Kimi K3.1 Pro（Kimi K3.1 Pro）是 K3.1 系列首个模型，也是目前最强的 3T 级开源权重模型，具备 100 万 token 上下文窗口，在编程、3D 创作、金融研究等智能体能力上提升明显；同步发布的 Kimi K3.1 Pro Highspeed（Kimi K3.1 Pro Highspeed）速度为它的 2-3 倍。两者已上线 Kimi.ai（Kimi.ai）等平台，完整模型权重将于 11 月 4 日发布。Kimi K3.1 Pro 是 Kimi K3（Kimi K3）的后训练版本，使用更大的后训练算力，并为数百个下游领域的大规模联合强化学习优化了 RL 框架、长上下文推理和训练效率等技术栈。

推出 Kimi K3.1 Pro

我们推出 Kimi K3.1 Pro，这是我们新 K3.1 系列中的首个模型，也是迄今为止能力最强的 3T 级开放权重模型，具备 100 万 token 的上下文窗口。它在编程、3D 创作、金融研究及其他智能体能力上都有显著提升。

我们还发布了 Kimi K3.1 Pro Highspeed，其速度是 K3.1 Pro 的 2-3 倍，交互响应更灵敏。

Kimi K3.1 Pro 和 Kimi K3.1 Pro Highspeed 即日起在 Kimi.ai、Kimi Work、Kimi Code 和 Kimi API 上线。完整模型权重将于 11 月 4 日发布。

推进开放智能的前沿

Kimi K3.1 Pro 是 Kimi K3 的后训练版本，后训练计算量大幅增加。为了在数百个下游领域实现大规模联合强化学习，我们优化了技术栈的每一层——强化学习框架、长上下文推理、训练效率、沙盒基础设施、rollout 调度，以及用于环境质量检查的共享平台——使得每一份强化学习计算量的增加都能带来稳定、可预测的回报。因此，K3.1 Pro 在所有领域都取得了稳定提升。

在编程、智能体和知识基准测试中，K3.1 Pro 达到或接近最强的专有模型。在 Terminal-Bench 4.0（使用严格的任务专用测试，在资源受限的真实终端任务上评估编程智能体）上，K3.1 Pro 得分为 65.7%，高于 GPT-6 Astra（58.2%），略低于 Claude Opus 5.5（66.4%）。在 Kimi Code Bench 3.0 Long-horizon（我们的内部基准，测试编程智能体在多元工程领域中的多步执行、工具使用和端到端问题解决能力）上，K3.1 Pro 得分为 61.2%，高于 K3 的 55.95%。

编程

K3.1 Pro 涵盖从实际代码库中的快速修复到完整项目构建的全方位编程工作。它还为游戏和网页体验带来更考究的视觉风格，并懂得如何用合适的工具把它们做出来。

K3.1 Pro 能有效使用 Unity、Unreal Engine 和 Godot 等游戏引擎，结合网页搜索和 3D 生成，创造完整体验。它的前端页面、交互式 Three.js 场景和 3D 资产在构图、排版、动画和精细度上都更强。以下示例均由 K3.1 Pro 端到端创建：

K3.1 Pro 的长周期编程能力也通过大规模强化学习得到了加强。 在一项内部测试中，它基于 human-atlas（一个开源人体解剖模型，包含 296 个骨骼组件，包括软骨，以及 402 个肌肉组件）构建了一个带有集成训练和评估流程的人体行走动力学模拟器。在 167 个任务和 420 次独立评审中，它分析实验结果、诊断问题并迭代改进行走控制器，让模拟人体从几秒内摔倒，进步到以交替步伐连续行走 11.2 秒。当奖励塑形无法改善手臂运动时，K3.1 Pro 没有简单地继续调整奖励，而是对模拟器的动力学运行开环探测，发现并修正了肩部肌肉力矩臂计算中的 36 个错误，然后重新训练控制器。

