月之暗面发布 Kimi K3.1 Pro，100 万 token 上下文，开放权重将于 11 月 4 日前释出

Moonshot AI：Kimi Blog·2026-10-24 00:00· 2 小时前精选AI 评分81

Kimi K3.1 Pro

AI 导读

月之暗面发布 Kimi K3.1 系列首个模型 Kimi K3.1 Pro，为 3T 级开放权重模型，上下文窗口 100 万 token，并同步推出速度快 2-3 倍的 Kimi K3.1 Pro Highspeed。

推荐理由

官方公布了关键基准成绩、开放权重时间表和网络安全数据清理做法，读者可据此评估这代开放权重模型的实际能力边界。

推出 Kimi K3.1 Pro

我们推出 Kimi K3.1 Pro，这是我们全新 K3.1 系列的首个模型，也是我们迄今为止能力最强的 3T 级开放权重模型，具备 100 万 token 上下文窗口。它在编程、3D 创作、金融研究及其他智能体能力方面均有大幅提升。

我们还发布了 Kimi K3.1 Pro Highspeed，其速度是 K3.1 Pro 的 2-3 倍，交互响应更迅捷。

Kimi K3.1 Pro 和 Kimi K3.1 Pro Highspeed 即日起可在 Kimi.com、Kimi Work、Kimi Code 和 Kimi API 上使用。完整模型权重将于 11 月 4 日前发布。

拓展开放智能的边界

Kimi K3.1 Pro 是 Kimi K3 的后训练版本，后训练算力大幅增加。为实现跨数百个下游领域的大规模联合强化学习，我们优化了技术栈的每一层——强化学习框架、长上下文推理、训练效率、沙箱基础设施、rollout 调度，以及用于环境质量检查的共享平台——使每一份强化学习算力的投入都能带来稳定、可预期的回报。因此，K3.1 Pro 在每个领域都取得了持续提升。

在编程、智能体和知识类基准测试中，K3.1 Pro 达到或接近最强专有模型的水平。在 Terminal-Bench 4.0 上——该基准使用严格的任务专属测试，评估编程智能体在贴近真实、资源受限的终端任务中的表现——K3.1 Pro 得分 65.7%，领先 GPT-6 Astra（58.2%），仅略低于 Claude Opus 5.5（66.4%）。在 Kimi Code Bench 3.0 Long-horizon 上——这是我们内部的基准，用于测试编程智能体在多样工程领域中多步骤执行、工具使用和端到端问题解决的能力——K3.1 Pro 得分 61.2%，高于 K3 的 55.95%。

编程

K3.1 Pro 覆盖完整的编程工作，从真实代码库中的快速修复到完整项目构建。它还为游戏和网页体验带来更考究的视觉风格，并懂得如何用合适的工具来构建它们。

K3.1 Pro 可在 Unity、Unreal Engine 和 Godot 等游戏引擎中高效工作，并结合网页搜索和 3D 生成来打造完整体验。其前端页面、交互式 Three.js 场景和 3D 资产在构图、排版、动画和精致度上表现更强。以下示例均由 K3.1 Pro 端到端创作：

K3.1 Pro 的长程编码能力也通过大规模强化学习得到增强。在一项内部测试中，它在 human-atlas 之上构建了一个集成训练与评估流水线的人体行走动力学模拟器；human-atlas 是一个开源的人体解剖模型，包含 296 个骨骼组件（含软骨）和 402 个肌肉组件。在 167 项任务和 420 次独立评审中，它分析实验结果、诊断问题并迭代改进行走控制器，使模拟人从数秒内瘫倒变为以交替步态连续行走 11.2 秒。当奖励塑形未能改善手臂运动时，K3.1 Pro 并未一味继续调整奖励：它对模拟器的动力学进行了开环探测，识别并纠正了肩部肌肉力臂计算中的 36 处错误，然后重新训练了控制器。

3D 建模与设计

K3.1 Pro 在 3D 创作和空间推理方面表现出色。在 BenchCAD 上（该基准通过生成 CAD 代码来测试基于多视角渲染的 3D 重建），K3.1 Pro 在使用工具时得分 92.7%，接近 Claude Opus 5.5（96.2%）和 GPT-6 Astra（95.9%）的表现。根据文本简述、草图或参考图像，它能够推断形状、比例和空间关系，创建可用的 3D 模型。它对现有资产库和模型集合也有更强的掌握。

