Kimi K3.1 Pro 杀进全球前四：GPT-6、Gemini 4 都被它压下去了

Kimi K3.1 Pro 终于发布了。看到 Artificial Analysis 那张榜，我的第一反应是：国产追上来了。

说实话，看了这个榜单我一点都不意外。K3 已经非常强了，我相信他们憋了这么久，一定在憋个大招，所以这是意料之中的事。

Kimi K3.1 Pro 今天凌晨上线，AA 智能指数 55 分，全球第 4。

GPT-6 Astra、Gemini 4 Argon 都被它压在后面，前面只剩 Claude Opus 5.5、Claude Sonnet 5.5 和 Meta 还没开放 API 的 Muse Wonder Full。

但别急着说它追平了 Claude。

同样的价格，Claude Sonnet 5.5 在 AA 上比它高 1 分，在 Arena 的真人投票里也排在它前面。

更离谱的是，它的参数一个没加。

图：AA 智能指数：K3 的 44 分一路爬到 55 分

图：AA 官方榜单原图

谁能用，谁不能用

现在就能用。

Kimi.ai、Kimi App、Kimi Work、Kimi Code 和 Kimi API 都上了，API 里的模型名是kimi-k3.1-pro。

另有一个 Highspeed 版，官方说智能一样，输出快 2 到 3 倍，价格翻倍。

企业版默认没开，要管理员手动打开。

还不能用的是权重。官方写的是 11 月 4 日前放出，许可证没说。

AA 和 Arena 都提了一句：权重一放出来，它就是两个榜上最强的开放权重模型。

参数没变，分数涨了 11

K3.1 Pro 和 7 月的 K3 是同一个底子：总参数 2.8T，每次只调用其中 1040 亿。

11 分

从 44 到 55

参数一个没加

AA 智能指数涨了多少？

猜一猜，想好了点一下

官方的解释是，K3.1 Pro 是 K3 的后训练版本，后训练的算力大幅增加。

后训练可以理解成上岗培训：底子不换，给它海量的实际任务去练，做对了奖励，做错了扣分。

官方说这次同时练了几百个领域，为此从强化学习框架、沙箱到调度系统，把训练设施逐层做了优化。

AA 也注意到了这一点：同样的参数量，它在“分数对参数”的对比里排在最前面。小米的 MiMo-V2.6-Pro 1.02T 参数是 46 分，智谱的 GLM-5.3 753B 是 45 分。

最强的是动手干活

这次涨分，主要涨在 Agent 上，也就是让模型自己动手、连续干完一串活。

Terminal-Bench 4.0 测的是在真实终端里干活：装环境、改代码、跑测试，资源还给得很紧。AA 自己跑了一遍，K3.1 Pro 拿了 67.2%，是所有模型里最高的。上一代 K3 只有 12.6%。

图：Terminal-Bench 4.0：从 12.6% 冲

GDPval-AA 测的是真实工作任务，比如做报表、写分析、整理材料，用两两对比的方式打分。K3.1 Pro 排第 3，比 K3 涨了 312 分，只落后 Opus 5.5 和 Muse Wonder Full 一点点。

AA 的 AutomationBench 让模型在各种 SaaS 软件里跑工作流，它从 58% 涨到 73%。

官方自己的成绩单里，还有两项值得说。SWE Marathon 是超长的软件工程任务，K3.1 Pro 51.7，领先 Opus 5.5 一截。Agents' Last Exam 也是它第一，和 Opus 5.5 差不多。

这两项是官方自己测的。

官方案例：游戏、3D 和一个会走路的人

官方公众号放了 10 个案例，大多标明是 K3.1 Pro 从头做到尾。

人体走路和天宫游戏这两个，我印象都挺深。长程任务是我现在干得比较多的一类活；游戏的复杂度确实比较高，从效果上看也非常好。

第一个是用虚幻引擎 5.8 做的天宫对战游戏。半径 1750 米的柱廊是它在 Blender 里程序化建出来的，场景有 3600 万个三角形。

云海和月球地形用的是外部素材，也是它自己找来接进去的。

这个案例能看出它会自己找工具。官方说 K3.1 Pro 能用 Unity、Unreal、Godot，能边搜素材边建模，再把东西拼成一个能玩的游戏。

第二个是浏览器里的 3D 机械臂展示页。2317 个零件、268 条走线，全是代码生成的，能拆开看，也能看剖面。

第三个是 FreeCAD 里的涡扇发动机，2100 个实体，风扇、齿轮箱、压气机、燃烧室都有，三根转子还按各自转速转起来。

BenchCAD 测的就是这种本事：看几张多角度的渲染图，写 CAD 代码把零件重建出来。官方测试里，K3.1 Pro 带工具时落后 Opus 5.5 和 GPT-6 Astra 一点，不带工具时和 Opus 5.5 差不多。