3D 建模与设计

K3.1 Pro 在 3D 创作和空间推理上很强。 在 BenchCAD（通过 CAD 代码生成，从多视角渲染图测试 3D 重建）上，K3.1 Pro 使用工具得分为 92.7%，接近 Claude Opus 5.5（96.2%）和 GPT-6 Astra（95.9%）。从文字简介、草图或参考图像，它能推断形状、比例和空间关系，创建可用的 3D 模型。它对现有资产库和模型集合也有更强的把握。

K3.1 Pro 尤其擅长参数化建模，从机械零件、建筑模型到可配置产品和定制家具。 即使没有 MCP 连接器，它也能为 Blender 和 CAD 软件等工具编写和运行脚本，来构建和细化资产、编辑组件，以及调整几何体、材质和场景布局。

以下是 K3.1 Pro 为品牌影片、游戏和交互式网页体验创建的 3D 资产示例：

3D Make 现已上线 kimi.ai 和 Kimi 应用——可在线预览和编辑你的 3D 模型，下载后可直接用于 3D 打印，或导出为视频、实况照片分享到任何地方。

金融

凭借更强的推理和智能体能力，K3.1 Pro 能够端到端交付完整的金融工作流。K3.1 Pro 在 OfficeQA Pro v2 上取得了当前最佳结果（64.4），该测试通过检索、跨文档验证和多步数值推理，对真实金融文档中的复杂财政数据分析进行考察。K3.1 Pro 在 Frontier Finance 上也比 K3 有所提升，该基准衡量从筛选到盈利能力分析的完整投资工作流支持能力。

K3.1 Pro 在我们所有内部金融基准上也有显著提高：

• 金融建模评估真实建模任务中的公式关联、金融逻辑和最终工作簿质量。K3.1 Pro 比 K3 提高 7.2 分。
• 金融研究评估模型能否在证据和截止时间约束下产出可审计的研究。K3.1 Pro 比 K3 提高 11.6 分。
• 商业运营评估模拟商业环境中的长周期管理和决策。K3.1 Pro 的性能约为 K3 的 4.2 倍。

金融分析投资研究要求高度的事实准确性。为此，我们针对 K3.1 Pro 在真实任务和挑衅性提示下的事实准确性做了定向改进。在 Kimi Hallu Bench Hard（一项旨在压力测试事实准确性的内部基准）上，其声明级幻觉率从 K3 的 23.4% 降至 8.3%，而包含至少一个事实错误的回复比例仅为前身的 42.4%。（该评测是对事实准确性的压力测试，示例是刻意设计的，用于探查模型容易出错的情形。上述比率不代表日常使用中的总体错误率。）

以下案例展示了 K3.1 Pro 如何处理实际中的金融建模、投资分析和有来源依据的研究：

网络安全

随着 K3.1 Pro 能力增强，我们投入了相应更多的精力去理解网络能力从何而来，以及我们能在多大程度上控制它。因此，我们分析并评估了 K3.1 Pro 的漏洞研究能力，并在训练中施加了针对性控制，以降低潜在滥用风险，同时保留通用实用性。

识别并移除网络相关数据。 在开发过程中，我们观察到随着后训练规模扩大，漏洞研究性能在稳步提升。追溯这一趋势的根源，我们发现网络相关内容被嵌入在通用的中期训练语料中，而网络相关任务也存在于强化学习环境混合中——这是在广泛数据上训练的自然副产品。在内部模型的初步实验中，我们发现如果在中期训练或强化学习阶段都不做数据移除，下游网络能力会大幅增加。这些发现给了我们一个具体的控制杠杆。对于 K3.1 Pro 的开放权重发布，我们在两个训练阶段都识别并移除了网络相关数据，同时保留了模型实用性所需的通用编程任务。我们将继续在每个训练阶段施加适当控制，网络相关数据识别和限制只是其中一个例子。

