月之暗面发布了 K3.1 系列首款模型 Kimi K3.1 Pro，以及官方称响应速度提升 2 到 3 倍的高速版本 Kimi K3.1 Pro Highspeed。目前模型已在 Kimi 网页端、桌面端、移动端与 API 同步上线，完整模型权重尚待后续公开发布。

官方披露的规格中，2.8T 总参数约合 2.8 万亿，104B 激活参数约合 1040 亿。模型采用 MoE（混合专家）架构，每次运算只调动与当前任务匹配的部分专家网络，并不代表模型整体只有 104B，并支持多模态输入；100 万 token 是单次处理的最大上下文容量，按分词规则折算并不等于 100 万个中文字。

这次升级主要带来了几类变化：

• 把零散工具串成完整工程：在 Unity、Unreal Engine 或 Godot 等游戏引擎中，把搜索资料、生成 3D 资产、组装场景到编写控制脚本连起来，交付可运行的项目。
• 改动数值直接重构三维模型：编写并运行 Blender 与 CAD 脚本，通过修改参数更新零件尺寸和场景结构。
• 跨表核对财务与财政数据：直接阅读包含图表的数据材料，通过可追溯的计算公式联动多张报表；内部事实压力测试中的错误也比前代减少。
• 在仿真环境中自主排查深层故障：依托后训练强化学习，在长程复杂任务中持续运行测试、诊断反常现象并定位底层逻辑错误。

从写代码，到把完整项目运行起来

交付一个完整的软件或游戏项目，不仅需要编写局部代码，还要把美术资源、业务逻辑、场景搭建与实际运行测试完整衔接起来。本次 K3.1 Pro 的技术路线是在 K3 基础上大幅增加后训练算力，在数百个下游领域联合开展强化学习。通俗来说，就是让模型直接在任务环境中操作工具并根据结果不断改进做法；研发团队为此针对长上下文推理、沙箱隔离、任务调度和环境质量检查优化了这些基础设施。

官方展示的 Godot 4.7.2 动作冒险游戏，把这些工作接到了一起：五个可探索区域里有地形、道路、水体、植被与村庄，角色可以进行第三人称战斗、挑战两阶段 Boss、采集资源，还能经历昼夜变化并通过营火快速传送。项目使用了 Quaternius、Kenney、KayKit 等现成模型包与字体，模型的任务包括把素材、程序化场景和玩法逻辑衔接成可运行的游戏。

长程任务还要求模型找到反常结果背后的原因。在官方技术博客披露的人体行走动力学仿真测试中，模型基于开源解剖模型 human-atlas（包含 296 个骨骼组件，计入软骨；另有 402 个肌肉组件）搭建步态控制器。在由 167 项子任务与 420 次独立复核构成的长程周期中，仿真人体从最初几秒内失衡倒地，逐步调整到能够交替迈步连续行走 11.2 秒。

当光靠调整“怎样走才得高分”的奖励规则（奖励塑形）依然无法解决手臂自然摆动时，模型并未单纯在表层权重上试错，而是单独测试物理引擎的仿真动力学，排查肩膀肌肉力量如何转动关节的计算公式，从中发现并纠正了 36 处力臂计算错误，随后再重新启动控制器训练。

这些在命令行与沙箱环境中往复调试的能力，也反映在多项官方基准的性能与边界上。在严格受限的真实终端排错基准 Terminal-Bench 4.0 上，K3.1 Pro 取得 65.7%，接近 Claude Opus 5.5（66.4%），高于 GPT-6 Astra（58.2%）；在长程软件工程基准 SWE-Marathon 上取得 51.7%，高于 Claude Opus 5.5（46.3%）。在内部长程编码基准 Kimi Code Bench 3.0 Long-horizon 中，K3.1 Pro 得分为 61.2%，高于前代 K3 的 55.95%，但低于 GPT-6 Astra 的 66.5%。

在科研终端基准 Terminal-Bench Science 0.1 上，K3.1 Pro 得分为 38.1%，落后于 GPT-6 Astra（68.1%）与 Claude Opus 5.5（63.3%），这一测试体现了其在特定科研终端任务中的局限。