K3.1 Pro 尤其擅长参数化建模，涵盖机械零件、建筑模型到可配置产品和定制家具。无需 MCP 连接器，它就能为 Blender 和 CAD 软件等工具编写并运行脚本，以构建和优化资产、编辑组件，并调整几何形状、材质和场景布局。

以下是 K3.1 Pro 为品牌影片、游戏和交互式网页体验创建的 3D 资产示例：

3D Make 现已在 kimi.com 和 Kimi 应用上线——在线预览和编辑你的 3D 模型，下载可直接用于 3D 打印的模型，或将其导出为视频或实况照片，随时随地分享。

金融

凭借更强的推理和智能体能力，K3.1 Pro 能够端到端交付完整的金融工作流。K3.1 Pro 在 OfficeQA Pro v2 上取得最先进的结果（64.4），该基准通过检索、跨文档验证和多步数值推理，测试对真实金融文档的复杂财务数据分析。在衡量从筛选到盈利能力分析的完整投资工作流支持的 Frontier Finance 上，K3.1 Pro 也较 K3 有所提升。

K3.1 Pro 在我们所有内部金融基准上也均有显著提升：

• 金融建模评估真实建模任务中的公式联动、金融逻辑和最终工作簿质量。K3.1 Pro 较 K3 提升 7.2 分。
• 金融研究评估模型能否在证据和截止时间约束下产出可审计的研究。K3.1 Pro 较 K3 提升 11.6 分。
• 商业运营评估模拟商业环境中的长程管理和决策能力。K3.1 Pro 达到约 K3 的 4.2 倍表现。

财务分析与投资研究对事实准确性的要求极高。为此，我们针对 K3.1 Pro 在真实任务和挑战性提示上的事实准确性进行了定向改进。在 Kimi Hallu Bench Hard 基准（我们内部用于压力测试事实准确性的基准）上，其声明级幻觉率从 K3 的 23.4% 降至 8.3%，而包含至少一处事实错误的回答占比仅为前代模型的 42.4%。（该评估是对事实准确性的压力测试，示例刻意设计用于探查模型容易出错的场景。所报告的比率不代表日常使用中的整体错误率。）

以下案例展示了 K3.1 Pro 在财务建模、投资分析和基于来源的研究中的实际表现：

网络安全

随着 K3.1 Pro 能力增强，我们相应投入了更大比例的努力来理解网络能力的来源，以及我们能在多大程度上控制它。因此，我们分析并评估了 K3.1 Pro 的漏洞研究能力，并在训练期间施加定向控制，以降低潜在滥用风险，同时保留通用实用性。

识别并移除网络相关数据。在开发过程中，我们观察到漏洞研究性能随着后训练规模扩大而稳步提升。追溯这一趋势的来源，我们发现网络相关内容嵌入在通用中期训练语料中，且网络相关任务存在于 RL 环境组合中——这是基于广泛数据训练的自然产物。在内部模型的初步实验中，我们发现若在中期训练或 RL 阶段均不移除数据，下游网络能力将大幅提升。这些发现为我们提供了具体的控制杠杆。对于 K3.1 Pro 的开放权重发布，我们在两个训练阶段均识别并移除了网络相关数据，同时保留了模型实用性所需的通用编程任务。我们将继续在每个训练阶段施加适当控制，网络相关数据的识别与限制便是其中一例。

评估与结果。数据清洗后，我们在 xdev-bench-hard 上评估了 K3.1 Pro，这是我们内部的基准，由专家策划、基于源代码的漏洞发现与利用任务构成，经过校准以在当前能力水平上提供有意义的区分度。大多数任务忠实复现了 Linux 内核、Node.js、JavaScriptCore、Exim 和 VirGL 等软件中近期披露的漏洞，并启用了缓解措施。每个任务提供存在漏洞的源代码、简短的缺陷提示以及相应的二进制文件；智能体必须开发漏洞利用，在独立沙箱中实现任意代码执行，并获取一个秘密字符串以供自动验证。我们报告随机运行子集上的 pass@3，不设硬性超时或输出 token 限制。