评估与结果。 数据清洗后，我们在 xdev-bench-hard 上评估了 K3.1 Pro，这是我们内部基于专家策划、基于源代码的漏洞发现与利用任务基准，其校准旨在在我们当前能力水平上提供有意义的区分度。大多数任务如实复现了 Linux 内核、Node.js、JavaScriptCore、Exim 和 VirGL 等软件中最近披露的漏洞，并启用了缓解措施。每个任务提供易受攻击的源代码、一个简短的错误提示和相应的二进制文件；智能体必须开发漏洞利用程序，在独立沙盒中实现任意代码执行，并检索一个秘密字符串以进行自动验证。我们报告随机子集运行上的 pass@3，没有硬超时或输出 token 限制。

在 xdev-bench-hard 上，没有采取这些风险削减措施的 checkpoint（中期训练未移除网络相关数据、强化学习环境也未过滤网络相关任务）在 pass@3 下解决了 90.5% 的问题；最终的 K3.1 Pro 达到 81.0%。这一对比表明，相对于同一训练流程原本会产出的结果，数据移除切实降低了网络能力。与此同时，K3.1 Pro 仍比前代有大幅提升，说明即便在定向数据移除后，更强的通用编程和长周期调试能力依然能泛化到网络任务上。K3.1 Pro 的网络能力仍落后于那些已公开可用至少三个月的尖端专有模型。我们将持续演进内部基准，使评估在模型能力不断进步的同时保持信息量。

开放权重原则。 这些评估构成了我们开放权重发布决策的基础。首先，我们力求不发布会拓展网络能力绝对前沿的开放权重。K3.1 Pro 的攻击性网络能力按设计低于我们流程所能产出的水平，并落后于尖端专有模型。其次，我们打算逐步提高开放权重中可用的网络能力。我们相信，以非歧视方式提供 K3.1 Pro，有利于那些需要双重用途能力用于防御的人。当一个有能力模型开放并在用户掌控的基础设施上运行时，更多的团队就能获得审计其所维护代码的手段——包括那些很少接受专门安全审查的遗留系统。我们相信，让这种能力逐步扩散——而不是集中在少数专有系统中——最终会让所有软件更安全。

可用性

Kimi K3.1 Pro 即日在全系 Kimi 产品家族中推出：在 Kimi.ai 和 Kimi 移动应用、Kimi Work 和 Kimi Code，以及通过 Kimi API 提供。

完整模型权重将于 2026 年 11 月 4 日发布。

Kimi Enterprise 管理员可为其组织启用 K3.1 Pro；发布时默认关闭访问。

各渠道详情：

• Kimi Agents： 从移动应用商店下载或更新至最新 Kimi 应用，支持 iOS、Android 和 HarmonyOS，或访问 kimi.ai。
• 使用 Kimi K3.1 Pro 工作： 下载最新的 Kimi Work 桌面应用（3.1.0 或更高版本），支持 Windows 和 Apple silicon Mac。
• 用 Kimi K3.1 Pro 编程： 运行 Kimi Code，使用 /model 命令选择 Kimi K3.1 Pro。
• 通过 Kimi API 构建： 访问 Kimi API 平台，选择 kimi-k3.1-pro / kimi-k3.1-pro-highspeed。API 客户提供零数据保留选项。
• 将 Kimi 带入你的组织：Kimi Business 提供企业级数据隐私和成员管理，个人与组织账户完全隔离。访问定价页面并选择“获取 Kimi Business”为团队订阅。

基准测试

脚注

除非另有说明，下文报告的所有 Kimi K3.1 Pro 结果都是在推理强度设为“max”、temperature = 1.0、top-p = 0.95 的条件下获得的。