在工具辅助的知识与系统操作测试中，K3.1 Pro 在带工具的 HLE 上取得 70.0%（高于 Opus 5.5 的 67.7%），在 OSWorld 上达到 79.6%（略低于 Opus 5.5 的 81.8%）。

这些成绩由 Kimi 汇总披露。各模型大多运行在最高思考档位，但执行任务的配套框架（Harness）并不完全相同，部分对照分数取自公开报告或榜单最大值；读这些数字时，要连同工具环境一起比较。

3D 模型做好后，为什么还能改尺寸

在三维建模中，常见的生成模型往往直接输出外观固定的多边形网格。这类网格虽然能呈现完整外观，但如果要调整结构尺寸，通常需要手动调整顶点或重新生成整个模型。

参数化建模的不同之处在于，模型生成的是一套用于构建几何体的程序脚本。假设你要做一个带安装孔的机械零件，脚本会把零件的长宽高、打孔孔径全部写成明确的数值变量；如果后续需要修改孔径大小，只需在脚本中把孔径数值改掉并重新运行代码，软件就会按照新的参数重新建立模型。这种方式让几何结构具备了随时通过参数调整的能力；修改时可以沿着原有的建模步骤重新生成。

K3.1 Pro 可以面向 Blender 与 CAD 软件编写并执行这类脚本。官方所说的“无需外部 MCP 连接器”，指它能通过写脚本来使用软件；要让它在本地操作 Blender 或 CAD，电脑里仍需具备相应的软件和运行环境。

脚本建模还可以把零件结构、装配顺序和运动关系写进模型，让三维成果进入后续的修改、拆装或打印流程。

例如，官方的涡扇发动机模型由 Python 在 FreeCAD 中构建，包含风扇、减速箱、压气机、燃烧室、涡轮与外层管路等 2,100 个实体。视频能逐步装入这些部件，再通过透明外壳和爆炸视图观察内部；风扇、低压轴与高压轴还分别按 2,780、8,590、12,400 RPM 演示转动。它呈现了零件之间的装配和运动关系，是否满足真实制造要求还需另做工程校验。

另一款使用 Trimesh 构建的模块化台灯，则把三维模型接到了实物制作：福建土楼的环形外观变成镂空灯罩，模型拆成五个可打印部件。官方视频先展示分件与装配，再拍到 3D 打印机工作、白色灯罩成品和点亮效果，读者能看到数字模型如何进入打印与组装流程。

除了离线运行建模脚本，模型还能直接交付无需专业客户端即可在浏览器运行的交互式三维作品：

• 3D 汽车展示页：基于定制 Three.js 开发，支持读者在浏览器中自由拖拽旋转视角、点选聚焦特定机械零件、拖动滑杆触发整车爆炸分解与重新拼装，并支持切换不同车漆外观，布料掀开与镜头运镜在 Blender 中烘焙完成；
• 3D 机械臂展示页：可以环绕观察、切换手势和视角、将外壳改成透明或移除，还能拆开观察内部零件，再重新组装。

在由多视角渲染图重建 CAD 代码的 BenchCAD 评测中，官方从包含 17,900 个案例的 Vision2Code 数据集中随机抽取了 1,000 个样本。该基准采用体素交并比（Voxel IoU，%）来衡量生成的三维几何体与标准参考模型之间的空间体积重合程度，反映的是整体几何外形重叠的吻合比例，而不是工业机械制造中的加工公差或装配精度。

在评测条件下，配合工具调用的 K3.1 Pro 平均 Voxel IoU 达到 92.7%，接近 Claude Opus 5.5（96.2%）与 GPT-6 Astra（95.9%）；而在不借助外部工具的单次生成测试中，K3.1 Pro 得分为 72.8%，与 Claude Opus 5.5 的 73.0% 相当。

在产品应用上，Kimi 平台同步推出了 3D Make 功能，支持用户在线输入创意、预览并编辑生成的三维模型，可直接下载用于 3D 打印的文件，或导出为视频与实况照片（Live Photo）以便分享。

