Kimi K3.1 Pro 发布：Terminal-Bench 4.0 拿 65.7%

5 hours ago AI笔记

一句话结论：Kimi K3.1 Pro 用一次大规模后训练把终端编程得分推到 65.7%，同时把声明级幻觉率从 K3 的 23.4% 压到 8.3%，并且为了安全主动砍掉了自己的一部分网络攻击能力。

月之暗面在 2026 年 10 月 24 日把 Kimi K3.1 系列的首个模型推到线上。K3.1 Pro 不是一个新架构，它是 Kimi K3 的后训练版本，后训练算力被大幅拉高，官方给出的定位是 3T 级开源权重模型里目前能力最强的一个，上下文窗口 100 万 token。同时上线的还有一个高速版 K3.1 Pro Highspeed，速度是标准版的 2 到 3 倍。完整权重承诺在 11 月 4 日前放出。

这组数字背后有两个方向相反的动作同时发生。一个方向是能力继续往上顶，终端环境编程基准 Terminal-Bench 4.0 拿到 65.7%，超过了 GPT-6 Astra 的 58.2%，距离 Claude Opus 5.5 的 66.4% 只差 0.7 个点。另一个方向是主动做减法，官方从中期训练和强化学习两个阶段里移除了网络安全相关数据，代价是自己少拿 9.5 个百分点的漏洞利用通过率。这篇拆的就是这两条线，以及它对使用者的实际含义。

成绩单：65.7% 与 8.3% 是这一代最有信息量的两个数

先看编程。Terminal-Bench 4.0 评测的是资源受限环境下的真实终端任务，用任务专属的严格测试判定，不是刷选择题。K3.1 Pro 得分 65.7%，官方给出的横向对比是 GPT-6 Astra 58.2%、Claude Opus 5.5 66.4%。内部的长程编程基准 Kimi Code Bench 3.0 Long-horizon 用来测多步执行、工具调用和端到端问题求解，K3.1 Pro 得 61.2%，上一代 K3 是 55.95%，提升 5.25 个点。

更值得看的是事实性指标的下滑幅度。官方内部的压力测试基准 Kimi Hallu Bench Hard 用刻意构造的易错场景考察声明级幻觉率，K3 的声明级幻觉率是 23.4%，K3.1 Pro 降到 8.3%，降幅 65%。同时，至少含一处事实错误的完整回答比例，只相当于前代的 42.4%。这两个数一起说明，后训练带来的不只是更强的执行力，还有更稳的输出习惯。

基准 Kimi K3.1 Pro 对比模型
Terminal-Bench 4.0 65.7% GPT-6 Astra 58.2%，Claude Opus 5.5 66.4%
Kimi Code Bench 3.0 Long-horizon 61.2% Kimi K3 55.95%
BenchCAD（带工具） 92.7% Claude Opus 5.5 96.2%，GPT-6 Astra 95.9%
OfficeQA Pro v2 64.4 官方称为该基准当前最好成绩
声明级幻觉率 8.3% Kimi K3 23.4%
xdev-bench-hard（pass@3） 81.0% 未做数据移除的同管线 checkpoint 90.5%

所有官方评测数据都是在 reasoning effort 设为 max、temperature 1.0、top-p 0.95 的条件下跑出来的，并且统一使用 Claude Code 作为 harness，横向对比的分数取各家官方博客或官方排行榜公布的上限值。这套口径本身对开源模型是有利的，值得留意。

金融与 3D：两个被低估的增量方向

金融是这次后训练投入最明显的领域。官方内部三个金融基准全部相对 K3 提升：Financial Modeling 涨 7.2 分，考察公式联动、财务逻辑和最终工作簿质量；Financial Research 涨 11.6 分，考察在证据和时点约束下能不能产出可审计的研究；Business Operation 的表现大约是 K3 的 4.2 倍，考察长程管理决策。在公开基准上，OfficeQA Pro v2 拿到 64.4，官方直接称为当前最好成绩。这个基准的设定不轻松，所有 PDF 都被渲染成图片，没有可机器读取的文本，模型只能靠视觉读财务表，再做跨文档核对和多步数值推理。

3D 方向的表现同样具体。CAD 基准 BenchCAD 用来测从多视角渲染图做 3D 重建并生成 CAD 代码，K3.1 Pro 带工具得分 92.7%，Claude Opus 5.5 是 96.2%，GPT-6 Astra 是 95.9%。官方给出的原始方法是 K3.1 Pro 的强项，没有 MCP 连接器的情况下也能直接写脚本驱动 Blender 和 CAD 软件，建模、改几何、改材质、调整场景布局。配套的 3D Make 已经在 kimi.com 和 Kimi 应用上线，可以在线预览编辑 3D 模型、下载用于 3D 打印，也能导出视频和 Live Photos。参数化建模这条线是它跟纯视觉生成模型拉开差距的地方。