编程基准测试

1. Terminal-Bench 4.0。Kimi K3.1 Pro 使用 Claude-Code 框架评估。DeepSeek-V4.1-Flash-1017 分数来自其发布博客。其余分数取各自博客文章或 Terminal-Bench 4.0 官方榜单（https://www.tbench.ai/）中的最大值。
2. Terminal-Bench Science 0.1。Kimi K3.1 Pro 使用 Claude-Code 框架评估。我们对 DeepSeek-V4.1-Flash-1017 的内部评估得分为 9.3；但旧版 DeepSeek-V4.1-Flash 在官方 Terminal-Bench Science 上得分为 15.7，因此此处报告 15.7；其余分数来自官方榜单（https://www.terminal-bench-science.ai/）。
3. DeepSWE v1.1。Kimi K3.1 Pro 使用 Claude-Code 框架评估。所有分数取自各自技术报告。
4. SWE-Marathon v1.1。Kimi K3.1 Pro 使用 Claude-Code 框架评估。DeepSeek-V4.1-Flash-1017 使用 ClaudeCode 框架评估。其他分数取自官方 SWE-Marathon 榜单（https://www.swe-marathon.org/）。
5. PostTrainBench。Kimi K3.1 Pro 和 DeepSeek-V4.1-Flash-1017 在 v1.2 上由我们使用 Claude-Code 框架和 H20 GPU（而非 H100）进行内部评估。为稳定评估，所有裁判模型使用 DeepSeek-V4.1-Flash-1017 的最大推理强度，在测试中它与官方 GPT-5.6-Terra（xhigh）裁判最匹配。其他分数来自官方榜单（https://posttrainbench.com/）。
6. ProgramBench（二元分数）。我们报告二元分数而非原始 ProgramBench 分数：任务得分 ≥95% 记 1 分，否则 0 分。Kimi K3.1 Pro 使用 Claude-Code 框架评估。其余分数来自 Vals ProgramBench 榜单（https://www.vals.ai/benchmarks/programbench）。
7. 内部编程基准：Kimi Code Bench 2.0 和 Kimi Code Bench 3.0 Long-horizon。Kimi K3.1 Pro 使用 Claude-Code 框架评估；所有其他模型在其最大推理强度设置下评估。注意专有模型测试中可能涉及一些回退行为。
8. BenchCAD。开放模型由我们从完整 17,900 例 Vision2Code 数据集中随机抽样的 1,000 例子集上，以最大推理强度评估。使用工具的结果采用 Claude Code 框架；不使用工具的结果采用官方 BenchCAD 提示和评分流程的单次生成。GPT-6 Astra 未报告不使用工具的分数，标记为“—”。