财务表格要能联动，研究结论要能查来源

在财务建模中，分析师非常看重数据之间的联动逻辑。以官方展示的英伟达（NVDA）财务模型为例，所谓“公式联动”，是指当你在工作簿中调整某项营收增长率或营业成本假设时，相关的财务报表与估值计算都会通过公式自动更新，任何人都能顺着单元格公式反向核对每个数值的计算来源。主帖提到将未来现金流折算为今天价值的 DCF 模型，以及评估借债收购回报与偿债压力的 LBO 模型；技术博客实际提供下载的 NVDA 工作簿，则是一套以 DCF 为核心、含 16 张工作表的估值模型；此外，官方还展示了宁德时代投委会汇报材料与附带多级引用的量子计算行业研报。

这三类成果都提供了原件，读者可以沿着它们的计算和论证路径检查：

• 英伟达财务模型（下载 XLSX）：先看 Assumptions 中的经营假设，再沿利润表、资产负债表和现金流量表（IS、BS、CF）的跨表公式查计算，查看 Checks 的平衡校验，最后核对 DCF、Valuation 的估值与 Data_Sources 的出处。这份下载件没有独立的 LBO 命名工作表。
• 宁德时代投委会汇报材料（下载 PPTX / 查看 PDF）：先列市场预期，再对照实际业绩与公司指引解释偏差，随后梳理可能影响判断的后续事件和风险。材料把公司公告、数据库、券商研报、自行测算分层标注，并列说明冲突口径。
• 量子计算行业研报（查看 PDF）：围绕技术路线、指标门槛和市场预期展开分析，把论点连回证据与后续验证条件，文末附带数百项引用。引用包含不同来源层级，并标明尚未核实的底稿，便于读者追查具体结论的依据。

在专门考查公共财政材料与财政数据分析的 OfficeQA Pro v2 基准上，K3.1 Pro 取得了 64.4 分。该测试向模型输入整套财政 PDF 页面渲染图像，不提供可复制的机器文本，考验跨页视觉定位与多步数值核算能力。对于该项测试，月之暗面在报告中说明，评测团队对部分外部模型联网搜索参考答案的轨迹在本次统计中按零分处理。在评估完整投资工作流的 Frontier Finance 基准上，K3.1 Pro 得分为 58.6，低于 Claude Fable 5.1（60.8 分）。

在月之暗面披露的三项内部金融评测中，指标均有提升：考查公式联动与工作簿质量的财务建模（Financial Modeling）得分从 50.4 提升至 57.6（提高 7.2 分）；考查证据链与时间截点可审计性的财务研究（Financial Research）得分从 58.8 提升至 70.4（提高 11.6 分）；考查虚拟环境中多步经营决策的模拟商业经营（Business Operation）得分从 8.9 提升至 37.0（约为前代的 4.2 倍；这是模拟环境任务的得分，不代表真实商业回报）。

官方提到的“幻觉下降 65%”，比较的是回答中可核查的事实主张出错的比例。假设模型给出一段分析，内容通常会被拆成多条独立陈述（例如公司成立年份、某季度的具体收入、关键技术发布时间等），评测中的事实核查 Agent 会对这些陈述逐一验证真伪。

在内部的高难度压力测试（Kimi Hallu Bench Hard）中，前代 K3 的主张级事实错误率为 23.4%，K3.1 Pro 下降至 8.3%。按相对降幅计算为 (23.4% - 8.3%) ÷ 23.4% ≈ 64.53%（约 65%），绝对数值下降了 15.1 个百分点。与此同时，至少包含一处事实错误的回答占比，降至前代该比例的 42.4%，这代表出错回答的发生频率比前代大幅收窄，但并不意味着当前有 42.4% 的回答出错。由于该测试专门挑选模型容易混淆的边界问题进行压测，这些数据也不代表日常通用对话中的真实错误率。此外，在相同的 Hard 条件下，GPT-6 Astra 的主张错误率为 5.5%，仍低于 K3.1 Pro 的 8.3%。

开放权重前，还做了一次能力取舍

随着后训练强化学习的规模扩大，模型在长程代码排错上的通用能力，会自然延伸到系统安全与漏洞利用层面。为了降低未来开放权重后的潜在滥用风险，月之暗面在模型训练中主动进行了一次能力剥离。

