Kimi K3.1 Pro 終於發佈了。看到 Artificial Analysis 那張榜，我的第一反應是：國產追上來了。
說實話，看了這個榜單我一點都不意外。K3 已經非常強了，我相信他們憋了這麼久，一定在憋個大招，所以這是意料之中的事。
Kimi K3.1 Pro 今天凌晨上線，AA 智能指數 55 分，全球第 4。
GPT-6 Astra、Gemini 4 Argon 都被它壓在後面，前面只剩 Claude Opus 5.5、Claude Sonnet 5.5 和 Meta 還沒開放 API 的 Muse Wonder Full。
但別急著說它追平了 Claude。
同樣的價格，Claude Sonnet 5.5 在 AA 上比它高 1 分，在 Arena 的真人投票裡也排在它前面。
更離譜的是，它的參數一個沒加。
01. 誰能用，誰不能用
現在就能用。
Kimi.ai、Kimi App、Kimi Work、Kimi Code 和 Kimi API 都上了，API 裡的模型名是 kimi-k3.1-pro。
另有一個 Highspeed 版，官方說智能一樣，輸出快 2 到 3 倍，價格翻倍。
企業版默認沒開，要管理員手動打開。
還不能用的是權重。官方寫的是 11 月 4 日前放出，許可證沒說。
AA 和 Arena 都提了一句：權重一放出來，它就是兩個榜上最強的開放權重模型。
02. 參數沒變，分數漲了 11
K3.1 Pro 和 7 月的 K3 是同一個底子：總參數 2.8T，每次只呼叫其中 1040 億。
官方的解釋是，K3.1 Pro 是 K3 的後訓練版本，後訓練的算力大幅增加。
後訓練可以理解成上崗培訓：底子不換，給它海量的實際任務去練，做對了獎勵，做錯了扣分。
官方說這次同時練了幾百個領域，為此從強化學習框架、沙箱到調度系統，把訓練設施逐層做了最佳化。
AA 也注意到了這一點：同樣的參數量，它在“分數對參數”的對比裡排在最前面。小米的 MiMo-V2.6-Pro 1.02T 參數是 46 分，智譜的 GLM-5.3 753B 是 45 分。
03. 最強的是動手幹活
這次漲分，主要漲在 Agent 上，也就是讓模型自己動手、連續幹完一串活。
Terminal-Bench 4.0 測的是在真實終端裡幹活：裝環境、改程式碼、跑測試，資源還給得很緊。AA 自己跑了一遍，K3.1 Pro 拿了 67.2%，是所有模型裡最高的。上一代 K3 隻有 12.6%。
GDPval-AA 測的是真實工作任務，比如做報表、寫分析、整理材料，用兩兩對比的方式打分。K3.1 Pro 排第 3，比 K3 漲了 312 分，只落後 Opus 5.5 和 Muse Wonder Full 一點點。
AA 的 AutomationBench 讓模型在各種 SaaS 軟體裡跑工作流，它從 58% 漲到 73%。
官方自己的成績單裡，還有兩項值得說。SWE Marathon 是超長的軟體工程任務，K3.1 Pro 51.7，領先 Opus 5.5 一截。Agents' Last Exam 也是它第一，和 Opus 5.5 差不多。
這兩項是官方自己測的。
04. 官方案例：遊戲、3D 和一個會走路的人
官方公眾號放了 10 個案例，大多標明是 K3.1 Pro 從頭做到尾。
人體走路和天宮遊戲這兩個，我印象都挺深。長程任務是我現在幹得比較多的一類活；遊戲的複雜度確實比較高，從效果上看也非常好。
第一個是用虛幻引擎 5.8 做的天宮對戰遊戲。半徑 1750 米的柱廊是它在 Blender 里程序化建出來的，場景有 3600 萬個三角形。
雲海和月球地形用的是外部素材，也是它自己找來接進去的。
這個案例能看出它會自己找工具。官方說 K3.1 Pro 能用 Unity、Unreal、Godot，能邊搜素材邊建模，再把東西拼成一個能玩的遊戲。