在 xdev-bench-hard 上，未采取这些风险降低措施（训练中期未移除网络相关数据，也未对网络相关 RL 环境进行过滤）的检查点，在 pass@3 下解决了 90.5% 的问题；最终的 K3.1 Pro 达到 81.0%。这一对比表明，相对于同一训练流程原本会产出的结果，数据移除显著降低了网络能力。与此同时，K3.1 Pro 较其前代有大幅提升，表明更强的通用编码与长程调试能力即使在定向数据移除之后，仍能泛化到网络任务上。K3.1 Pro 的网络能力仍落后于已公开可用至少三个月的前沿专有模型。我们将持续演进内部基准，使评估在模型能力不断进步时仍保持信息量。

开放权重原则。这些评估构成了我们开放权重发布决策的框架。第一，我们力求不发布会拓展网络能力绝对前沿的开放权重。K3.1 Pro 的进攻性网络能力在设计上低于我们流程所能产出的水平，并且仍落后于前沿专有模型。第二，我们打算逐步提升开放权重中可用的网络能力。我们相信，以非歧视的方式提供 K3.1 Pro 有利于那些需要两用能力用于防御目的的人。当一个有能力的模型是开放的、并在用户自己控制的基础设施上运行时，更多团队获得了审计其维护代码的手段——包括很少接受专门安全审查的遗留系统。我们相信，让这种能力逐步扩散——而不是集中在少数专有系统中——最终会让所有软件更加安全。

可用性

Kimi K3.1 Pro 今日在 Kimi 产品家族全面上线：Kimi.com 与 Kimi 移动应用、Kimi Work 和 Kimi Code，以及通过 Kimi API 提供。

完整模型权重将于 2026 年 11 月 4 日前发布。

Kimi Enterprise 管理员可为其组织启用 K3.1 Pro；发布时该访问权限默认关闭。

各渠道详情：

• Kimi Agents：从移动应用商店下载或更新至最新版 Kimi 应用，支持 iOS、Android 和 HarmonyOS，或访问 kimi.com。
• 使用 Kimi K3.1 Pro 工作：下载最新的 Kimi Work 桌面应用，版本 3.1.0 或更高，支持 Windows 和 Apple 芯片 Mac。
• 使用 Kimi K3.1 Pro 编码：运行 Kimi Code，并使用 /model 命令选择 Kimi K3.1 Pro。
• 使用 Kimi API 构建：访问 Kimi API 平台并选择 kimi-k3.1-pro / kimi-k3.1-pro-highspeed。API 客户可享受零数据保留。
• 将 Kimi 引入你的组织：Kimi Business 提供企业级数据隐私与成员管理，个人账户与组织账户完全隔离。访问定价页面并选择“Get Kimi Business”为你的团队订阅。

基准测试

脚注

除非另有说明，下文报告的所有 Kimi K3.1 Pro 结果均在推理强度设为“max”、temperature = 1.0、top-p = 0.95 的条件下获得。