kimi.com 上同步上了一个 3D Make，做好的模型能直接下载去 3D 打印。

图：3D Make 界面

最让我意外的是第四个：让它造一个会走路的人。

起点是一套开源的人体解剖模型，有 296 个骨骼组件、402 个肌肉组件。

K3.1 Pro 自己搭训练流程，跑了 167 项任务、420 次评审，一边看结果一边改控制器。一开始仿真人走几步就倒，最后能交替迈步，连续走 11.2 秒。

这就是所谓的长程任务：自己定位问题、自己改、自己验证，前后 420 次评审，中间没人插手。

金融：更准，也更少瞎说

金融是官方这次主推的第二个方向。

OfficeQA Pro v2 用真实的金融文档出题，要检索、跨文档核对、多步计算。K3.1 Pro 拿了 64.4，官方说是目前最好的成绩。

三个内部金融测试里，变化最大的是商业运营：在模拟的商业环境里长期经营、做决策，K3 只有 8.9 分，K3.1 Pro 是 37 分，大约 4.2 倍。

商业运营测试：约 4.2 倍

8.9

Kimi K3

37

K3.1 Pro

Kimi 官方内部测试：模拟商业环境里长期经营和决策

官方的案例是一个英伟达财务模型：公式全部联动，每个假设都有依据，改一个经营参数，估值跟着变。

做金融最怕编数字。官方自己的幻觉压力测试里，单条事实说错的比例从 23.4% 降到 8.3%。

官方也说，这是专挑难题的压力测试，不代表日常使用的整体水平。

AA 的独立测试也看到了进步：幻觉率从 53% 降到 44%，准确率从 48% 涨到 51%。两边题目不一样，不能直接比，但方向一致。

用过的公司怎么说

官方放了几家早期测试伙伴的反馈。这是官方挑过的，只能当参考。

1 / 6

OpenCode 联合创始人 Frank Wang

“模型会主动探索代码库、理解项目指令，并在充分掌握上下文后才开始修改代码……即使上下文超过600K tokens，也没有感受到明显的能力退化。”

2 / 6

Qoder 模型评测团队

“Kimi K3.1 Pro 较上一代 K3 提升近 10 个百分点……在 Qoder 当前用例样本中处于领先位置。”

3 / 6

Unity 中国

“Unity 中国推出的 Tuanjie Codely 搭载 Kimi 旗舰模型，其在游戏开发场景中的代码生成能力表现出色……”

4 / 6

WorkBuddy 团队

“Kimi K3.1 Pro 在 Office 场景比肩前沿模型，较上一代有大幅提升，任务规划、执行与自测闭环明显增强。”

5 / 6

熵简科技首席技术官李渔

“我们对 12 个国内外头部模型进行了金融投研 Agent 场景评测，Kimi 是目前唯一能在该场景下平替海外旗舰模型的国产大模型。”

6 / 6

华夏基金（香港）CEO 甘添

“Kimi K3.1 Pro 的长程 Agent 能力让我们离这一目标更近了一步。”