官方还放了一个细节量很大的案例：在 human-atlas 开源人体模型上，K3.1 Pro 用 167 个任务、420 次独立评审迭代训练行走控制器，把此前几秒内就摔倒的仿真人偶调成能连续交替迈步 11.2 秒。手臂动作的奖励设计失效时，它没有继续调奖励函数，而是对仿真器动力学做开环探测，定位并修正了 36 处肩部肌肉力臂计算错误，然后重训控制器。这类过程被完整记录，本身就是长程智能体能力的一个侧面注脚。

网络安全：官方主动交出的 9.5 个百分点

这一代模型最反直觉的动作，是官方自己承认把网络攻击能力压下去了。做法是在中期训练语料和强化学习环境两个阶段识别并移除网络安全相关内容，同时保留通用编程任务，因为漏洞研究能力会随着后训练算力放大而稳定上升。

内部基准 xdev-bench-hard 用专家策划的源码级漏洞发现与利用任务做区分度校准，多数任务复现近期披露的真实漏洞，涵盖 Linux 内核、Node.js、JavaScriptCore、Exim、VirGL。任务是给出有漏洞的源码、一句缺陷提示和对应二进制，模型要在独立沙箱里拿到任意代码执行并取回校验密钥。结果是：不做数据移除的同管线 checkpoint 在 pass@3 下解出 90.5%，正式发布的 K3.1 Pro 是 81.0%。这 9.5 个点的差值就是安全控制的账单。

官方同时给出两条发布原则。第一，不发布会抬高网络安全能力绝对前沿的开源权重，当前版本按设计就低于其管线能产出的水平，并且落后于已公开至少三个月的最强闭源模型。第二，会逐步提高开源权重里可获得的网络安全能力，理由是当一个足够强的模型开源并跑在用户自己掌控的设施上，更多团队就有能力审计自己维护的代码，包括那些很少拿到专项安全评审的遗留系统。这套开放姿态的落点是防御侧。

怎么用：通道、版本与一个必须留意的日期

K3.1 Pro 已经在 Kimi.com、iOS / Android / HarmonyOS 的 Kimi 应用、Kimi Work 和 Kimi Code 里可用，Kimi API 也开放了 kimi-k3.1-pro 和 kimi-k3.1-pro-highspeed 两个模型名，API 客户支持 Zero Data Retention。用 Kimi Code 的话，升级后通过 /model 命令切换。Kimi Work 需要 3.1.0 或更高版本。Kimi 企业管理员可以在组织里启用该模型，发布时默认关闭。

要留意的是 11 月 4 日这个日期。现在能调用的是托管版本，完整权重在那之前才会释出，等权重落地后本地部署与微调空间才会真正打开。另外 K3.1 Pro 是 K3 的后训练版本，参数主体没有变化，官方描述里明确写了它继承 K3 的权重与架构，重点全在后训练阶段，这也解释了为什么它能以相对克制的成本拿到这么大的能力跃升。

常见问题

Kimi K3.1 Pro 相比 Kimi K3 的核心变化是什么？h3>

K3.1 Pro 是 K3 的后训练版本，参数主体与架构不变，主要变化在后训练阶段投入了更大的算力。终端编程基准从 K3 的 Kimi Code Bench 3.0 Long-horizon 55.95% 提升到 61.2%，声明级幻觉率从 23.4% 降到 8.3%。它不是新一代架构，而是同一底座上的一次重度对齐与训练。

K3.1 Pro 的编程能力现在能排到哪一档？h3>

在官方口径下，K3.1 Pro 的 Terminal-Bench 4.0 得分 65.7%，高于 GPT-6 Astra 的 58.2%，比 Claude Opus 5.5 的 66.4% 低 0.7 个点，属于第一梯队的末尾位置。需要注意所有对比都统一使用 Claude Code harness，且开源模型分数取自官方自测，横向比较存在一定口径优势。

什么时候能用上开源权重做本地部署？h3>

官方承诺在 2026 年 11 月 4 日前释出完整模型权重。在那之前只能通过 Kimi 官网、Kimi 应用、Kimi Work、Kimi Code 以及 API 使用托管版本。企业管理员可以主动为组织启用该模型，发布时默认关闭，需要手动打开。

小结

K3.1 Pro 的意义不只是一个更高的编程分数。它同时演示了两件事：后训练算力可以在不换架构的前提下把通用能力和事实准确性一起推高，而安全控制已经开始成为模型发布的常规成本项，官方愿意用 9.5 个百分点的漏洞利用通过率去换一份更干净的模型。对使用者来说，11 月 4 日的权重释出是一个明确的时间节点，值得提前把部署环境、评测集和推理框架准备起来。

延伸阅读

AI 自学笔记 每天更新 AI 前沿动态，订阅 RSS，或按 Ctrl/⌘+D 收藏本站，明天见。

继续读

同一批更新里这几篇值得一看：

想快速查定义？对应的词条在这里：

Related News