月之暗面发布 Kimi K3.1 Pro：3T 级开源权重模型，100 万 token 上下文

隆重推出 Kimi K3.1 Pro

我们隆重推出 Kimi K3.1 Pro，这是我们全新 K3.1 系列的首款模型，也是我们迄今为止能力最强的 3T 级开放权重模型，拥有 100 万 token 的上下文窗口。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.ai、Kimi Work、Kimi Code 以及 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。为了在数百个下游领域实现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%）。而在 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种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 覆盖全谱系的编程工作，从真实代码库中的快速修复到完整项目构建。它还能为游戏和网页体验带来更考究的视觉风格，并懂得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，将它们与网络搜索和 3D 生成相结合，打造完整的体验。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佳。以下示例均由 K3.1 Pro 端到端创建：

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（包括软骨）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，使模拟人从几秒内就瘫倒，变为能够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 并没有一味继续调整奖励：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 擅长 3D 创作和空间推理。在 BenchCAD 上（该基准通过生成 CAD 代码来测试从多视角渲染图进行 3D 重建的能力），K3.1 Pro 在使用工具的情况下得分 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，从而创建可用的 3D 模型。它对现有资产库和模型集合也有更强的掌握能力。

K3.1 Pro 尤其擅长参数化建模，从机械零件、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.ai 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能力。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都有显著提升：

• 财务建模评估真实建模任务中的公式联动、财务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要求高度的事实准确性。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有针对性的改进。在 Kimi Hallu Bench Hard 基准（一个旨在对事实准确性进行压力测试的内部基准）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复占比仅为前代产品的 42.4%。（该评估是对事实准确性的压力测试，示例经过刻意设计，以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 在实践中如何处理财务建模、投资分析和基于来源的研究：

网络安全

随着 K3.1 Pro 能力增强，我们相应地投入了更大比例的努力来理解网络能力从何而来，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，并在训练期间施加有针对性的控制，以降低潜在的滥用风险，同时保持通用性。

识别并移除网络相关数据。在开发过程中，我们观察到随着后训练规模扩大，漏洞研究性能稳步提升。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副产品。在内部模型的初步实验中，我们发现如果在中期训练或 RL 阶段都不移除数据，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都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的控制，网络相关数据的识别与限制就是其中一个例子。

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组成，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，在单独的沙箱中实现任意代码执行，并检索一个秘密字符串以进行自动验证。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的检查点——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——在 pass@3 下解决了 90.5% 的问题；最终的 K3.1 Pro 达到 81.0%。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 相较其前代有大幅提升，表明更强的通用编程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。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 的进攻性网络能力按设计低于我们流程所能产出的水平，并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，以非歧视方式提供 K3.1 Pro 有利于需要两用能力用于防御目的的人们。当一个有能力的模型是开放的、并在其用户控制的基础设施上运行时，更多团队获得了审计其所维护代码的手段——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——最终会使所有软件更加安全。

可用性

Kimi K3.1 Pro 今日在 Kimi 产品家族全面推出：在 Kimi.ai 和 Kimi 移动应用中，Kimi Work 和 Kimi Code，以及通过 Kimi API。

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；发布时访问默认关闭。

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.ai。
• 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 编程：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 客户可使用零数据保留。
• 将 Kimi 引入您的组织：Kimi Business 提供企业级数据隐私和成员管理，个人账户与组织账户完全分离。访问定价页面并选择“Get Kimi Business”为您的团队订阅。

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 下获得。

编程基准

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设置的 DeepSeek-V4.1-Flash-1017，该设置在测试中与官方 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 数据集中随机抽取的 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 未报告不带工具的分数，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. 我们的 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。DeepSeek 和 Kimi 分别使用 Claude Code 和 Kimi Code 进行评估。所有其他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，而所有其他模型均使用 Claude Code 评估。每项任务都会向智能体提供整个 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它们在线检索参考答案的情况；因此，我们将这些任务记为零分。
4. Frontier Finance 使用官方 finance agent v2 测试框架进行评估。
5. HANDBOOK.md 使用基于 OpenHands 构建的官方测试框架进行评估，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 测试框架进行评估，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 测试框架进行评估，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涵盖平面设计；两者均在集成搜索和图像生成的测试框架中，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；如果在任务完成前达到此上限，我们会强制智能体给出答案，然后对其进行评判。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 的分数引用自 https://artificialanalysis.ai/，Apex Agents 的分数引用自 https://www.mercor.com/apex/apex-agents-leaderboard/
12. GDP.pdf w/ python、ZeroBench w/ python 和 ChartoGraphy w/ python 的结果取五次运行的平均值。其他多模态基准（w/ python）取四次运行的平均值。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，按每条评分标准逐项评分。我们报告任务宏平均评分标准通过率：对每个任务，取五次独立运行中通过的评分标准比例的平均值，再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，按每条评分标准逐项评分。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，准确率报告在仅文本题目子集上。
3. GDP.pdf、ZeroBench 和 ChartoGraphy 取五次运行的平均值。其他多模态基准取四次运行的平均值。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 在内部一组来自实际工作任务、经过脱敏的挑战性提示词上评估事实准确性。我们报告由事实核查智能体评估的声明级幻觉率。

网络安全基准

1. ExploitBench。Kimi K3.1 Pro 在 300 轮预算下使用官方 ExploitBench 测试框架进行评估。我们报告 pass@5 最大能力分数：对每个环境，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 在每任务 6 小时实际时间预算下使用 KimiCode 测试框架进行评估。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 中 6 小时预算下的结果；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。