第二個是瀏覽器裡的 3D 機械臂展示頁。2317 個零件、268 條走線，全是程式碼生成的，能拆開看，也能看剖面。
第三個是 FreeCAD 裡的渦扇發動機，2100 個實體，風扇、齒輪箱、壓氣機、燃燒室都有，三根轉子還按各自轉速轉起來。
BenchCAD 測的就是這種本事：看幾張多角度的渲染圖，寫 CAD 程式碼把零件重建出來。官方測試裡，K3.1 Pro 帶工具時落後 Opus 5.5 和 GPT-6 Astra 一點，不帶工具時和 Opus 5.5 差不多。
kimi.com 上同步上了一個 3D Make，做好的模型能直接下載去 3D 列印。
最讓我意外的是第四個：讓它造一個會走路的人。
起點是一套開放原始碼的人體解剖模型，有 296 個骨骼元件、402 個肌肉元件。
K3.1 Pro 自己搭訓練流程，跑了 167 項任務、420 次評審，一邊看結果一邊改控製器。一開始模擬人走幾步就倒，最後能交替邁步，連續走 11.2 秒。
這就是所謂的長程任務：自己定位問題、自己改、自己驗證，前後 420 次評審，中間沒人插手。
05. 金融：更準，也更少瞎說
金融是官方這次主推的第二個方向。
OfficeQA Pro v2 用真實的金融文件出題，要檢索、跨文件核對、多步計算。K3.1 Pro 拿了 64.4，官方說是目前最好的成績。
三個內部金融測試裡，變化最大的是商業營運：在模擬的商業環境里長期經營、做決策，K3 隻有 8.9 分，K3.1 Pro 是 37 分，大約 4.2 倍。
官方的案例是一個輝達財務模型：公式全部聯動，每個假設都有依據，改一個經營參數，估值跟著變。
做金融最怕編數字。官方自己的幻覺壓力測試裡，單條事實說錯的比例從 23.4% 降到 8.3%。
官方也說，這是專挑難題的壓力測試，不代表日常使用的整體水平。
AA 的獨立測試也看到了進步：幻覺率從 53% 降到 44%，精準率從 48% 漲到 51%。兩邊題目不一樣，不能直接比，但方向一致。
06. 用過的公司怎麼說
官方放了幾家早期測試夥伴的反饋。這是官方挑過的，只能當參考。
- OpenCode 聯合創始人 Frank Wang
“模型會主動探索程式碼庫、理解項目指令，並在充分掌握上下文後才開始修改程式碼……即使上下文超過600K tokens，也沒有感受到明顯的能力退化。” - Qoder 模型評測團隊
“Kimi K3.1 Pro 較上一代 K3 提升近 10 個百分點……在 Qoder 當前用例樣本中處於領先位置。” - Unity 中國
“Unity 中國推出的 Tuanjie Codely 搭載 Kimi 旗艦模型，其在遊戲開發場景中的程式碼生成能力表現出色……” - WorkBuddy 團隊
“Kimi K3.1 Pro 在 Office 場景比肩前沿模型，較上一代有大幅提升，任務規劃、執行與自測閉環明顯增強。” - 熵簡科技首席技術官李漁
“我們對 12 個國內外頭部模型進行了金融投研 Agent 場景評測，Kimi 是目前唯一能在該場景下平替海外旗艦模型的國產大模型。” - 華夏基金（香港）CEO 甘添
“Kimi K3.1 Pro 的長程 Agent 能力讓我們離這一目標更近了一步。”
07. 真人投票：第 8
具體來說，我更相信 Arena 一點，因為它畢竟是盲投的。AA 現在說實話，有時候感覺不是很可信，他們的指標一直在調整。
Arena 的 WebDev 榜是真人盲投：同一個網頁需求，兩個模型各做一版，使用者不知道是誰做的，選更好的那個。
K3.1 Pro 排第 8，從 K3 的第 17 往上跳了 9 名，和 Claude Opus 5 打平。這還是初步結果，誤差在正負 14 分左右。
第 8 名說明兩件事。
國產這一側，它已經是第一，權重放出來以後也會是開放模型裡的第一，超過 DeepSeek V4.1 Flash。
