10 月 24 日零点刚过,卡着程序员节,月之暗面把 Kimi K3.1 Pro 推上了全线产品。这是 K3.1 系列的第一个模型,也是这家公司第一次在自家模型名字里加上 “Pro”。官方的定位很清楚:不是新的底座,是把三个月前那个 2.8 万亿参数的 K3 重新教了一遍怎么干活——重点补长程编程、3D 创作、金融研究这类“要连续跑很多步才出结果”的任务。
成绩确实好看。第三方机构 Artificial Analysis 的综合智能指数给了 55 分,比 K3 的 44 分高 11 分,排在全球第四,前面只剩 Claude Opus 5.5、Claude Sonnet 5.5 和 Meta 的 Muse Wonder Full;在考编程智能体的 Terminal-Bench 4.0 上,它从 K3 的 13% 直接跳到 65.7%,反超 GPT-6 Astra 的 58.2%,离 Opus 5.5 的 66.4% 不到一个点。
但发布当天社区里传得最广的一句话不是“强”,是“额度十分钟就见底”。有人拿它跑了一轮网上最流行的“鹈鹕骑自行车”,三个版本连着跑,199 元套餐的五小时额度用掉一半;还有人只跑了一次 max 档,99 元老套餐的五小时额度同样少了半截。同一件事,它花的 token 是 K3 的 2.4 倍。
强是真的,贵也是真的。这篇只回答四个问题:它到底是什么、哪些说法是实锤、跑分与账单怎么读、现在该不该换。
一、它到底是什么:底座没换,换的是训练的后半段
- 规格一个字没动。总参数 2.8 万亿,MoE 架构每次推理激活 1040 亿,上下文 100 万 token,原生支持图像和视频输入,输出文本。这些数字和 7 月的 K3 完全一致——官方口径里那句“3 万亿级参数”是四舍五入的说法,模型卡和所有技术复盘用的都是 2.8 万亿。
- 变的是后训练。月之暗面说这次投入了“大幅增加的后训练算力”,在数百个下游领域做大规模联合强化学习,为此把强化学习框架、沙箱基础设施、长上下文推理、调度系统都重构了一遍。翻成普通话:同样的脑子,换了一套更接近真实工作环境的训练方式,练的是“把任务做完”,不是“多背点知识”。
- 三条新主线。编程侧能驱动 Unity、Unreal、Godot,能写 Blender 和 CAD 脚本做参数化建模;金融侧在基于真实财报做多步数值推理的 OfficeQA Pro v2 上拿到 64.4 分,官方说是目前最好成绩;产品侧网页版和 App 同步上了「3D Make」,可以直接描述需求生成 3D 网页、3D 模型,甚至导出 3D 打印文件。
- 同步发了一个高速版。K3.1 Pro Highspeed 保持同等智能和 100 万上下文,输出速度约 2 到 3 倍,价格是标准版的 2 倍——后面算账时会看到,这一档的定价结构里藏着一个例外。
另外两件容易被忽略的事:一是它同时上线了 Kimi Work 桌面端(Windows 与 Apple 芯片 Mac)、Kimi Code(终端与桌面)和 API;二是官方新开了一个叫 Hosted Agents 的服务,把支撑 Agent 长时间运行的 Harness 当云端基础设施卖,主打 7×24 小时长程任务和多智能体协作。这两件事说明这次的重点不在“聊天更聪明”,而在“能不能替你把活干完”。
二、传闻与实锤:三件事先分清
第一件,发布前的匿名模型是真的,但当时的身份只是推断。 10 月 22 日凌晨,一个叫 Kibitz 的模型出现在 Arena 上,有人拿它和 GPT-6 Astra Max、Claude Opus 5.5 对打:同一个“用一个 HTML 文件做 3D 体素庭院”的题目,Kibitz 交活更快,画质也不错。追踪账号在它的分词表里找到 11 个带月之暗面家族特征的 token,加上 K2.5、K2.6、K3 当年分别用 Kiwido、Kiwire、Kivine 的命名习惯,Kibitz 被认定是 K3.1。这些当时都还是推断,到 10 月 24 日发布才算落地。
第二件,“开源”这个词现在还用早了。 官方承诺完整模型权重在 11 月 4 日前发布,但到今天为止权重还没放出来,许可证条款也没有公布。K3 当年用的是自定义许可:普通开发者下载权重、企业内部自用都不受限,只有把模型包装成 MaaS 对外售卖、且关联方连续 12 个月总营收超过 2000 万美元的,才需要单独签商业协议。K3.1 会不会沿用这套条款,官方没说。所以准确表述是“承诺开放权重”,不是“已经开源”——这中间差的是一份许可证。
