Kimi K3.1 Pro刚发布，社区先炸了：比K3快、性能逼近Opus，但额度10分钟就烧光了 - 炸金花规则

10月24日，Kimi推出了K3.1系列的首个模型Kimi K3.1 Pro。这是Kimi目前为止能力最强的模型，拥有3万亿参数，支持百万级别的Token上下文，重点优化了代码、3D创作、金融研究以及长程Agent能力。同时，Kimi还发布了K3.1 Pro Highspeed高速版，在保持相同智能水平的前提下，输出速度提升了大约2到3倍。

根据Kimi公布的数据，K3.1 Pro在代码、Agent和知识类Benchmark上已达到或接近当前最强闭源模型的水准。与K3相比，K3.1 Pro最显著的改进是增加了后训练计算量，并将强化学习（RL）扩展到数百个下游领域。为了支持这种大规模联合训练，Kimi对RL框架、长上下文推理、训练效率、沙箱基础设施、调度系统以及环境质量检查平台进行了系统性升级。

K3.1 Pro目前已覆盖Kimi的主要产品线。普通用户可以在kimi.com和Kimi App中直接使用；Kimi Work桌面端为Windows和Apple芯片Mac提供模型能力；Kimi Code则在终端和桌面环境中支持使用K3.1 Pro进行编程。Kimi表示，K3.1 Pro的完整模型权重将在11月4日前发布。

在API方面，Kimi K3.1 Pro每百万Token的缓存命中输入价格为1.3元，未命中缓存输入为13元，输出价格为68元。高速版Kimi K3.1 Pro Highspeed拥有相同的模型能力，价格约为标准版的两倍。

除了提供模型API，Kimi还推出了Hosted Agents托管智能体服务，将支持Agent长时间运行的Harness作为云端基础设施提供给企业和开发者，能够运行7×24小时的长程任务，并支持多智能体协作。

这进一步表明K3.1 Pro此次升级的主要方向：Kimi开始将更多后训练算力投入到能够持续工作的Agent环境中，涵盖编程、金融研究、3D工具调用以及长时间任务执行。

1. Coding能力显著提升，但“偏科”和冗长问题仍受关注

代码和长程Agent是K3.1 Pro此次升级最明显的方向之一。

在Terminal-Bench 4.0中，K3.1 Pro的得分为65.7%。这个Benchmark通过真实、资源受限的终端环境测试编程Agent完成复杂任务的能力，每项任务都设有专项测试。作为对比，Kimi公布的成绩显示，GPT-6 Astra得分为58.2%，Claude Opus 5.5为66.4%。这意味着K3.1 Pro在该测试中已超过GPT-6 Astra，与Claude Opus 5.5的差距不到1个百分点。

在Kimi内部的Kimi Code Bench 3.0 Long-horizon长程代码测试中，K3.1 Pro得分为61.2%，相比K3的55.95%有所提高。该测试覆盖多种工程领域，重点评估模型的多步执行、工具调用以及端到端问题解决能力。

与单纯生成代码相比，Kimi此次更强调K3.1 Pro对完整软件工程任务的执行能力。模型不仅能在真实代码库中定位和修复问题，还能从零构建完整项目，并自主调用Unity、Unreal Engine、Godot、Blender等外部专业工具。

例如，K3.1 Pro使用Unreal Engine 5.8搭建了一个云海之上的东方神话天宫游戏场景，调用Blender进行程序化建模，并结合Nanite、Lumen以及外部8K材质和NASA月球数据完成场景制作；另一个案例中，它使用Godot 4.7.2从零构建了一款包含5个探索区域、程序化地形、第三人称战斗、两阶段Boss、昼夜循环和快速传送系统的3D动作冒险游戏。

