10 月 24 日凌晨，月之暗面正式发布 Kimi K3.1 Pro。四天前，我们还在《国产模型「消失」的七周》里写它「只闻其声」，今天，这个观察点兑现了。
官方给它的定位是 K3.1 系列的第一个模型、K3 的后训练版本，参数规模为 3 万亿级，支持 100 万 token 上下文。同步上线的还有 Kimi K3.1 Pro Highspeed，官方称同等智能、输出速度约为普通版的 2~3 倍。完整权重尚未发布，官方承诺的时间是 11 月 4 日前，许可证也要等权重落地后再看。
这篇稿子本身就是用 K3.1 Pro 写的，我们做了事实核查和修改。这不算标准化实测，却是一次真实内容任务。文章的结构和文字就摆在这里，读者可以直接判断它做得怎么样。
把官方技术博客和 Artificial Analysis（AA）的独立评测放在一起，最清楚的信号是：这次的主要增量集中在 Agent 任务，尤其是长程编码和工具调用；知识、科学推理等项目也有提升，但幅度没有那么整齐。
后训练加码，Agent 成绩涨得最明显
K3.1 Pro 不是以一套新架构亮相的。官方明确说它是 K3 的后训练版本，这次大幅增加的是后训练算力，并围绕数百个下游领域做大规模联合强化学习，配套的改动落在 RL 框架、长上下文推理、沙箱基础设施和调度系统上。100 万 token 上下文也不是新增能力，K3 本来就有。
AA 的独立评测能看出后训练投入主要转化到了哪里。K3.1 Pro 的 Intelligence Index 得分是 55，位列总榜第 4，比 K3 的 44 分提高 11 分，排在它前面的只剩 Claude Opus 5.5、Claude Sonnet 5.5 和 Muse Wonder Full。拆开分项，GDPval-AA 达到 1,846 Elo，比 K3 增加 312，位列第 3；考察智能体 SaaS 工作流的 AutomationBench-AA 则从 58% 升到 73%。
其他项目的增幅相对温和：Humanity’s Last Exam 从 47% 到 52%，CritPt 从 23% 到 25%，SciCode 从 59% 到 61%。所以，总分提高 11 分并不表示每项能力都同步跨了一级，Agent 相关任务才是这次提升最集中的地方。
从 3D 到行走仿真，官方案例都在考长程执行
官方这次给了不少 3D 案例，但比成品效果更值得关注的是完成方式。K3.1 Pro 可以不依赖 MCP 连接器，直接编写并运行 Blender、CAD 等专业工具的脚本，完成建模、修改部件、调整材质和场景布局。它调用的仍然是专业软件，模型负责把任务拆成代码和工具调用，再把结果交付出来。
BenchCAD 的成绩也体现了工具的作用。这项测试要求模型根据多视角渲染图生成 CAD 代码，重建 3D 模型。K3.1 Pro 带工具时得分 92.7，不带工具时是 72.8；带工具的成绩低于 Claude Opus 5.5 的 96.2 和 GPT-6 Astra 的 95.9。工具链不是评测之外的包装，它已经直接影响模型能交付什么。
另一个内部测试更接近长程工程任务。K3.1 Pro 基于开源人体解剖模型搭建行走动力学仿真器，在 167 项任务、420 次独立评审中持续修改控制器，让仿真人体从几步内倒地进步到连续行走 11.2 秒。手臂运动在调整奖励机制后仍没有改善，它转去检查仿真器动力学，最后修正了肩部肌肉力臂计算中的 36 处错误，再重新训练控制器。
这些仍然是官方案例，不能代替独立复测。不过，案例里呈现的工作方式很具体：模型不只生成一段答案，还要读实验结果、改变排查方向、修改环境代码，再继续训练。官方把大量篇幅放在这类过程上，与 AA 分项里 Agent 能力的涨幅正好指向同一个方向。
同一个基准，先别急着把分数拼在一起
K3.1 Pro 的 Terminal-Bench 4.0 成绩有两个公开数字。Kimi 官方技术博客写的是 65.7%，超过 GPT-6 Astra 的 58.2%，略低于 Claude Opus 5.5 的 66.4%；AA 自己评测得到的是 67%。两个数字来自不同评测方和评测设置，不能写成互相印证，也不宜混成一张没有来源标注的对比表。