但離最前面還有距離。
Opus 5.5 領先它一大截，GPT-6 Astra 和 Sonnet 5.5 也明顯在前面。AA 上那種“只差 3 分”的感覺，在真人投票裡沒那麼近。
08. 價格：單價便宜，帳單差不多
K3.1 Pro 每百萬 token 輸入 13 元、輸出 68 元，命中快取的輸入 1.3 元。
按美元算，三項都比 K3 便宜三分之一。
但它更能“想”了。AA 跑完整套測試，K3.1 Pro 每個任務多用了 14% 的 token。
一來一回，每個任務的錢是 1.98 美元，K3 是 2 美元，幾乎一樣。
放到別家一起看：它和 Claude Sonnet 5.5、Gemini 4 Argon、GPT-6.1 Sol 同價，只有 Opus 5.5 的一半，GPT-6 Astra 的五分之一。國產的 DeepSeek V4.1 Flash 和 GLM-5.3 便宜得多，但 AA 分低了 10 分左右。
Arena 按自己的任務算，每個任務的中位成本是 1.23 美元，比 K3 便宜 29%。它說和 Opus 5 打平的同時，成本低了七成左右。
能力漲了一大截，花的錢沒漲。
我拿 AA 的分數和官方單價做了一張性價比象限圖。各家都用最高推理檔，費用按輸入、輸出各 100 萬 token 估算，不是每任務成本。
斬殺線畫在 K3.1 Pro 上：比它貴、分數又不比它高的，都被圈進去變灰。GPT-6 Astra 和 Claude Fable 5.1 貴了 5 倍，分數還比它低；同價的 Gemini 4 Argon、GPT-6.1 Sol 也在圈裡。
沒被圈住的只有兩個 Claude：Sonnet 5.5 同價，高 1 分；Opus 5.5 貴一倍，高 3 分。
說明一下口徑：K3.1 Pro 在 AA 只有一個版本，Gemini 4 Argon 最高只有 High 檔，兩者都按各自的最高檔放進來比。
09. 一個反常的細節：主動把能力調低
網路安全這塊，Kimi 做了一件很少見的事。
他們發現，訓練語料和強化學習環境裡本來就混著不少網路攻防內容，後訓練越多，模型找漏洞、寫利用的能力就越強。
為了放出權重，他們把這部分資料刪了。官方自己的漏洞測試裡，不刪能做對 90.5%，刪完是 81.0%。
官方的說法是，不想放出一個會推高網路攻防天花板的開放模型。即便刪過，它也比 K3 的 33.3% 高出一大截。
10. 懷疑的聲音
成績單大多是官方自己出的。OfficeQA Pro 那一項，官方還說部分外部模型聯網查到了參考答案，被判了零分，這會拉低別家的分。
它也有明顯的短板。官方自己的成績圖裡，Terminal-Bench Science 只有 38.1，GPT-6 Astra 是 68.1，落後不少。
速度一般。AA 測的官方 API 輸出約每秒 77 個 token，比同價位模型的中位數（每秒 81 個）略慢。
還有一個使用者反饋：老訂閱用 K3.1 Pro 寫程式碼，5 小時額度掉得很快。這條沒有官方說明，但和 AA 測到的“token 用得更多”對得上。
11. 最後
K3 是 7 月 16 日發的，三個月後，K3.1 Pro 在 AA 上從 44 分漲到 55 分，在 Arena 上進了前十。參數沒變，靠的是後訓練。
它強在動手幹活。終端和長任務有 AA 的獨立成績撐著，3D 和金融目前主要看官方成績和案例。
但整體看，它還不如同價的 Claude Sonnet 5.5，離 Opus 5.5 更遠。
不用等 11 月的權重，現在就能用。我覺得它可以用來做很多事，如果真用下來效果好、性價比高，替代現在的 Claude、GPT 都沒問題。
我現在就擔心它的價格，還有額度消耗太快。以目前來看，DeepSeek V4.1 Flash 還是性價比最高的，這個模型怎麼樣還不知道。
你會先拿它幹什麼活？ (AI范兒)