Kimi还测试了一个更长程的工程任务：让K3.1 Pro基于包含296个骨骼组件和402个肌肉组件的开源人体解剖模型，搭建人类行走动力学仿真系统。

整个过程中，模型进行了167项任务和420次独立评审，不断分析实验结果、定位问题和修改控制器，使仿真人体从最初几步就摔倒，逐渐进化到能够交替迈步并连续行走11.2秒。值得注意的是，当继续调整奖励函数已无法改善手臂运动时，模型没有继续“死磕”参数，而是转向检查仿真器动力学，最终发现并修复了肩部肌肉力臂计算中的36处错误，再重新训练控制器。

模型发布后，许多用户第一时间进行了测试。有用户表示，用Kimi进行汇编和嵌入式逆向工程时获得了不错的结果，认为模型虽然比Claude Opus更啰嗦，但执行意愿较强。另一些用户则直接将K3.1 Pro视为当前少数真正能与Opus 5.5正面比较的模型。

不过，K3.1 Pro并非在所有领域都同步提升。Artificial Analysis数据显示，Humanity's Last Exam从47%提升到52%，CritPt从23%升至25%，SciCode从59%升至61%，提升幅度明显小于Agent相关指标。这也让部分社区用户认为，K3.1 Pro目前仍存在较明显的“偏科”：代码、Agent、前端和3D可能非常强，但不能简单理解为所有能力都已全面追平最强闭源模型。

2. 3D能力获得好评，但不太能“一句话出大片”

3D是Kimi此次宣传力度最大的能力之一，社区关注度也较高。

在BenchCAD测试中，K3.1 Pro借助工具取得了92.7%的成绩，接近Claude Opus 5.5的96.2%和GPT-6 Astra的95.9%。BenchCAD主要测试模型从多个视角渲染图重建3D物体的能力。模型需要生成CAD代码，推断物体的形状、比例以及各组成部分之间的空间关系。

Kimi表示，用户可以给K3.1 Pro提供文字描述、草图或参考图片，让模型重建成可继续编辑的3D模型。它也能直接生成并运行Blender、CAD等软件脚本，并修改具体零件、几何结构、材质和场景布局，无需依赖额外的MCP连接器。

在官方的一个FreeCAD案例中，K3.1 Pro通过Python构建了一个包含风扇、减速齿轮箱、压气机、燃烧室、涡轮以及外部管路的涡扇发动机，共包含2100个实体，并生成了分步装配、内部爆炸图以及多个转子的旋转动画。另一项任务中，模型使用trimesh设计了一款由5个部件组成、可直接3D打印的台灯，造型灵感来自福建土楼。

Kimi也将这项能力直接融入了产品。目前kimi.com和Kimi App已上线“3D Make”功能，用户可以在线预览和编辑模型，完成后可下载用于3D打印，或导出视频或实况照片。

实际上，在正式发布前，代号“Kibitz”的疑似K3.1模型已在Arena出现，一些测试者注意到它在3D场景、颜色选择、水面反射和整体构图上的表现较为突出。正式发布后，也开始有开发者将其放入真实3D工作流进行测试。

一名AI游戏开发者使用K3.1 Pro和pi.dev Harness生成“鹈鹕骑自行车”的高精度3D场景后认为，即将开放权重的模型已能做出相当不错的3D效果。不过他的测试也揭示了一个差距：K3.1 Pro并没有通过一次Prompt直接得到最终结果，而是需要多轮“继续增强”的指令；相比之下，他此前测试Claude Opus 5.5时，用一次Prompt就得到了更完整的成品。

3. 主动“砍掉”网络攻防能力，开放权重引发更多争论

随着模型代码和Agent能力快速提升，Kimi此次还用了相当篇幅解释K3.1 Pro的网络安全能力，以及为什么在发布开放权重前主动降低了部分攻击性安全能力。

Kimi表示，在扩大后训练规模过程中，团队观察到模型的漏洞研究能力随之明显增强。进一步追踪后发现，一部分网络攻防数据混入了中期训练通用语料，同时强化学习环境中也包含相应任务。