编码基准测试

1. Terminal-Bench 4.0。Kimi K3.1 Pro 使用 Claude-Code harness 进行评估。DeepSeek-V4.1-Flash-1017 的数据取自发布博客（https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017）。其余所有分数均取其在博客文章或官方 Terminal-Bench 4.0 排行榜（https://www.tbench.ai/）中报告的最高值。
2. Terminal-Bench Science 0.1。Kimi K3.1 Pro 使用 Claude-Code harness 进行评估。我们对 DeepSeek-V4.1-Flash-1017 的内部评估得分为 9.3；但较早版本 DeepSeek-V4.1-Flash 在官方 Terminal-Bench Science 上得分为 15.7，因此我们在此报告 15.7；其余所有分数均来自官方 Terminal-Bench Science 排行榜（https://www.terminal-bench-science.ai/）。
3. DeepSWE v1.1。Kimi K3.1 Pro 使用 Claude-Code harness 进行评估。所有分数均取自各模型各自的技术报告。GPT-6 Astra（https://openai.com/index/gpt-6-astra/）。Claude Opus 5.5 和 Claude Fable 5.1（https://www.anthropic.com/claude-opus-5-5-system-card 和 https://www.anthropic.com/claude-fable-5-1-mythos-5-1-system-card）；DeepSeek-V4.1-Flash-1017（https://api-docs.deepseek.com/news/news261017/）；GLM-5.3（https://z.ai/blog/glm-5.3）。
4. SWE-Marathon v1.1。Kimi K3.1 Pro 使用 Claude-Code harness 进行评估。DeepSeek-V4.1-Flash-1017 使用 ClaudeCode harness 进行评估。其余所有分数均取自官方 SWE-Marathon 排行榜（https://www.swe-marathon.org/）。
5. PostTrainBench。Kimi K3.1 Pro 和 DeepSeek-V4.1-Flash-1017 在 v1.2 上使用 Claude-Code harness 和 H20 GPU（而非 H100 GPU）进行了内部评估。为稳定评估，所有评判模型均使用最大努力程度的 DeepSeek-V4.1-Flash-1017，其在测试中与官方 GPT-5.6-Terra（xhigh）评判模型最为匹配。其他分数来自官方排行榜（https://posttrainbench.com/）。
6. ProgramBench（二值分数）。我们报告二值分数而非原始 ProgramBench 分数：若任务的 ProgramBench 分数 ≥95%，则得分为 1，否则为 0。Kimi K3.1 Pro 使用 Claude-Code harness 进行评估。DeepSeek-V4.1-Flash-1017 和 GLM-5.3 的分数取自发布博客（https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017）；其余所有分数均来自 Vals ProgramBench 排行榜（https://www.vals.ai/benchmarks/programbench）。
7. 内部编码基准：Kimi Code Bench 2.0 和 Kimi Code Bench 3.0 Long-horizon。Kimi K3.1 Pro 使用 Claude-Code harness 进行评估；所有其他模型均在其最大努力设置下进行评估。请注意，专有模型测试可能涉及一些回退行为。
8. BenchCAD。开放模型由我们在从完整的 17,900 个案例的 Vision2Code 数据集中随机抽样的 1,000 个案例子集上以最大推理努力进行评估。带工具的结果使用 Claude Code harness；不带工具的结果使用官方 BenchCAD 提示词和评分流程进行单次生成。Claude Fable 5.1 和 Claude Opus 5.5 的分数取自 Claude Opus 5.5 System Card；GPT‑6 Astra 的带工具分数取自其官方报告。GPT‑6 Astra 未报告不带工具分数，标记为“—”。

Agentic 基准

1. BioMysteryBench 数据集取自官方 v11 版本，以 Kimi K3 作为评判模型。我们评估了使用 Kimi Code 的 Kimi K3.1 Pro、使用 Claude Code 的 GLM-5.3 和 DeepSeek-V4.1-Flash-1017，以及使用 Codex 的 GPT-6 Astra。Claude 模型的分数直接取自其官方系统卡。
2. Our Agents’ Last Exam 数据集取自官方 v1.1 版本，包含 122 项任务，其中 86 项为 CLI 任务，环境镜像与官方 Hugging Face 发布版本保持一致。此外，对于绕过任务既定要求的运行，例如在线检索答案而非在 Wireshark 中执行所需分析，我们将其分数记为零分。DeepSeek 和 Kimi 分别使用 Claude Code 和 Kimi Code 进行评估。其余结果均取自官方基准网站。
3. OfficeQA Pro、OfficeQA Pro v2。GPT-6 Astra 使用 Codex 评估，其余所有模型均使用 Claude Code 评估。每项任务向智能体提供完整的 PDF 语料库，所有 PDF 均以图像形式呈现，不提供机器可读文本。我们在某些外部模型的轨迹中观察到其在线检索参考答案的情况；因此，我们将这些任务的分数记为零分。
4. Frontier Finance 使用官方 finance agent v2 harness 进行评估。
5. HANDBOOK.md 使用基于 OpenHands 构建的官方 harness 进行评估，评估任务取自该基准早期开源的 v1 版本。
6. Harvey Legal Agent 在包含 1,251 项任务的公开数据集上使用 Artificial Analysis 的 Stirrup harness 进行评估，性能以全通过率（即通过所有评分标准的任务百分比）报告。
7. OSWorld V2.1 在官方 OSWorld v2 仓库中使用 Kimi Agent harness 进行评估，而 GPT-6 Astra 的分数取自 Muse Wonder 的技术报告。
8. DECK-Arena 评估基于真实世界查询的演示文稿生成，而 Design Bench 通过直接提示和参考图像少样本提示覆盖平面设计；两者均在集成了搜索和图像生成的 harness 中，跨 python-pptx、pptxjs 和 Kimi 自研 DSL 运行模型，并使用基于 10,000+ 人类判断校准的自动评分器。
9. MCP Atlas。所有模型均在 500 项任务的公开子集上以 100 轮为上限进行评估，使用 Gemini 3.1 Pro 作为评判模型。
10. BrowseComp。我们采用 Claude 模型卡中使用的上下文压缩策略，在 200K token 时触发。我们允许最多 500 步；若在任务完成前达到该上限，我们强制智能体给出答案，随后对其进行评判。所有 BrowseComp 运行均在 temperature=1.0 和 top-p=1.0 下进行。
11. GDPval-AA v2.1、AA-Briefcase v1.1 和 AutomationBench-AA 的分数引自https://artificialanalysis.ai/，Apex Agents 的分数引自https://www.mercor.com/apex/apex-agents-leaderboard/
12. GDP.pdf w/ python、ZeroBench w/ python 和 ChartoGraphy w/ python 的结果为五次运行的平均值。其他多模态基准（w/ python）为四次运行的平均值。对于 GDP.pdf w/ python：每个原始 PDF 文件被发送到沙箱，模型可在其中使用 IPython 工具进行处理。最终回答使用 Gemini-3.5-Flash（中等推理强度）和官方评判提示词，依据每条评分标准进行评分。我们报告任务宏平均评分标准通过率：对于每个任务，我们对五次独立运行中通过的评分标准比例取平均，然后对所有任务的这些任务级分数等权平均。

