因素。

月之暗面还展示了一份量子计算行业研究报告，并强调报告里的数据和引用都能追溯到一手来源。

问题是，金融研究对准确性的要求比一般内容生成高得多。模型能做出完整的财务工作簿或研究报告，不代表里面每项数据、假设和结论都一定对，实际使用时关键数字和来源仍需核验。

针对这一点，月之暗面专门做了事实准确性压力测试。

内部Kimi Hallu Bench Hard测试中，新模型的单项事实陈述错误率从K3的23.4%降到8.3%。含有至少一处事实错误的回答占比，则降到前代的约42.4%。

月之暗面特别说明，这项测试特意挑了模型容易出错的高难度场景，结果不代表日常使用中的整体错误率。

即便如此，要把事实错误率压下来，仍是模型进入金融、企业运营等专业场景的重要条件。这类任务里，模型能不能给出可追溯的证据、把计算过程验证清楚、及时发现问题，或许比单纯把回答速度提上去更关键。

[标题] 标准版API输出价68元/百万Token 开放权重前先做安全评估

商业化上，月之暗面的安排是产品服务先走，模型权重随后开放。

眼下Kimi K3.1 Pro已经接入Kimi官网、App、Kimi Work、Kimi Code和Kimi API。开发者通过API调用模型，企业用户则能把它用在编程、研究及其他智能体工作流中。

月之暗面公布的价格显示，标准版Kimi K3.1 Pro的API输入价按每百万Token计，缓存命中1.3元、缓存未命中13元，输出价为68元。高速版输出速度约为标准版的2至3倍，价格是标准版的两倍。

另外，月之暗面推出了Kimi Hosted Agents托管智能体服务，给企业和开发者提供云端运行环境，长时间任务执行和多智能体协作都支持，自行搭建、维护智能体运行框架的成本可以降下来。

开源社区更在意的，是权重什么时候放出来。月之暗面给出的时间点是11月4日前，届时完整权重开放。开发者可以把它部署到自己的基础设施上，做研究，也做适配。至于具体能用到什么程度，还要看最终发布的许可条款。

同一时间，月之暗面还公布了开放权重模型的网络安全评估情况。按照公司的说法，在筹备开放Kimi K3.1 Pro权重期间，中期训练和强化学习阶段里与网络攻防有关的数据已经被识别并移除，目的就是压住模型的漏洞研究能力。

自研的xdev-bench-hard测试里，没做这类数据移除处理的模型拿到90.5%，最终版是81.0%。公司方面称，这说明有针对性的数据清理确实削弱了模型的漏洞研究能力；不过更强的通用编程和长周期调试能力，仍有可能迁移到网络安全任务上。

开放权重模型的两难也在这里摆着。企业也好，研究人员也好，开放模型能让他们在本地部署、检查代码、开展防御性安全工作；可模型能力一路往上走，开发者就得去评估它在网络攻防这类双重用途场景里潜藏的风险。