Kimi K3.1 Pro发布，跑分与权重需分辨

Kimi K3.1 Pro 最值得关注的，是它把「百万 token 上下文、长任务 agent、承诺开放权重」放进了同一个产品。但原文给出的结论很克制：分数接近领先模型，不等于已经证明它更适合你的工作。

作者对照了厂商博客和外部榜单，发现同一个 benchmark 上，模型名次会随测试配置改变。对程序员来说，这篇的价值是提供一套判断方法：先看分数怎么测，再看能力是否可用，最后决定要不要迁移。

同一个测试，为什么能排出两套名次

按原文记录，Moonshot AI 于 2026 年 10 月 23 日发布 Kimi K3.1 Pro。它是 K3.1 系列首款模型，由 Kimi K3 继续进行后训练，厂商称投入了更多后训练算力，并将它描述为「3T-class」。原文也提醒，这个说法不能当成公开确认的参数量。

最吸引眼球的是 Terminal-Bench 4.0。它让 agent 使用终端完成任务，再由任务对应的测试判断是否成功，和只看代码回答是否像样有明显区别。

厂商表中，Kimi 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%。但作者查看 Artificial Analysis 后，看到另一组结果：Kimi 为 67.2%，Claude Sonnet 5.5 为 63.6%，Opus 5.5 为 59.6%。

同一个 Opus 5.5，差了 6.8 个百分点。

原因可能藏在测试环境里。厂商说明，竞品分数取自博客或官方榜单公开报告的最高值；Artificial Analysis 的详情则标注使用 mini-swe-agent，以及 Max、Default Fallback 模式。测试框架（harness）、推理投入、temperature 和评分方式，都可能影响结果。

只有测试条件一致，分数才适合直接横向比较。

这些差异不足以证明谁在造假，也不足以推出哪款模型稳定领先。引用新闻时，保留「厂商报告」或具体评测来源，比只报一个百分数更有用。

幻觉降到 8.3%，不能理解成回答正确率 91.7%

厂商报告，Kimi K3.1 Pro 在内部测试 Kimi Hallu Bench Hard 上，幻觉率从 K3 的 23.4% 降到 8.3%。但这个数字有三个限定：内部题集、按子陈述计分、由事实核查 agent 判断。

一段回答可能包含多个事实判断。按子陈述统计的错误比例，不能直接换算成整段回答出错的概率。厂商还报告，至少包含一处错误的回答占比，降到了前代的 42.4%；这也不是说新版有 42.4% 的回答出错。

再看同一组「Hard with tools」结果，数值越低越好：Kimi K3.1 Pro 为 8.3%，GPT-6 Astra 为 5.5%，Opus 5.5 为 15.0%。即使接受这套测试，Kimi 也并非所有对手中最优，而且竞品测试仍由 Kimi 自己完成。

长任务编程的证据同样需要标注来源。厂商给出的 Kimi Code Bench 3.0 long-horizon 成绩为 61.2%，前代 K3 为 55.95%。它支持新版在内部多步骤任务上有所改善，却不能单独证明你维护的项目也会获得相同收益。

作者没有亲自试用模型。原文披露，文章由 deepseek-v4.1-flash 经 ollama-cloud、通过 Hermes Agent 生成，再由 Nokka 人工检查，核查日期为 2026 年 10 月 24 日。它提供的是资料对读，而非独立实测。

百万 token 能装下项目，但装下不等于用好

1 百万 token 上下文，适合同时放入大量代码、文档和日志，让 agent 在长任务中保留更多材料。不过，上下文容量和信息提取质量是两件事：材料都在窗口里，模型仍可能漏掉关键约束，或把不同文件里的事实混在一起。

原文列出的能力展示包括 Unity、Unreal Engine、Godot、Three.js 场景和前端开发。厂商还称，生成的 3D 作品可以通过 Kimi 的 3D Make 工具下载用于 3D 打印。这些都是厂商展示，作者没有验证交付质量。

金融任务方面，厂商声称支持从筛选到盈利能力分析的完整流程，在跨文档财务问答 OfficeQA Pro v2 上获得 64.4 分；Financial Modeling 相比 K3 提高 7.2 个点，涉及建模和公式检查。它们说明厂商瞄准的是复杂工作流，但不能替代编程任务的验证。

使用入口包括 Kimi.ai、Kimi Work、Kimi Code 和 Kimi API。在 Kimi Code 中，可以通过 /model 选择模型。API 的两个模型标识如下：

kimi-k3.1-pro              标准版本
kimi-k3.1-pro-highspeed    厂商称速度提高 2-3 倍

注意第二行：2-3 倍是厂商对 Highspeed 的说法，原文没有给出具体任务条件，也没有交代速度提升是否伴随质量差异。厂商另称 API 客户享有 Zero Data Retention，原文未展开其适用细则。

开放权重也有时间差。按原文核查时点，完整权重计划在 2026 年 11 月 4 日前发布，当时还不能下载自行部署。许可证、硬件门槛和部署成本，原文没有说清。

此外，厂商称主动将网络安全能力限制在自身最高水平以下，仍落后于至少已开放使用三个月的领先闭源模型。这是厂商给出的政策解释，不能据此推导其他任务的能力上限。

我的判断

我认同作者把测试条件放在排名前面。对于会调用工具、反复执行命令的 agent，最终成绩包含模型和运行环境共同作用的结果。只看模型名，容易把工具配置带来的收益也算到模型头上。

但作者最后提出「开放模型与闭源模型差距缩小」，证据还有限。几项成绩接近，只能说明它在这些测试条件下具备竞争力；权重尚未交付，也无法据此判断自行部署后的效果和成本。

这篇更适合作为试用依据，还不足以成为替换现有模型的依据。

对常规短问答和小范围改代码，百万 token 未必带来直接收益。对于跨文件修改和持续调用工具的任务，它才有明确的试用理由。与把整个仓库一次性塞进上下文相比，按任务检索相关文件仍值得保留为对照方案；原文没有给出两者的效果、延迟和成本比较。

能拿来做什么

• 如果你的前端或 Node 项目经常涉及跨文件排错，可以选一个已有明确验收条件的任务，固定工具、提示词和测试方式，对比 Kimi 与现用模型的完成情况及返工量。
• 如果准备使用百万 token 上下文，可以同时尝试「完整材料输入」和「检索相关文件后输入」，检查模型是否找到关键约束，不要仅以能否成功提交输入判断价值。
• 如果要评估 Highspeed，可以在相同任务上比较它与标准版的耗时和验收结果；2-3 倍速度宣传不能代替这一步。
• 如果计划自行部署，应先核对权重是否实际发布，再检查许可证和硬件要求；向团队汇报评测时，同时附上来源、运行框架和配置条件。