Kimi K3.1 Pro上线，强化编程与3D建模

Kimi K3.1 Pro 这次发布，重点是让模型连续完成工程、3D 创作和金融分析任务。按照月之暗面的官方介绍，它是公司迄今能力最强的 3 万亿级参数模型，支持 100 万上下文，同时提供输出速度约为普通版 2~3 倍的 Highspeed 版本。

对程序员来说，值得看的是：它能否接住更长的任务，以及调用成本是否合适。不过，报道中的成绩来自官方披露，内部测试和外部基准需要分开判断。

编程成绩接近头部，能接住多长的任务？

K3.1 Pro 是 Kimi K3.1 系列的第一个模型，于 10 月 24 日发布。用户可通过 kimi.com、Kimi App、Kimi Work、Kimi Code 和 Kimi API 使用普通版及高速版，完整模型权重计划于 11 月 4 日前发布。

编程方面，报道给出了两组成绩：

• 在 Terminal-Bench 4.0 上，K3.1 Pro 得分 65.7%，高于 GPT-6 Astra 的 58.2%，略低于 Claude Opus 5.5 的 66.4%。这项测试要求智能体在资源受限的真实终端环境中完成任务，并通过专项测试。
• 在内部基准 Kimi Code Bench 3.0 Long-horizon 上，K3.1 Pro 得分 61.2%，高于 K3 的 55.95%。它重点考察多步执行、工具调用和端到端解决问题的能力。

这两组测试关心的都不只是生成一段代码，而是模型能否持续操作工具，把任务做完。但原文没有交代完整评测配置，也没有提供普通前端项目中的成功率。

100 万上下文代表能接收更长的输入，不等于能可靠处理其中的每个细节。

3D 创作的重点，是直接操作建模工具

官方称，K3.1 Pro 可以使用 Unity、Unreal Engine、Godot，结合网络搜索和 3D 生成制作完整体验；前端页面、Three.js 场景和 3D 资产的构图、排版、动效也有提升。这部分没有给出量化对照。

更具体的证据来自 BenchCAD：模型需要根据多视角渲染图生成 CAD 代码，重建 3D 模型。K3.1 Pro 借助工具得到 92.7%，Claude Opus 5.5 和 GPT-6 Astra 分别为 96.2% 和 95.9%。

它的工作方式值得关注：无需依赖 MCP 连接器，可以直接编写并运行 Blender、CAD 等工具的脚本，调整几何、材质、部件和场景布局。参数化建模则是用参数控制尺寸和结构，适合机械零件、建筑、可配置产品和定制家具。

这里的「无需 MCP」不代表无需工具环境，而是通过脚本操作工具。原文没有说明脚本运行环境、权限和依赖如何配置。

kimi.com 和 Kimi App 同步上线的 3D Make 支持在线预览、编辑模型，下载用于 3D 打印，也可导出视频或实况照片。不过，「可下载」与「模型满足实际制造要求」之间，仍需检查。

金融与事实准确性有提升，但测试口径不同

金融部分展示的是跨文档处理和连续执行能力。OfficeQA Pro v2 考察真实金融文档中的检索、核对和多步数值推理，官方披露 K3.1 Pro 得分 64.4，取得当前最优成绩。覆盖标的筛选到盈利分析的 Frontier Finance 也有提升，但没有公布具体分数。

三个内部基准分别报告：Financial Modelling 较 K3 提高 14%，Financial Research 提升 20%，Business Operation 得分约为 K3 的 4.2 倍。原文重复刊登了这些段落，应按三项结果理解；其中百分比的计算口径和基线分数没有说清。

事实准确性方面，内部压力测试 Kimi Hallu Bench Hard 中，单项事实陈述错误率从 23.4% 降至 8.3%；包含至少一处事实错误的回答比例，降至前代的约 42.4%。

后一个数字是相对前代的比例，并非新模型的回答错误率为 42.4%。而且样本刻意集中在容易出错的情形，不能把 8.3% 当作日常使用的整体错误率。

我的判断

这次发布值得关注的，是代码执行、空间推理和文档分析都围绕完整任务展开。它们比单纯展示聊天回答，更接近程序员实际使用 AI 的方式。

但「达到或接近最强闭源模型」仍要限定在对应基准内。外部基准名称不等于独立复测，内部成绩也不能直接推算到自己的仓库。页面审美提升等描述缺少对照材料，目前只能作为官方能力声明。

接入时还要算成本。Kimi 开放平台的模型标识为 kimi-k3.1-pro，每百万 Token 输入价格为：命中缓存 1.3 元，未命中缓存 13 元；输出 68 元。kimi-k3.1-pro-highspeed 官方称同等智能、输出速度约 2~3 倍，价格为普通版的 2 倍。

**高速版是否划算，要看任务等待时间和实际账单，不能只看输出速度。**原文没有提供首 Token 延迟、并发能力及完整任务耗时的对照。

能拿来做什么

• 用一个已有验收标准的前端修复任务试跑，例如修改组件并通过构建和测试，同时记录返工次数、耗时与 Token 成本。
• 在 Three.js 或参数化建模任务中，先验证一个对象的生成和修改流程，再检查几何、材质及导出结果。
• 在 Node 应用中使用准确的模型标识，对同一任务比较普通版和 Highspeed，按完成质量、耗时和费用选择。
• 对文档分析和事实问答保留证据核对步骤，尤其检查跨文档数字及推导过程，别把压力测试中的错误率下降当作免审依据。