内部实验显示，如果在中期训练和强化学习阶段都不删除这些网络攻防数据，模型的下游攻击能力会大幅增强。因此，在准备K3.1 Pro开放权重版本时，Kimi从这两个训练阶段同时识别并删除了相关网络攻防数据，同时尽量保留普通编程所需的通用能力。

为了衡量效果，团队构建了xdev-bench-hard测试，其中包含基于源代码的漏洞发现和利用任务，覆盖Linux内核、Node.js、JavaScriptCore、Exim和VirGL等软件近期公开漏洞。

测试中，Agent需要读取存在漏洞的源代码、提示和二进制文件，自行开发漏洞利用程序，并在隔离沙箱中实现任意代码执行。如果不删除网络攻防训练数据，同一训练流程产生的模型在xdev-bench-hard上的pass@3可达90.5%，最终发布版K3.1 Pro降低至81.0%。

按照Kimi自身评估，目前K3.1 Pro的网络攻防能力仍落后于已公开发布至少3个月的前沿闭源模型。这也直接影响了Kimi是否发布开放权重的判断。其原则之一是，不希望一个开放权重模型直接推进攻击性网络安全能力的最前沿；另一方面，Kimi认为，只要控制能力扩散速度，让具备双用途能力的模型在用户自己的基础设施上运行，也可以帮助更多团队审查遗留系统和缺乏专业安全审计的代码。

对此，有开发者认为，这相当于Kimi承认自己内部能训练出更强版本，只是选择不释放；也有人担忧，如果为了降低攻击能力而让模型减少安全知识，反而可能影响它发现漏洞和编写安全代码的能力。另一些人则认为，对于即将完整开放权重的3万亿级模型，这种渐进式释放是一种现实的安全折中做法。

这里也出现了一个此前开放模型很少需要面对的问题：随着开放权重模型越来越逼近闭源前沿，“究竟开放多少能力”本身开始成为模型设计的一部分。

4. 金融研究能力提升，事实错误率从23.4%降至8.3%

除了代码和3D，金融也是K3.1 Pro强化幅度较大的领域。

在OfficeQA Pro v2测试中，K3.1 Pro得分为64.4，按照Kimi公布的数据取得了当前最佳成绩。该Benchmark基于真实金融文件设计，重点测试模型的信息检索、跨文档核对以及多步数值推理能力。在衡量完整投资研究流程的Frontier Finance测试中，K3.1 Pro相比K3也有所提升。

Kimi还公布了3项内部金融Benchmark结果。其中，K3.1 Pro在Financial Modelling财务建模测试中较K3提高14%，Financial Research金融研究提高20%；在模拟企业经营管理和决策的Business Operation测试中，得分达到K3的约4.2倍。

在实际案例中，K3.1 Pro可以端到端生成英伟达财务模型，包括经营驱动因素、情景假设和估值敏感性分析；也可以围绕宁德时代制作投委会报告，分析市场一致预期与实际经营之间的差异，并结合财报、指引和潜在催化因素形成投资逻辑。

对于金融Agent而言，真正困难的并不只是计算，而是事实准确性。为此，Kimi专门针对高难度金融和研究场景进行了事实准确性优化。

在内部Kimi Hallu Bench Hard压力测试中，K3的单项事实陈述错误率为23.4%，K3.1 Pro下降到8.3%；出现至少一处事实错误的回答比例，则下降到K3的约42.4%。

不过Kimi也强调，这是一项专门选择模型容易出错样本的压力测试，上述错误率不能代表普通使用场景中的整体表现。

5. “额度几分钟就烧完”成最大槽点

与能力上的好评形成鲜明反差的是Kimi订阅额度，这几乎成为讨论中最集中的负面反馈。

一名用户称，自己订阅了每月99美元的Kimi套餐，仅运行一个会话、没有启动Agent群组，大约47分钟就触发了5小时额度限制。另一名19美元套餐用户则称，一项任务就可能消耗完整的5小时额度，并明显侵蚀周额度。还有开发者直接表示，模型再强，如果30分钟左右就耗尽5小时预算，也很难将其真正用于持续开发。