智能体基准测试

1. BioMysteryBench 数据集取自官方 v11 发布版，使用 Kimi K3 作为裁判模型。我们用 Kimi Code 评估 Kimi K3.1 Pro，用 Claude Code 评估 GLM-5.3 和 DeepSeek-V4.1-Flash-1017，用 Codex 评估 GPT-6 Astra。Claude 模型分数直接取自其官方系统卡。
2. Agents’ Last Exam 数据集取自官方 v1.1 发布版，包含 122 个任务，其中 86 个 CLI 任务，环境镜像与官方 Hugging Face 发布一致。对于绕过任务规定要求（例如不去用 Wireshark 做所需分析，而是直接上网检索答案）的运行，我们额外记 0 分。DeepSeek 和 Kimi 分别使用 Claude Code 和 Kimi Code 评估。其他结果取自官方基准网站。
3. OfficeQA Pro、OfficeQA Pro v2。GPT-6 Astra 使用 Codex 评估，其他所有模型使用 Claude Code 评估。每个任务向智能体提供整个 PDF 语料库，所有 PDF 渲染为图像，无可用的机器可读文本。我们观察到某些外部模型的轨迹中存在在线检索参考答案的情况；因此对这些任务记 0 分。
4. Frontier Finance 使用官方金融智能体 v2 框架评估。
5. HANDBOOK.md 使用基于 OpenHands 构建的官方框架评估，评估任务取自该基准早期开源 v1 发布版。
6. Harvey Legal Agent 在 1,251 个任务的公开数据集上，使用 Artificial Analysis 的 Stirrup 框架评估，性能报告为全通过率（即通过所有评分标准的任务百分比）。
7. OSWorld V2.1 使用官方 OSWorld v2 仓库中的 Kimi Agent 框架评估，GPT-6 Astra 的分数取自 Muse Wonder 的技术报告。
8. DECK-Arena 评估真实世界查询下的演示文稿生成，Design Bench 通过直接和参考图像少样本提示评估平面设计；两者在集成了搜索和图像生成的框架中，跨 python-pptx、pptxjs 和 Kimi 内部 DSL 运行模型，使用一个基于 10,000+ 人类判断校准的自动评分器。
9. MCP Atlas。所有模型在 500 个任务的公开子集上评估，限制 100 轮，使用 Gemini 3.1 Pro 作为裁判。
10. BrowseComp。我们采用 Claude 模型卡中使用的上下文压缩策略，在 200K token 时触发。最多允许 500 步；若在任务完成前达到该限制，我们强制智能体给出答案，然后评判。所有 BrowseComp 运行都在 temperature=1.0 和 top-p=1.0 下进行。
11. GDPval-AA v2.1、AA-Briefcase v1.1 和 AutomationBench-AA 分数引用自 Artificial Analysis（https://artificialanalysis.ai/），Apex Agents 分数引用自 Mercor 榜单（https://www.mercor.com/apex/apex-agents-leaderboard/）。
12. GDP.pdf（使用 Python）、ZeroBench（使用 Python）和 ChartoGraphy（使用 Python）取五次运行的平均值。其他多模态基准（使用 Python）取四次运行的平均值。对于 GDP.pdf（使用 Python）：每个原始 PDF 文件被送入沙盒，模型可使用 IPython 工具处理它。最终回复使用 Gemini-3.5-Flash（中等推理强度）和官方评判提示，按每条评分标准评分。我们报告任务宏平均评分标准通过率：对于每个任务，我们先在五次独立运行中平均通过的评分标准比例，然后在所有任务间等权平均这些任务级分数。

推理、知识与多模态基准测试

1. GDP.pdf。每个 PDF 以页面图像（最长边调整为 1,152 像素）并交错按页顺序排列的 Docling 提取文本提供。回复使用 Gemini-3.5-Flash Medium 和官方评判提示按每条评分标准评分。我们报告完全评分回复中的严格通过率。
2. HLE 和 HLE-Diamond 评估通用知识和推理能力。我们报告完整评测集上的准确率，HLE 为 2,500 题，HLE-Diamond 为 1,000 题。对于标有星号（*）的模型，准确率报告于仅文本子集问题上。
3. GDP.pdf、ZeroBench 和 ChartoGraphy 取五次运行的平均值。其他多模态基准取四次运行的平均值。
4. MMMU-Pro 遵循官方协议评估，保留原始输入顺序，并将图像置于文本输入之前。
5. Kimi Hallucination Benchmark 在内部一组具有挑战性、去标识化的实际工作任务提示上评估事实准确性。我们报告由事实核查智能体评估的声明级幻觉率。

网络安全基准测试

1. ExploitBench。Kimi K3.1 Pro 使用官方 ExploitBench 框架在 300 轮预算下评估。我们报告 pass@5 最大能力分数：对于每个环境，取 5 个随机种子中的最佳运行，按达到的 16 项能力标志数量计分，其中实现任意代码执行即视为达到全部 16 项能力。
2. ExploitGym。Kimi K3.1 Pro 使用 KimiCode 框架在每个任务 6 小时墙钟预算下评估。
3. xdev-Bench-hard：Kimi K3.1 Pro 使用 KimiCode 框架评估。GLM-5.3 和 DeepSeek-V4.1-Flash-1017 使用 Claude Code 框架评估。