官方脚注还说明，K3.1 Pro 在这项测试中使用了 Claude Code harness，其他模型的分数则取自各自发布材料或官方榜单。这组官方成绩适合用来看厂商自报的能力位置，不等于所有候选模型都在同一套环境里由同一方复测。
Kimi Code Bench 3.0 Long-horizon 也需要单独标注。它是月之暗面的内部基准，K3.1 Pro 得分 61.2%，K3 为 55.95%，可以用来观察同一家内部口径下的代际变化，但不能直接外推成对其他模型的领先幅度。
这也是本文把官方成绩与 AA 成绩分开写的原因。模型发布时的「第一」「接近」和「超过」，只有连同评测方、测试版本、harness 和比较对象一起读，才有实际意义。
API 降价了，任务成本没有同步下降
K3.1 Pro 已经在 kimi.com、Kimi App、Kimi Work、Kimi Code 和 Kimi API 上线。国内 API 型号为 kimi-k3.1-pro，普通版每百万 token 输入 13 元、缓存命中输入 1.3 元、输出 68 元；K3 对应价格分别是 20 元、2 元、100 元。算下来，输入和缓存命中都降了 35%，输出降了 32%；缓存写入也从 20 元降到 13 元。高速版 kimi-k3.1-pro-highspeed 的未缓存输入与输出价格为普通版 2 倍，缓存命中输入同为 1.3 元，官方标称输出速度约为 2~3 倍。
按 AA 使用的海外美元定价口径，K3.1 Pro 的输入、输出和缓存命中价格均比 K3 低 33%。但单价下降没有原样变成任务账单的下降：AA 测得 K3.1 Pro 在其 Intelligence Index 上每项任务平均输出 55K token，K3 为 48K，增加 14%；K3.1 Pro 的单任务成本约为 1.98 美元，与 K3 大体相当。
对开发者来说，这组数据比「降价三分之一」更接近真实选型。模型完成同类任务时需要多少输出、多少轮工具调用、多少次重试，都会影响最后的账单。每百万 token 的报价只是其中一项。
完整权重还没发布，安全边界先公布了
这次发布还有一项不太常见的披露：月之暗面明确讲了为开放权重版本削减网络攻防能力的过程。官方称，在中期训练和强化学习阶段都识别并移除了网络攻防相关数据，同时保留通用编程任务。
在内部 xdev-bench-hard 上，未做这些风险削减的检查点，pass@3 能解决 90.5% 的问题；最终版 K3.1 Pro 为 81.0%。这项测试没有严格超时或输出 token 上限。官方的解释是，他们不希望发布的开放权重把网络攻防能力推向绝对前沿，同时计划渐进式提升开放权重中的相关能力。
这让「开放权重」不再只是一个下载按钮，也包含发布方愿意把哪些能力交到用户手里的选择。AA 判断，K3.1 Pro 的权重发布后将成为其榜单上得分最高的开放权重模型，开放权重与闭源榜首的分差会从 12 分缩小到 3 分。注意，这仍是一个以权重落地为前提的判断；目前权重和许可证都还没有发布。
K3.1 Pro 是系列开头，后面看谁能接上
官方特意把 K3.1 Pro 称为 K3.1 系列的第一个模型。这个表述没有给出后续型号和时间，但为系列留下了明确的位置。这次先来的是 Pro，K3.1 系列的其他版本同样值得期待。
接下来还可以看 Qwen4 系列、GLM-5.5、MiniMax M3.1 Pro 和 DeepSeek 的新模型。MiniMax 官方已经明确说过 Pro 版后续会来，但没有给日期；Qwen4 系列、GLM-5.5 和 DeepSeek 新模型的具体配置与发布时间，也以官方正式消息为准，网传信息不适合当成发布计划。
在我们看，K3.1 Pro 的落地意味着国产旗舰模型重新进入发布节奏。接下来要看 K3.1 系列的其他版本，也要看 Qwen4 系列、GLM-5.5、M3.1 Pro 和 DeepSeek 的新模型能不能把这一轮节奏继续下去。
上一轮国产旗舰发布节奏的对账，可以读《国产模型「消失」的七周》。如果想弄清同一个模型为什么会在不同榜单拿到不同名次，《同一个模型，每个榜都说它第一》拆了四类常见评测方法，读本次发布稿的跑分表时也用得上。