第三件,跑分要看是谁测的。 Terminal-Bench 4.0 的 65.7% 是 Kimi 公布的口径,Artificial Analysis 独立跑出来是 67% 上下;SWE-Marathon v1.1 的 51.7% 对 Opus 的 46.3% 是官方自测,对手分数取自外部榜单。差一两个点不影响结论,但读者应该知道:凡是“官方自测 + 对手外部成绩”混在一张表里的,横向比较都要打个折。
三、跑分:涨的不是“智力”,是“执行力”
| 评测 | K3.1 Pro | 对照 | 该读出的意思 |
|---|---|---|---|
| AA 智能指数 | 55 | Opus 5.5 58 / Sonnet 5.5 56 / Muse Wonder Full 56 / K3 44 | 全球第四,离榜首 3 分 |
| Terminal-Bench 4.0 | 65.7% | Astra 58.2% / Opus 5.5 66.4% / K3 13% | 终端任务代际跃迁 |
| SWE-Marathon v1.1 | 51.7% | Opus 5.5 46.3% | 长任务编程反超(自测) |
| OfficeQA Pro v2 | 64.4 | Opus 5.5 62.2 | 金融多步数值推理 |
| AutomationBench-AA | 73.3% | K3 58.3% | 跨邮箱/表格/CRM 的办公流 |
| HLE(不带工具) | 51.1% | Opus 5.5 59.8% | 纯知识推理仍落后 |
| AA 长上下文推理 | 86.3% | K3(Max)88.7% | 1M 窗口没有同步变强 |
| BenchCAD(带工具) | 92.7% | Opus 5.5 96.2% | 参数化 3D 接近但不持平 |
把表读一遍会发现一个很清楚的结构:涨分集中在“要动手”的项目,没涨甚至略退的是“靠脑子记”的项目。 HLE 带工具时它能拿 70%,高于 Opus;不带工具只剩 51.1%,低于 Opus 的 59.8%。长上下文推理更是从 88.7% 退到 86.3%——这条对准备把整个代码库塞进 100 万窗口的人挺重要,窗口能塞不等于窗口好用。
3D 这块也要分开看:官方 BenchCAD 的 92.7% 说明它写脚本、做参数化建模很稳,但独立机构那个交互式 3D 评测 AA-3D 的早期结果没有编程这么亮眼。发布日刷屏的 3D 庭院、体素城堡属于“能出活”,离“能交付”还有距离。
还有一个数字值得单独提:网络防御指数它拿到 64%,比 K3 高 23 个百分点,超过 DeepSeek V4.1 Flash 的 57%,在整个榜单里只低于不对外开卖的 GPT-6 Sol(Daybreak Blue)69%。月之暗面自己也承认这个能力开放出去有风险,主动删掉了一部分网络攻防训练数据——内部漏洞利用测试里,不做风险削减的对照版本成功率 90.5%,最终版降到 81%。这是“为了能开放权重而主动自断一臂”的少见操作,值得记一笔。
四、账单:单价降了三分之一,单任务反而更贵
官方开放平台的价目表是这样的(每百万 token):
| 模型 | 输入 | 输出 | 缓存写入 | 缓存命中 |
|---|---|---|---|---|
| K3.1 Pro | ¥13.00 | ¥68.00 | ¥13.00 | ¥1.30 |
| K3.1 Pro Highspeed | ¥26.00 | ¥136.00 | ¥26.00 | ¥1.30 |
两个细节。第一,单价比 K3 低约三分之一(K3 那代的输出价在每百万 15 美元一档),折算成美元大约是 $1.8/$9.4,只有 GPT-6 Astra 的 $10/$50 的五分之一左右——媒体标题里那句“价格只有 Astra 五分之一”就是这么来的。第二,Highspeed 输入输出都翻倍,唯独缓存命中价没动,还是 ¥1.30。对反复读同一段前缀的 Agent 负载,这个例外很关键,后面讲。
