Kimi K3.1 Pro 跃居智能指数第四

Kimi K3.1 Pro 这次最值得关注的，是模型规模没变，靠更多后训练计算把综合评测成绩推到了头部附近，同时降低了 API 单价。对程序员而言，真正有用的信号在于：它执行终端任务、调用工具和完成建模工作的能力，出现了明显提升。

但「接近 Claude」需要拆开看。第三方排名、厂商内部测试、计划开放权重，是三种不同性质的信息。把它们分清，才能判断它是否值得进入你的 AI 编程工作流。

距离 Claude 还有多远，要看具体任务

按原文引用的 Artificial Analysis Intelligence Index，Kimi K3.1 Pro 得到 55 分，比 Kimi K3 提高 11 分，排名第四。前面是 Claude Opus 5.5 的 58 分，以及同为 56 分的 Claude Sonnet 5.5 和 Muse Wonder Full。

这个排名支持「综合能力接近头部」，但不能直接推出所有编程任务都接近 Claude。

更贴近实际工作的，是智能体（Agent）测试，也就是模型能否连续执行步骤、使用工具并完成任务。第三方 GDPval-AA 给 K3.1 Pro 的成绩是 1,846 Elo，比 K3 高 312 分，接近 Claude Opus 5.5 的 1,866 和 Muse Wonder Full 的 1,857。

终端操作方面，Moonshot 公布的 Terminal-Bench 4.0 成绩为 65.7%，高于 GPT-6 Astra 的 58.2%，略低于 Claude Opus 5.5 的 66.4%；K3 在同一测试上只有 13%。这里提升很大，但数据来自厂商，原文也注明其基准表全部使用 reasoning effort="max"，不能把这些结果当成默认配置下的表现。

可靠性也有改善。内部 Kimi Hallu Bench Hard 中，按单条断言统计的幻觉率从 23.4% 降到 8.3%，GPT-6 Astra 则为 5.5%。Moonshot 明确说这是压力测试，不能拿 8.3% 当作日常使用的通用错误率。

办公能力的证据更依赖内部测试：Financial Modeling 提高 7.2 分，Financial Research 提高 11.6 分，OfficeQA Pro v2 则据称超过全部参测模型。原文没有提供足够细节，让读者独立判断这些提升能否迁移到自己的业务。

编程能力的亮点，是把软件工具真正用起来

Moonshot 称，K3.1 Pro 可以直接配合 Unity、Unreal Engine 和 Godot，处理局部修复，也能完成整个项目的构建。不过，原文没有给出这些项目的规模和验收标准，「完整项目」仍需保留判断。

相对具体的是 BenchCAD：使用工具时得分 92.7%，接近 Claude Opus 5.5 的 96.2% 和 GPT-6 Astra 的 95.9%；不用工具时为 72.8%，与 Claude Opus 5.5 的 73.0% 接近。

厂商强调的优势是机械零件、建筑模型和可配置产品的参数化建模。可以把它理解为：用尺寸、约束和脚本描述模型，让修改一个参数能够带动整体调整。它可以编写并运行 Blender、CAD 脚本，无需 MCP 连接器，但这不代表运行环境、软件权限和结果验收都能省掉。

Kimi.com 同时推出了「3D Make」，支持预览、编辑和导出 3D 模型。普通入口则包括 Kimi.ai、Kimi Work、Kimi Code 和 Kimi API。另有 K3.1 Pro Highspeed，厂商称速度达到普通版本的 2 至 3 倍，原文没有交代加速后的质量差异。

Token 便宜三分之一，任务账单为什么几乎没变

K3.1 Pro 仍是 2.8 万亿总参数、1040 亿激活参数，支持文本和图像，上下文窗口为 100 万 tokens。它是 K3 增加后训练计算后的版本，提升并非来自参数规模扩大。

API 单价下降 33%：每百万输入 tokens 从 3 美元降到 2 美元，输出从 15 美元降到 10 美元，缓存命中从 0.30 美元降到 0.20 美元。

但 Artificial Analysis 测得，每项 Intelligence Index 任务的成本只是从 2.00 美元降到 1.98 美元，原文解释为输出 tokens 增加了 14%。报道没有展开完整账单构成，仅凭这些数字，还无法独立复算两者之间的关系。

每百万 tokens 的报价，不能代替完成一次任务的成本。

AA 将它放在帕累托前沿，表达的是在所比较的条件下，没有明显全面占优的替代项。原文还称，相近参数规模的模型没有更高综合得分。但这都不等于它对每个团队最划算：延迟、失败重试和人工检查同样需要计入成本。

开放权重也尚未兑现。Moonshot 计划在 2026 年 11 月 4 日前发布权重。只有届时其他模型不变，它才会成为最高分的开放权重模型，并把开放权重与闭源模型的分差从 12 分缩到 3 分。

我的判断

我更认可这次发布体现的方向：同样规模的模型，通过后训练，可以显著改善多步骤任务表现。但从榜单接近到团队可用，中间还隔着工具权限、仓库环境和验收标准。原文没有给出一般团队接入后的对照数据，不能替它背书。

安全能力的取舍也值得看。Moonshot 称，网络安全能力随训练增强，因此为开放权重版本清理了中期训练和强化学习阶段的相关数据。在复现 Linux kernel、Node.js、JavaScriptCore 等软件近期漏洞的内部 xdev-bench-hard 上，清理前成功率为 90.5%，清理后为 81.0%；DeepSeek-V4.1-Flash 为 85.7%，Kimi K3 为 33.3%。

这说明厂商主动降低了部分攻击能力，但不能仅凭一项内部测试认定安全问题已经解决。原文还转述 Anthropic 的研究：AA 指数只有 45 分的 GLM-5.3，也能写出接近 Claude Mythos 水平的漏洞利用代码。这恰好提醒我们，综合分数不能覆盖所有专项能力。

与继续使用熟悉的闭源模型相比，K3.1 Pro 值得加入候选；与立即全面迁移相比，先做真实任务对照更合理。它的优势已经有评测信号，稳定性、速度和完整任务成本仍要自己验证。

能拿来做什么

• 从现有前端或 Node 项目中挑选可验收的任务，例如修复构建失败、执行测试并修正报错，让 K3.1 Pro 与当前模型使用相同工具和权限，比较最终完成情况。
• 调用 Kimi API 时，同时记录输入、输出、缓存命中、重试次数和总耗时，再计算每个成功任务的成本，避免只按降价 33% 做预算。
• 有 Blender、CAD 或游戏引擎需求的团队，可以先试参数明确的小模型或局部修改，检查导出结果和脚本是否满足要求，再决定是否扩大任务范围。
• 计划自部署的团队，可以先验证 API 表现；等权重实际发布后，再核对许可、硬件需求和部署条件，原文尚未给出这些信息。