社区气氛在“前沿突破”和“跑分幻象”之间拉扯。分歧主轴是：K3.1 Pro 的漂亮分数到底代表真实可用能力，还是被榜单漏洞、网络安全阉割和过往口碑打折后的宣传数字。

认为 K3.1 Pro 已达到前沿水平，进步明显

• 技术博客和基准分数看起来已进入前沿级别，最悲观估计也只落后 Anthropic 和 OpenAI 约一个月；幻觉硬指标从 K3 的 23.4% 降到 8.3%，被视为实打实的提升。（较多人） > 这已经是前沿水平，最差也不过落后 Anthropic 和 OpenAI 一个月。（@rvz）

质疑高分含金量，认为实战体验可能不如榜单

• 过去 Kimi 常被指跑分高于实战：DeepSeek、Qwen、GLM 表现更好，Mimo 亦然。（较多人）
• 除了 Fable 和 Opus，几乎没见过模型能在真实使用中兑现榜单分数；因此有人虽希望有 Opus 5.5 的替代品打破垄断，却仍怀疑 Kimi 能否兑现。（少数人）
• Terminal-Bench 4.0 被指接近饱和且评分有问题：评分器检查未明确写出的规则，模型还能作弊；调整设置后 Claude Sonnet 5.5 通过率从 62.8% 升到 89.2%，因此 K3.1 Pro 在该榜的 65.7% 不代表真实领先。（较多人）
• 少数声音直接质疑主要蒸馏来源，暗示需要确认亮眼能力是否借自其他模型而非完全自研。（少数人） > 只看榜单会被误导，Terminal-Bench 4.0 的评分器常检查指令没写清的规则，模型还能作弊拿满分。（@Tiberium）

认为开放权重被主动削弱网络安全能力，令人失望

• 官方说明在两个训练阶段都移除 cyber 相关数据，使开源攻击能力被设计成低于管线上限、也落后闭源前沿；不少人认为这等于承认本来能更强却选择不发布。（较多人）
• 这种“安全阉割”并不被买账：有人直呼做法很逊，也有人无奈指出普通用户拿到的版本在网络安全上被削弱，和美国模型如出一辙。（较多人） > 他们等于承认本来能做得更强，只是选择不发布。（@rudolftheone）

认为中国团队以极低成本逼近前沿，冲击现有人工智能投入逻辑

• 中国站价格显示 K3.1 比 K3 便宜约 30%，美元定价约输入 2 美元/百万词元、输出 10 美元/百万词元；低价格叠加前沿分数，让不少人开始重估成本结构。（较多人）
• 更宏观的质疑是：美国耗费万亿美元维持前沿，而中国团队以极低开发成本做出几乎同水平模型，这样的投入产出能否持续，甚至可能已经反映在本周人工智能板块走弱上。（较多人） > 美国花万亿美元维持前沿，中国却用极低成本做出几乎一样的模型，这怎么可持续？（@chrsw）

有价值的补充

• 各实验室似乎都在自建独特的强化学习环境；业界是否会收敛到少数通用模式、出现被大实验室采用的强化学习框架，值得观察。开放权重预计 11 月 4 日发布。（@wolttam）
• 有开发者用非传统的鹈鹕 SVG 测试做健全性检查，结果显示 K3.1 的“鹈鹕”很稳，并补测了 K3 不同推理档位作为对照。（@simonw）
• 官网基准表在 Firefox 中显示异常、完整表格也常打不开；有人借此吐槽，如果连这种小故障都修不好，实在谈不上通用人工智能。（@WASDx、@mixtureoftakes）
• 高价订阅并不等于高可用：有用户称 99 美元月费方案在单次会话 47 分钟内就触发 5 小时配额限制，可用性预期需要下调。（@johnmlussier）
• 现有评测仍不够指导选型：需要按具体场景（例如 UI 设计、非编码任务）分析模型强弱，让用户知道何时该选它而不是 Anthropic 或 OpenAI 的模型。（@wkcheng）