团队在中期训练语料和强化学习环境中，识别并剔除了与网络安全利用直接相关的数据，同时保留保障模型日常编程能力所需的通用代码任务。

根据内部基准 xdev-bench-hard（在无硬超时与输出上限限制下进行）的评测结果，这种数据过滤带来了明显的效果差异：

• 如果不剔除网络攻击相关数据，模型的 pass@3（即 3 次尝试中至少成功 1 次）解决率达到 90.5%；
• 经过针对性数据剥离后，最终发布的 K3.1 Pro 解决率回落到 81.0%；
• 尽管主动做了风险抑制，K3.1 Pro 的表现依然大幅高于前代 K3 的 33.3%，说明通用的复杂代码调试经验依然会对漏洞任务产生迁移；
• 评测中列出的闭源模型 GPT-5.6-Sol 虽然达到 100% pass@3，但由于来自第三方且运行在不同 Harness 下，不可视作完全相同环境的直接名次。

官方由此说明了开放权重时的安全考量：一方面以不推高前沿攻击能力为目标，另一方面让具备代码审计与排错能力的工具能够分散到更多开发者手中，用于检查长期缺乏维护的存量软件。目前完整权重尚未公开。

从哪里用，完成一个任务要花多少钱

目前用户可以通过以下渠道体验 K3.1 Pro：

1. 多端交互：访问 Kimi 网页端、下载或更新移动端 App（支持 iOS、Android 与 HarmonyOS），或在桌面端使用 Kimi Work（版本需在 3.1.0 及以上，支持 Windows 与 Apple Silicon Mac）。
2. 工程编码：在 Kimi Code 中，执行 /model 命令并选择展示名 Kimi K3.1 Pro。
3. 企业接入：Kimi Enterprise 企业管理员可在后台按需开启，上线默认处于关闭状态。
4. 模型权重：官方承诺最迟在 11 月 4 日开放完整权重。

在开发者接入方面，官方 API 平台同步开放了两个模型 ID：

• 标准版（kimi-k3.1-pro）：输入定价为 $2.00 / MTok（每百万 token），输出为 $10.00 / MTok，缓存命中输入为 $0.20 / MTok。官方说明该基准单价约为前代 K3 的三分之二。
• 高速版（kimi-k3.1-pro-highspeed）：输入定价为 $4.00 / MTok，输出为 $20.00 / MTok，常规输入与输出单价为标准版的两倍，缓存命中输入同样为 $0.20 / MTok。官方称其速度可提升 2 至 3 倍；完整项目还要等待工具运行、文件处理等步骤，不能据此保证整项任务也同比提速。此外，数据零留存（Zero Data Retention）作为可选隐私保障，面向 API 客户提供。

在评估长程 Agent 的实际调用预算时，开发者需要将单次调用的单价与复杂任务的多轮累计开销区分开来。在端到端复杂工程中，Agent 需要持续读取日志、执行多轮测试并反复自我纠错，上下文规模会随步骤不断累加。

以内部 xdev-bench-hard 的评测统计为例，模型平均完成一条成功轨迹，累计输入上下文达到 1.598 亿 tokens（159.8 MTok），累计输出为 54.6 万 tokens（546 KTok）。这是整条任务在多轮调用中累计消耗的输入量；每次调用仍受 1M 上下文窗口限制，也不代表日常普通用户的用量。若按标准版单价、假设完全不使用上下文缓存进行教学折算，单次成功轨迹对应的 token 费用估算为 325.06 美元（159.8 × $2.00 + 0.546 × $10.00）。这仅是单价乘算演示，并非官方实际收取的账单，也未包含调试过程中的失败重试或环境搭建成本。

上下文缓存（Prompt Cache）的作用在于，当多轮交互中包含大量重复的历史前缀时，命中的输入部分可按 $0.20 / MTok 计费。读者可以在上方计算器中自行设定预期的缓存复用比例，具体能降低多少费用取决于实际缓存命中率，并不存在固定的节省比例承诺。

此外，官方披露的 Terminal-Bench 4.0 任务成本分析图显示，在该评测所示的特定配置下，K3.1 Pro 在取得相近终端排错成绩时，平均每题的花费较低。不过这一结论基于特定的基准环境与定价，不同于各类真实的生产项目，且该散点图中其他模型的基准口径与总览图表并不完全一致，因此无法直接拼装为通用的精确性价比倍数。