月之暗面 Kimi K3.1 Pro 降价 33%，在开源模型中登顶 Terminal-Bench
加大强化学习算力带来 AA 指数第 4 名、价格下调 33%，12 天内开放权重
月之暗面（Moonshot AI）今天（10 月 23 日）发布了 Kimi K3.1 Pro，在 Artificial Analysis 智能指数上排名第 4，API 价格比上一代低 33%，并计划在 11 月 4 日前（即 12 天后）开放权重。该模型在 AA 智能指数上得 55 分，领先的 Claude Opus 5.5 为 58 分，3 分的差距是独立评测迄今记录到的开放权重系统与闭源前沿之间最小的差距。
这次发布距 7 月推出的 Kimi K3 仅 99 天，架构路线刻意保守：基础的混合专家结构没有变化。变的是后训练流程，具体来说，是在数百个下游领域上投入了大得多的强化学习算力。结果是，这个模型在独立基准测试中成为当前任何规模级别里最强的智能体编程系统。
2.8 万亿参数的底座，从外到内重新训练
Kimi K3.1 Pro 原样继承了K3 架构：总参数 2.8 万亿，组织为 896 个专家，推理时每个 token 激活 16 个专家，每次前向传播的激活参数为 1,040 亿。稀疏专家路由是核心的经济机制：由于每个 token 只触发 896 个专家子层中的 16 个，推理成本随激活参数（1,040 亿）而不是模型总规模（2.8 万亿）增长。同等总规模的稠密模型，运行成本会高到无法承受。
K3.1 Pro 与 K3 的区别不在架构，而在后训练规模。月之暗面的技术博客称，相比 K3，后训练算力「大幅增加」，通过在数百个下游任务领域上的大规模强化学习实现。工程改进覆盖了整个强化学习栈：训练框架、长上下文推理效率、用于智能体评测的沙盒基础设施、rollout 调度，以及环境质量检查。
该模型新增了「medium」推理强度档位，与原有的 low、high、max 三档并列。开发者现在可以在成本与质量的权衡曲线上选择四个点，而不是三个。默认仍是最高强度。一个值得注意的限制：K3.1 Pro 只能以思考模式运行，API 不支持关闭推理来换取更低的延迟。
K3.1 Pro 的上下文为 1,048,576 个 token，与 K3 的百万 token 窗口相同，在这一能力档位中仍属最大的上下文之一。在 Kimi 消费级产品中，百万上下文只向 Plus 档订阅用户开放，较低的订阅档位使用标准的 128K 窗口。
Terminal-Bench 领先，以及真正重要的独立证据
最有分量的基准结果并非来自月之暗面自己。独立 AI 评测机构Artificial Analysis 将 K3.1 Pro 在 Terminal-Bench 4.0 上排在所有受测模型的第一位，得分 67%，领先 Claude Sonnet 5.5（64%），也高于月之暗面自报的 65.7%（厂商测试使用的是 Claude Code 测试框架）。
Terminal-Bench 4.0 评测在真实终端环境中执行的智能体编程任务，是目前更贴近实际的软件开发基准之一。月之暗面自报的 65.7% 与 Artificial Analysis 的 67% 之间的差距，在不同测试框架的正常波动范围内；方向上的结论一致：K3.1 Pro 在这一基准上领先。作为参照，月之暗面自报的数据显示 Claude Opus 5.5 在同一基准上为 66.4%，也就是说，在独立测量下，两者在智能体编程上基本打平。
在Artificial Analysis 更全面的智能指数上，K3.1 Pro 得 55 分，全球第 4，排在 Claude Opus 5.5（58）、Claude Sonnet 5.5（56）和 Muse Wonder Full（56）之后。上一版 K3 在同一指数上得 44 分，99 天的后训练迭代带来了 11 分的提升。
在 GDPval-AA 智能体 Elo（Artificial Analysis）上，K3.1 Pro 得 1,846 分，比 K3 的 1,534 分高 312 分，落后领先者 Claude Opus 5.5（1,866）20 分。评测真实 SaaS 平台自动化的 AutomationBench-AA 从 58% 升至 73%。
月之暗面自己的基准测试覆盖了多个垂直领域：使用工具时 BenchCAD 为 92.7%（接近 Claude Opus 5.5 的 96.2%）；OfficeQA Pro v2 财务文档分析为 64.4%（公司称达到最佳水平）；内部财务建模从 50.4 提升到 57.6。Kimi Hallu Bench Hard 压力测试显示，断言级幻觉率从 K3 的 23.4% 降到 K3.1 Pro 的 8.3%，降幅 64%。这一数字是公司在内部基准上自报的，但方向与关于强化学习后训练改善事实准确性的研究一致。
与自托管经济性论点相吻合的定价
