Kimi K3.1 Pro 开放权重登场:终端编码智能体拿下 65.7%,逼近 Claude Opus 5.5
核心概要
月之暗面发布 K3.1 系列首个模型 Kimi K3.1 Pro,这是其迄今最强的 3T 级开放权重模型,上下文窗口达 100 万 token,并同步推出速度提升 2–3 倍的 Highspeed 版本。它是在 Kimi K3 基础上加大后训练算力得到的版本,团队为此优化了强化学习框架、长上下文推理与沙箱等整条训练栈,使每个域都获得稳定增益。在考察编码智能体真实终端任务的 Terminal-Bench 4.0 上,K3.1 Pro 得 65.7%,高于 GPT-6 Astra 的 58.2%,略低于 Claude Opus 5.5 的 66.4%。
深度剖析
开放权重模型在编码智能体的真实终端任务上已进入与最强闭源模型同一档次的区间。 此前这类终端任务的高分主要由闭源模型占据,K3.1 Pro 把开放权重一侧的分数推到与它们接近的位置。 在 Terminal-Bench 4.0 上,K3.1 Pro 得 65.7%,GPT-6 Astra 为 58.2%,Claude Opus 5.5 为 66.4%。
长程编码能力通过大规模强化学习得到加强,模型能在多步任务中自行诊断并修正问题。 在内部长程编码基准 Kimi Code Bench 3.0 Long-horizon 上,K3.1 Pro 得 61.2%,高于 K3 的 55.95%。 在一项内部测试中,模型基于含 296 个骨骼组件和 402 个肌肉组件的人体解剖模型 human-atlas 搭建行走动力学模拟器,经 167 项任务和 420 次独立评审迭代控制器,使模拟人从数秒内倒地变为交替步态连续行走 11.2 秒。
模型把能力扩展到 3D 建模与金融工作流,并针对事实准确性做了定向改进。 在考察多视图渲染重建 CAD 代码的 BenchCAD 上,K3.1 Pro 带工具得 92.7%,接近 Claude Opus 5.5 的 96.2% 和 GPT-6 Astra 的 95.9%;在 OfficeQA Pro v2 上取得 64.4 的最新最好结果。 在内部事实准确性压力测试 Kimi Hallu Bench Hard 上,其论断级幻觉率从 K3 的 23.4% 降至 8.3%,含至少一处事实错误的回答占比为前代的 42.4%。
启示与展望
报道的范围限于发布方公布的基准成绩与内部测试,包括 Terminal-Bench 4.0、Kimi Code Bench 3.0 Long-horizon、BenchCAD、OfficeQA Pro v2 与 Kimi Hallu Bench Hard;完整模型权重计划于 11 月 4 日发布,企业管理员默认关闭该模型访问。
发布方说明 Kimi Hallu Bench Hard 是刻意构造易错情境的压力测试,所报比率不代表日常使用中的整体错误率;其网络攻击能力仍落后于已公开至少三个月的前沿闭源模型。