Reddit上甚至出现了更极端的个案。一名用户测试一个基础3D游戏Demo时称，没有使用子Agent，模型运行约10分钟、任务尚未返回结果，就已耗尽整个5小时额度；另一些Plus甚至更高等级订阅用户也报告了类似的快速消耗现象。这也让部分用户表示，直接按照API价格使用DeepSeek 4.1 Flash反而更划算。

有用户认为，如果一个开放模型既因参数规模过大难以在消费级硬件本地运行，又无法通过固定订阅获得足够长时间的使用，那么开放权重本身对普通开发者的价值也会受到限制。

从API价格看，K3.1 Pro并不算昂贵，但固定订阅套餐里的可用量，却成为不少重度代码用户最明显的痛点。一些开发者甚至开始讨论“混合用模”：让K3.1 Pro负责规划和复杂决策，再让DeepSeek等更便宜的模型承担大量执行工作。

有意思的是，第三方数据确实能解释一部分用户的额度焦虑。

Artificial Analysis在完成整套Intelligence Index测试时，K3.1 Pro累计输出约1.5亿Token，而参与测试模型的中位数只有8700万Token。也就是说，它在相同评测中输出的Token数量比中位水平高出约72%。

Artificial Analysis因此直接将K3.1 Pro评价为“非常冗长”。

速度也不是它的强项。Artificial Analysis测得K3.1 Pro输出速度约73.5 Token/s，低于81.1 Token/s的同类模型中位水平。不过不少用户反馈，K3.1 Pro的实测速度“远快于K3”。

但另一方面，因为Token单价下降，其整体任务成本仍具有竞争力。Artificial Analysis估算，其Intelligence Index平均每项任务成本约2.11美元。另一项基于该数据的比较显示，Claude Opus 5.5对应成本约5.98美元，GPT-6 Astra约3.26美元。也就是说，K3.1 Pro虽然“话多”、消耗Token多，但API场景下的单位任务成本并不差。

真正的矛盾更多出现在订阅制产品，用户对一项任务跑多久、花多少钱更为敏感。

这对于像K3.1 Pro这样定位长程Agent的模型尤其关键。模型越擅长持续搜索、调用工具、写代码和自我检查，一项任务持续时间越长，它就越容易吃掉大量推理预算。如果配套套餐没有同步提高使用上限，模型能力越强，反而可能越容易撞上“额度墙”。

不过，长程Agent的“额度焦虑”并非Kimi独有。

有Claude用户表示，自己使用20美元档套餐时，也遇到过一个复杂Prompt就几乎耗尽5小时额度的情况；另一名用户使用Opus 5.5处理已有代码库，大约30分钟后同样触发了使用限制。OpenAI用户也报告了类似体验，一名用户称，在20美元套餐中使用高推理档位进行代码分析时，一次任务甚至还未完成便撞上额度限制。

因此，不同用户对“Kimi额度是否特别少”的判断也出现分歧。一些开发者认为Kimi明显比Claude、Gemini和ChatGPT更加严格；但另一些人指出，模型选择、推理强度、工作流以及任务复杂度都会显著影响额度消耗，同一个订阅方案在不同用户手中的实际体验可能完全不同。

参考链接： https://www.kimi.com/en/blog/kimi-k3-1-pro https://artificialanalysis.ai/models/kimi-k3-1-pro https://news.ycombinator.com/item?id=50212563 https://www.reddit.com/r/aigamedev/comments/1xdp79w/nonfrontier_models_are_getting_excellent_at_3d/

声明：本文为 InfoQ 原创，不代表平台观点，也不构成投资建议，未经许可禁止转载。

本文来自微信公众号 “InfoQ”（ID：infoqchina），作者：褚杏娟，36氪经授权发布。