Kimi API 对 K3.1 Pro 的定价为每百万输入 token 2.00 美元、每百万输出 token 10.00 美元、每百万缓存命中 token 0.20 美元，低于 K3 的 3.00/15.00/0.30 美元。33% 的降幅在三项价格上一致。
高速版本（API ID：kimi-k3.1-pro-highspeed）的吞吐量是标准模型的 2–3 倍，定价为每百万 token 4.00/20.00/0.20 美元。高速档主要适合对延迟敏感的生产流水线，而不是以成本为先的批量任务。
Artificial Analysis 估计，K3.1 Pro 每个智能任务的成本约为 2.11 美元。token 便宜了 33%，任务成本却和 K3 差不多，这个看似矛盾的现象可以从 token 层面解释：K3.1 Pro 在每个复杂智能体任务上生成约 55,000 个输出 token，而 K3 约为 48,000 个，增加了 14%，与更长的推理链相符。更低的单价与更多的 token 消耗相互抵消。
API 客户可选择开启零数据保留，这回应了任何总部在中国的服务商都会面临的数据处理顾虑中的一个方面。在 Kimi Work 上的企业部署，必须由管理员显式启用 K3.1 Pro，企业配置中默认是关闭的。
开放权重的差距已经缩小到哪里
K3.1 Pro 的权重在 11 月 4 日前发布后，它将成为AA 智能指数上得分最高的开放模型，而且领先幅度不小。目前的开放权重领先者 K3 在该指数上得 44 分。得 55 分的 K3.1 Pro 将只比最好的闭源模型（Claude Opus 5.5，58 分）低 3 分。
对于大规模部署，这 3 分差距背后的经济账很重要。自托管 K3.1 Pro 可以完全省掉按 token 计费的 API 成本。1,040 亿激活参数的规模，在企业级多 GPU 集群上是可以承载的；MoE 架构的显存占用特性与同等激活参数的稠密模型不同，但实际的硬件需求相当。在前沿 API 和自托管之间做选择的企业，为溢价买单的能力理由，将比前沿时代以往任何时候都更薄弱。
刻意的限制与已知的弱点
月之暗面的技术博客详细披露了网络安全能力。最终的 K3.1 Pro 权重在评测真实网络安全漏洞利用任务的 xdev-bench-hard pass@3 上得分 81.0%。一个未经刻意数据删除干预的中间版本在同一基准上得分 90.5%，月之暗面称这一能力水平把 AI 辅助网络攻击的「绝对前沿」推到了公开可用模型之外。
月之暗面声明的政策是，不发布会推进网络安全能力绝对前沿的权重。公司在中期训练和强化学习两个阶段都做了数据删除，以降低最终模型的漏洞利用表现。从 90.5% 到 81.0% 的差距是刻意为之，并被明确承认。作为对比，K3 在同一基准上得分 33.3%，所以 81.0% 的 K3.1 Pro 仍是大幅提升，只是并非不受约束的最高水平。
业务运营基准的提升，应当和其他非常大的百分比增幅一样被审慎看待。K3 在月之暗面内部的业务运营评测上得 8.9 分，K3.1 Pro 得 37 分，约高出 4.2 倍。从低基线出发的大幅相对提升在强化学习后训练中很常见，说明改进很强，但 K3 的绝对得分表明，上一代模型的业务流程能力相当有限，按比例计算的提升可能高估了实际可用程度。
所有厂商自报的编程基准，包括 Terminal-Bench 的 65.7%，都是用 Claude Code 测试框架跑的。月之暗面承认这是一个方法上的局限：评测基础设施本身是围绕 Claude 的工具调用模式构建的，对不同模型未必完全中立。Artificial Analysis 独立测得的 Terminal-Bench 数据（67%）是跨模型比较时最干净的数据点。
延伸阅读：Anthropic 把推理 token 窃取压低 10–100 倍，点名智谱与月之暗面
11 月 4 日前开放权重，以及接下来会发生什么
K3.1 Pro 的开放权重计划在 2026 年 11 月 4 日前发布，距今 12 天。K3 的权重在其 API 发布 11 天后公开；K3.1 Pro 延续了这一节奏，显示月之暗面正在把一种周期制度化：先在 API 上推出后训练模型，再在两周内发布权重。
在不改变底层架构的情况下，99 天的后训练工作带来智能指数 11 分的提升，这是相当可观的改进速度。如果这种迭代速度能够保持，业界真正关心的问题不是 K3.1 Pro 今天好不好，而是当类似的强化学习算力再投入一次时，K3.2 或 K4 会是什么样子。
AA 智能指数上闭源与开源之间 3 分的差距，反映了商业 API 能提供的和开源生态能部署的之间真正的趋同。12 天之内，开发者就能下载并运行一个被 Artificial Analysis 评为与全球前沿相差不到 5% 的系统；这一差距能否进一步缩小，取决于月之暗面的强化学习基础设施能否持续跑赢闭源的后训练项目。