月之暗面发布 Kimi K3.1 Pro：3 万亿参数、100 万上下文，编程智能体只差 Claude Opus 5.5 一步

凌晨两点，一个做独立游戏的朋友把屏幕拍给笔者看：他丢进去一张手绘草图，让模型“做一个能跑起来的 3D 关卡”，二十分钟后浏览器里真的出现了一个可以走动的场景——Unity 工程、材质、光照都在。他用的不是海外那几家，而是刚上线的 Kimi K3.1 Pro。

这种“从一句话到可交付成果”的位移，正是这一轮模型竞赛真正的分水岭。参数规模早就不是新闻，能不能把一个真实任务从头做到尾，才是。

一分钟速览

• 月之暗面正式发布 Kimi K3.1 系列首个模型 K3.1 Pro，3 万亿级参数，支持 100 万上下文
• 同步上线 Highspeed 高速版，同等智能，输出速度约 2~3 倍
• Terminal-Bench 4.0 得分 65.7%，高于 GPT-6 Astra 的 58.2%，与 Claude Opus 5.5 的 66.4% 仅一步之遥
• BenchCAD 借助工具拿到 92.7%，OfficeQA Pro v2 拿到 64.4 的当前最优
• 事实陈述错误率从 23.4% 降到 8.3%
• API 定价：每百万 Token 输入 1.3 元（缓存命中）/ 13 元（未命中），输出 68 元
• 完整模型权重将在 11 月 4 日前放出

三条战线：终端、3D 与金融

官方给出的成绩单里，最有信息量的不是总分，而是它选择在哪几个考场交卷。

第一是编程智能体。Terminal-Bench 4.0 用资源受限的真实终端任务考模型，每项任务都设有严格的专项测试，K3.1 Pro 通过率 65.7%。内部基准 Kimi Code Bench 3.0 Long-horizon 更看重多步执行、工具调用和端到端问题解决，得分 61.2%，比上一代 K3 的 55.95% 提升了 5 个多百分点。这类测试的共同点是：不许一次答对，得会试错、会看报错、会重来。

第二是 3D 与空间推理。BenchCAD 要求模型生成 CAD 代码，再从多视角渲染图重建三维模型，K3.1 Pro 借工具得分 92.7%，逼近 Claude Opus 5.5 的 96.2% 和 GPT-6 Astra 的 95.9%。更值得注意的是它的用法：不依赖 MCP 连接器，直接自己编写并运行 Blender、CAD 脚本，改单个零件、调几何与材质。配套的 3D Make 功能已经进了网页端和 App，做好的模型可以直接下载去 3D 打印，也能导出视频分享。

第三是金融工作流。OfficeQA Pro v2 考的是真实财报文档里的检索、跨文档核对与多步数值推理，K3.1 Pro 拿到 64.4 的当前最优；内部三个金融基准上，财务建模任务比 K3 提升 14%，金融研究提升 20%，商业运营得分约为 K3 的 4.2 倍。

幻觉治理：从 23.4% 到 8.3%

更值得单独拎出来说的是事实准确性。官方内部压力测试 Kimi Hallu Bench Hard 专门挑模型最容易出错的情形，单项事实陈述错误率从 K3 的 23.4% 降至 8.3%，含至少一处事实错误的回答比例约为前代的 42.4%。官方也标注了这组数字不代表日常使用的整体水平，但方向很清楚：当模型开始替人查数、写报表、做尽调，错误的代价就从“重写一段话”变成“重做一次决策”。

价格与开源的算术

API 定价是每百万 Token 输入 1.3 元（命中缓存）或 13 元（未命中），输出 68 元；高速版速度 2~3 倍，价格翻倍。按一个中等规模编码智能体的用量估算，输出仍是大头，这也解释了为什么各家都在缓存命中率上做文章——长上下文场景里，重复的代码库和文档就是成本黑洞。

另一个信号是权重。3 万亿级模型承诺在 11 月 4 日前放出完整权重，这在此前几乎不可想象。它意味着推理优化、私有化部署和二次微调的空间会被再次打开，也意味着模型厂商的护城河正从“我有你没有”转向“我跑得比你便宜、接得比你顺”。

趋势：竞争从“更聪明”转向“更能交付”

把这几条放在一起看，会发现一个共同点：所有高分项都指向“交付物”——一个能跑的游戏关卡、一个可打印的模型、一份能过审计的财务模型。模型的评测语言正在从知识问答迁移到任务完成率，而这恰好是过去一年企业采购最关心的指标。

对开发者来说，现实的建议是：别再只拿聊天窗口试模型。给它一个带测试的终端、一份真实的文档、一个必须跑通的脚本，看它第几次能自己爬起来。那才是 2026 年选模型的正确姿势。