Kimi K3.1 Pro 发布：2.8 万亿参数、100 万上下文，单价降 33%，榜单冲到全球第 4

先把出处钉死。原始材料是 Moonshot AI 2026 年 10 月 23 日（美东时间，中国时间已是 10 月 24 日）发布的技术博客《Kimi K3.1 Pro Tech Blog: Advancing Open Intelligence》，地址 kimi.ai/blog/kimi-k3-1-pro，同步在 Kimi 的 X 账号发了发布帖。The Decoder、Unite.AI、Wccftech、OfficeChai 等媒体在 10 月 23 日跟进。本文里的榜单分数以 Artificial Analysis 的独立评测为主，厂商自测的部分单独标注，两者混着写会把「官方声称」当成「第三方验证」。

这个模型是什么。K3.1 Pro 不是新架构，是 Kimi K3 的后训练版本，官方说后训练算力大幅提升。规格没变：2.8 万亿总参数，MoE 结构下每 token 激活 1040 亿，100 万 token 原生上下文，同时吃文本和图像。另外还有一个 K3.1 Pro Highspeed 变体，官方称速度快 2 到 3 倍，价格翻倍到输入 4 美元、输出 20 美元每百万 token。两个版本现在都能在 Kimi.ai、Kimi Work、Kimi Code 和 Kimi API 里用。

独立榜单怎么说。Artificial Analysis 智能指数给到 55 分（The Decoder 记 55，部分媒体记 55.1），比 Kimi K3 高 11 分，排第 4。前三名是 Claude Opus 5.5（58）、Claude Sonnet 5.5（56）、Muse Wonder Full（56）。AA 同时说它站在帕累托前沿上——同等参数规模里没有分数更高的。这里要留意一个容易忽略的事实：第 4 名和第 1 名只差 3 分，而这个差距在一年前是两位数。

权重的时间差。官方计划 2026 年 11 月 4 日前放出模型权重。如果如期，K3.1 Pro 会成为当时分数最高的开源权重模型，开源与闭源的差距从 12 分缩到 3 分。注意这里的两个前提：一是「如期」，二是「这期间没有别的模型发布」。The Decoder 的措辞是 assuming nothing else changes by then，这个限定不能省。所以现在能用的只有 API 和 Moonshot 自家产品，今天就说「开源追平闭源」，早了十天。

Agent 和编码的进步最大。Terminal-Bench 4.0 上官方报 65.7%，Kimi K3 只有 13%，Claude Opus 5.5 是 66.4%，GPT-6 Astra 是 58.2%。SWE Marathon v1.1 拿到 51.7，反过来超过 Opus 5.5 的 46.3。GDPval-AA 是 1846 Elo，比 K3 高 312 分，仅次于 Opus 5.5（1866）和 Muse Wonder Full（1857）。三个数字指向同一件事：这一代的提升主要发生在「连续做多步、需要自己纠错」的任务上，而不是单轮问答。

幻觉率。官方内部基准 Kimi Hallu Bench Hard 上，claim-level 幻觉率从 K3 的 23.4% 降到 8.3%。同一个基准上 GPT-6 Astra 是 5.5%，还是更稳。Moonshot 自己强调这是压力测试，不代表通用错误率，这句限定要保留。顺带说一句，把幻觉率压下来和把单任务 token 消耗压下来是两件不同的事——下一段就会看到。

金融、办公和 3D。OfficeQA Pro v2 拿 64.4 分，官方称领先所有被测模型，Claude Opus 5.5 是 62.2，GPT-6 Astra 是 54.4。内部金融基准上 Financial Modeling 涨 7.2 分、Financial Research 涨 11.6 分。3D 这块是这代新增的重点：BenchCAD 带工具 92.7%，不带工具 72.8%（Opus 5.5 不带工具 73.0%），可以直接操作 Unity、Unreal Engine、Godot，能写和跑 Blender、CAD 的脚本而不需要 MCP 连接器；Kimi.com 同时上线了 3D Make，可以预览、编辑、导出模型。

网络安全那一章值得单独读。官方说，随着后训练规模上去，漏洞研究能力跟着涨，原因是 cyber 内容本来就在 mid-training 语料里，相关任务也在强化学习的环境组合里。为了让开源版本不把攻击性网络能力推到绝对前沿，Moonshot 从两个训练阶段都剥掉了 cyber 数据。代价是可量化的：在内部 xdev-bench-hard（复现 Linux 内核、Node.js、JavaScriptCore 等已披露漏洞）上，未清洗版本解 90.5%，清洗后的 K3.1 Pro 是 81.0%。同榜 DeepSeek-V4.1-Flash 85.7%，Kimi K3 只有 33.3%。官方的立场很明确：开源权重模型不应该把攻击性网络能力的绝对前沿往上推，但同时要逐步抬高开源模型能做的事，因为防御方审计遗留系统也需要这个能力。

价格降了，账单没怎么降。输入从每百万 token 3 美元降到 2 美元，输出从 15 降到 10，缓存命中从 0.30 降到 0.20，降幅 33%。但按 Artificial Analysis 的口径，跑完一个智能指数任务要花 1.98 美元，K3 是 2.00 美元，几乎一样——原因是每个任务的输出 token 从 48K 涨到 55K，多了 14%。所以「便宜三分之一」说的是单价，不是你的月度账单。做成本预算的人如果只抄单价，会算错。

三条边界。第一，除 Artificial Analysis 指数外，金融、幻觉、xdev-bench-hard 这些关键数字全部来自厂商自测，需要外部复现才能当定论。第二，安全对齐不是免费的：ExploitBench 上 K3.1 Pro 只有 74.7，Claude Opus 5.5 是 91.0，GPT-6 Astra 是 100，说明剥掉 cyber 数据换来的是实打实的能力折让。第三，权重 11 月 4 日才放，今天说「最强开源模型」严格讲是期货；本文不预测 11 月 4 日之后格局会怎么变，只记录到现在为止公开的事实。