推理与知识 & 多模态基准

1. GDP.pdf。每个 PDF 以页面图像形式提供，最长边缩放至 1,152 像素，并按页面顺序与 Docling 提取的文本交错排列。回答使用 Gemini-3.5-Flash Medium 和官方评判提示词，依据每条评分标准进行评分。我们报告完全评分回答中的严格通过率。
2. HLE 和 HLE-Diamond 评估通用知识与推理能力。我们报告在完整评估集上的准确率，其中 HLE 有 2,500 道题，HLE-Diamond 有 1,000 道题。对于标有星号（*）的模型，准确率报告在纯文本题目子集上。
3. GDP.pdf、ZeroBench 和 ChartoGraphy 为五次运行的平均值。其他多模态基准为四次运行的平均值。GLM-5.3 Max 和 DeepSeek-V4.1-Flash-1017 Max 的 GDP.pdf 分数引自 https://artificialanalysis.ai/。
4. MMMU-Pro 按照官方协议进行评估，保留原始输入顺序，并将图像前置到文本输入之前。
5. Kimi Hallucination Benchmark 在内部一组取自实际工作任务、经过脱敏处理的挑战性提示词上评估事实准确性。我们报告由事实核查代理评估的声明级幻觉率。

网络安全基准

1. ExploitBench。Kimi K3.1 Pro 使用官方 ExploitBench 测试框架在 300 轮预算下进行评估。我们报告 pass@5 最大能力分数：对于每个环境，取 5 个随机种子中最佳的一次运行，按达到的 16 项能力标志数量评分，其中实现任意代码执行计为达到全部 16 项能力。GPT-6 Astra 的分数取自 https://openai.com/index/gpt-6-astra/；Claude Opus 5.5 和 Claude Mythos 5.1 的分数取自 https://www.anthropic.com/claude-opus-5-5-system-card；GLM-5.3 的分数取自 https://z.ai/blog/glm-5.3。
2. ExploitGym。Kimi K3.1 Pro 使用 KimiCode 测试框架，在每个任务 6 小时实际时间预算下进行评估。GPT-6 Astra 的分数取自 https://openai.com/index/gpt-6-astra/；Claude Opus 5.5 和 Claude Mythos 5.1 的分数取自 https://www.anthropic.com/claude-opus-5-5-system-card（6 小时预算下）；GLM-5.3 的分数取自 https://z.ai/blog/glm-5.3。
3. xdev-Bench-hard：Kimi K3.1 Pro 使用 KimiCode 测试框架进行评估。GLM-5.3 和 DeepSeek-V4.1-Flash-1017 使用 Claude Code 测试框架进行评估。

来源：Moonshot AI：Kimi Blog · kimi.com