真人投票：第 8

具体来说，我更相信 Arena 一点，因为它毕竟是盲投的。AA 现在说实话，有时候感觉不是很可信，他们的指标一直在调整。

Arena 的 WebDev 榜是真人盲投：同一个网页需求，两个模型各做一版，用户不知道是谁做的，选更好的那个。

K3.1 Pro 排第 8，从 K3 的第 17 往上跳了 9 名，和 Claude Opus 5 打平。这还是初步结果，误差在正负 14 分左右。

图：Arena WebDev：第 17 升到第 8

第 8 名说明两件事。

国产这一侧，它已经是第一，权重放出来以后也会是开放模型里的第一，超过 DeepSeek V4.1 Flash。

但离最前面还有距离。

Opus 5.5 领先它一大截，GPT-6 Astra 和 Sonnet 5.5 也明显在前面。AA 上那种“只差 3 分”的感觉，在真人投票里没那么近。

价格：单价便宜，账单差不多

K3.1 Pro 每百万 token 输入 13 元、输出 68 元，命中缓存的输入 1.3 元。

按美元算，三项都比 K3 便宜三分之一。

但它更能“想”了。AA 跑完整套测试，K3.1 Pro 每个任务多用了 14% 的 token。

一来一回，每个任务的钱是 1.98 美元，K3 是 2 美元，几乎一样。

图：单价降了三分之一，账单几乎没变

图：和能力接近的模型比价格

放到别家一起看：它和 Claude Sonnet 5.5、Gemini 4 Argon、GPT-6.1 Sol 同价，只有 Opus 5.5 的一半，GPT-6 Astra 的五分之一。国产的 DeepSeek V4.1 Flash 和 GLM-5.3 便宜得多，但 AA 分低了 10 分左右。

Arena 按自己的任务算，每个任务的中位成本是 1.23 美元，比 K3 便宜 29%。它说和 Opus 5 打平的同时，成本低了七成左右。

能力涨了一大截，花的钱没涨。

我拿 AA 的分数和官方单价做了一张性价比象限图。各家都用最高推理档，费用按输入、输出各 100 万 token 估算，不是每任务成本。

图：K3.1 Pro 的斩杀线

斩杀线画在 K3.1 Pro 上：比它贵、分数又不比它高的，都被圈进去变灰。GPT-6 Astra 和 Claude Fable 5.1 贵了 5 倍，分数还比它低；同价的 Gemini 4 Argon、GPT-6.1 Sol 也在圈里。

没被圈住的只有两个 Claude：Sonnet 5.5 同价，高 1 分；Opus 5.5 贵一倍，高 3 分。

说明一下口径：K3.1 Pro 在 AA 只有一个版本，Gemini 4 Argon 最高只有 High 档，两者都按各自的最高档放进来比。

一个反常的细节：主动把能力调低

网络安全这块，Kimi 做了一件很少见的事。

他们发现，训练语料和强化学习环境里本来就混着不少网络攻防内容，后训练越多，模型找漏洞、写利用的能力就越强。

为了放出权重，他们把这部分数据删了。官方自己的漏洞测试里，不删能做对 90.5%，删完是 81.0%。

图：能力是自己压下去的

官方的说法是，不想放出一个会推高网络攻防天花板的开放模型。即便删过，它也比 K3 的 33.3% 高出一大截。

怀疑的声音

成绩单大多是官方自己出的。OfficeQA Pro 那一项，官方还说部分外部模型联网查到了参考答案，被判了零分，这会拉低别家的分。

它也有明显的短板。官方自己的成绩图里，Terminal-Bench Science 只有 38.1，GPT-6 Astra 是 68.1，落后不少。

速度一般。AA 测的官方 API 输出约每秒 77 个 token，比同价位模型的中位数（每秒 81 个）略慢。

还有一个用户反馈：老订阅用 K3.1 Pro 写代码，5 小时额度掉得很快。这条没有官方说明，但和 AA 测到的“token 用得更多”对得上。

最后

K3 是 7 月 16 日发的，三个月后，K3.1 Pro 在 AA 上从 44 分涨到 55 分，在 Arena 上进了前十。参数没变，靠的是后训练。

它强在动手干活。终端和长任务有 AA 的独立成绩撑着，3D 和金融目前主要看官方成绩和案例。

但整体看，它还不如同价的 Claude Sonnet 5.5，离 Opus 5.5 更远。

不用等 11 月的权重，现在就能用。我觉得它可以用来做很多事，如果真用下来效果好、性价比高，替代现在的 Claude、GPT 都没问题。

我现在就担心它的价格，还有额度消耗太快。以目前来看，DeepSeek V4.1 Flash 还是性价比最高的，这个模型怎么样还不知道。

你会先拿它干什么活？

参考资料

01｜Kimi 官方公众号：Kimi K3.1 Pro：智能前沿，更进一步

02｜Kimi：Kimi K3.1 Pro 技术博客

https://www.kimi.ai/blog/kimi-k3-1-pro

03｜Artificial Analysis：Kimi K3.1 Pro 评测

https://artificialanalysis.ai/articles/kimi-k3-1-pro-launch-benchmarks

04｜Arena：Code Arena WebDev 榜单

https://arena.ai/leaderboard/code/webdev

05｜Arena 官方 X：K3.1 Pro 上榜

https://x.com/arena/status/2113687344532320326