Kimi K3.1 Pro 发布，主打百万上下文

一段关于 Kimi K3.1 Pro 的消息，把大参数、长上下文、低价格和编程基准成绩放到了一起。它想传达的结论是：Moonshot AI 正在用更低的使用门槛，争夺复杂任务和自主编程的前沿位置，同时主动限制部分进攻性网络能力。

但这份输入只是导流到 PromptX.blog 的截断摘要，没有完整技术报告、评测表或审计细节。读它最有用的方式，是看懂这些指标分别承诺了什么，再分清哪些有数字、哪些还缺证据。

2.8 万亿参数，为什么每次只激活 1040 亿

原文称，Kimi K3.1 Pro 使用混合专家架构（MoE，Mixture-of-Experts），总参数量为 2.8 万亿，即 2.8T；处理每个 token 时，激活的参数为 1040 亿，即 104B。

MoE 可以理解为把计算任务分给不同的专家模块，每次只调用其中一部分。因此，总参数量与单次计算实际涉及的参数量，是两个不同指标。不能拿 2.8T 直接推算每次推理的计算成本，也不能仅凭参数规模判断代码质量。

原文还声称，该模型提供原生 1,000,000 tokens，也就是 1M 的上下文窗口。对编程任务而言，这关系到一次能放入多少代码、文档和执行记录。

能装下更多材料，不等于能准确利用所有材料。

摘要没有提供长上下文检索准确率、跨文件推理测试或延迟数据，因此还无法判断这个窗口在大型代码库里究竟有多实用。

价格与编程成绩，要连着测试条件看

按原文给出的报价，输入每百万 tokens 为 2.00 美元，输出每百万 tokens 为 10.00 美元；KV cache 命中部分的输入价格为每百万 tokens 0.20 美元，相比普通输入便宜 90%。

这里的关键是「命中」。缓存价不能套到全部请求上。若把完整 1M 上下文全部作为普通输入，按上述单价计算，仅输入费用就是 2 美元，输出另算。长窗口扩展了容量，也可能放大单次任务的账单。

原文列出三项成绩：

• 在 Artificial Analysis Intelligence Index v5.0 中排名第四。
• 在 Terminal-Bench 4.0 中取得 44.8%，使用的是 Claude Code CLI 的评测执行框架（harness）。
• 在 SWE-bench Verified 中取得 69.20%。

其中，Terminal-Bench 的执行框架信息尤其关键。编程代理的成绩会受到工具、提示词、执行流程等条件影响，不能只看模型名字和百分比。

摘要没有交代其他模型是否使用相同条件，也没有给出重复测试、耗时和成本。SWE-bench Verified 的具体执行配置同样未展开。这些数字可以作为进一步核查的线索，暂时不足以支持「换上它就能提高团队交付效率」的结论。

主动限制进攻能力，原文究竟交代了多少

原文把另一个差异点放在能力治理上：据称，Moonshot AI 发布了审计报告，详细说明主动、可测量地削减部分能力的做法。前文将这一点与网络武器、进攻性软件漏洞利用联系起来。

这涉及一个实际取舍：模型需要能操作系统、理解代码和完成复杂任务，同时还要限制某些攻击用途。

但摘要恰好在「能力削减」处截断。它没有给出削减方法、测试项目、削减幅度，也没有说明是否影响正常的软件调试与安全修复。不能据此判断这套治理已经有效，更不能把它当作经过独立审计的事实。

我的判断

这段材料抓住了程序员选模型时应当一起看的几个维度：代码任务表现、上下文容量、实际费用，以及能力边界。这个方向是对的。

问题在于，它用「显著跃升」「激进定价」等措辞描述竞争优势，却没有提供前代或同类模型的完整对照数据。这些仍是作者的评价，不能替它背书。材料以 2026 年末为叙事背景，但没有给出可核对的发布日期，也没有清楚说明具体接入方式。

它更像一份待核验的产品消息，离可复现的选型依据还有距离。

与其按总榜排名替换现有模型，我更倾向于用团队自己的任务比较：同样的代码、工具权限和验收标准下，谁能稳定完成任务，谁的总成本更合适。

能拿来做什么

• 如果后续核实模型已开放接入，可以挑一个真实的前端或 Node 跨文件修复任务，对比当前模型的完成率、执行时间和总 token 费用。
• 评估 1M 上下文时，逐步增加代码与文档，并检查模型能否定位依赖关系、遵守修改约束，不要只测试请求能否成功提交。
• 做成本估算时，将普通输入、缓存命中输入和输出分别计算；在没有实际命中数据前，不要用 0.20 美元估算所有输入。
• 在完整报告可查前，先核对模型身份、报价、评测配置与能力削减证据，再决定是否纳入日常 AI 编程流程。