“五分之一”成立有个前提:Astra 的输入超过 27.2 万 token 后,单价从 $10 翻到 $20,输出从 $50 涨到 $75。K3.1 的 100 万上下文恰恰是为长输入准备的,真按一个长任务算,差距不是五分之一,而是十分之一左右。
拿一个具体的活来算。假设一个编码 Agent 任务:累计输入 200 万 token(全程未命中缓存,按最坏情况),输出 20 万 token。
| 模型 | 输入成本 | 输出成本 | 合计 |
|---|---|---|---|
| Kimi K3.1 Pro | ¥26.00 | ¥13.60 | ¥39.60 |
| K3.1 Pro Highspeed | ¥52.00 | ¥27.20 | ¥79.20 |
| Claude Opus 5.5($4/$20) | $8.00 | $4.00 | $12.00 ≈ ¥86 |
| GPT-6 Astra(超 272K 档 $20/$75) | $40.00 | $15.00 | $55.00 ≈ ¥390 |
| DeepSeek V4.1 Flash(空闲时段 ¥1/¥4) | ¥2.00 | ¥0.80 | ¥2.80 |
这张表说明三件事。对着闭源旗舰,它确实便宜:同一活不到 Opus 5.5 的一半,只有 Astra 的十分之一。对着国产 Flash 档,它是最贵的那个:比 DeepSeek V4.1 Flash 贵 14 倍,比 GLM-5.3-Flash 也贵一个量级。所以“便宜”这个词要加主语——和谁比。
第二件事是缓存的杠杆。上面为了公平没算缓存,但真实 Agent 负载里,同一个仓库前缀会在几十轮里反复读。K3.1 Pro 的缓存命中价 ¥1.30 是未命中的十分之一,把 200 万输入里的 150 万变成缓存命中,总成本从 ¥39.6 掉到 ¥22 左右。Kimi Code、Claude Code 这类工具恰好是这种“前缀稳定、轮次多”的形态,这是它相对 Astra 最实用的优势。
第三件事,也是最容易被忽略的:单价降了,token 涨得更多。Artificial Analysis 复算过一笔账,同样一道网络防御评测题,K3.1 Pro 的平均单题成本是 $2.81,K3 是 $2.45,反而涨了约 15%,原因是输入 token 消耗差不多翻倍。社区那轮鹈鹕测试更直观:同一题目,K3 花 61 万 token,K3.1 Pro 花 144 万,Highspeed 花 128 万。单价乘 0.67、token 乘 2.4,单任务总价大约是 K3 的 1.6 倍。
这就是“额度十分钟见底”的全部原因。它不是计费出错,是模型想得更久、读得更多、跑得更多轮——后训练换来的执行力,账单上是要还的。
五、订阅侧:为什么 199 元档撑不住
- 额度是按 token 扣的,不是按次数。Kimi 会员分 49、99、199 元三档,每档给一个五小时滚动额度加一个月度上限。官方没公布每档对应的 token 数,但社区实测已经把量级测出来了:199 元档跑完 Highspeed、标准版、K3 三个版本的鹈鹕测试,五小时额度去掉一半;99 元档跑一次 max 档的同类任务,同样少一半。
- 不同任务的差距极大。有 199 元档用户生成一份完整英文讲义,只花掉月额度的 2%;做 3D 场景、前端页面、体素建模这类开放式生成,单次就能吃掉几个百分点。规律很简单:输出越长、轮次越多、工具调用越密,烧得越快。
- 供给还在紧。腾讯 WorkBuddy 发布当天就接入了 K3.1 Pro 和高速版,但明确写着“目前资源紧张,现阶段仅对企业旗舰版及个人订阅用户优先开放”。K3 那代更极端——7 月上线两天请求量顶到集群上限,官方一度暂停了 C 端新用户订阅。一款模型因为算力不足而关门限流,这事在开源模型身上并不常见,但它确实发生了。
所以订阅用户换模型之前,最该做的不是看跑分,是拿自己一个真实任务跑一遍,记下 token 消耗,再按“K3 时代的两倍”去估额度够不够。这个动作花十分钟,能省掉一个月的憋屈。
六、怎么上手:四条路,按成本从低到高
第一条,网页和 App,先用免费额度验能力。 kimi.com 和 Kimi App 已经默认能选 K3.1 Pro,想试 3D 就直接进「3D Make」,描述需求让它出 3D 网页或模型。适合判断“这东西对我的活有没有用”,不适合批量干活。
第二条,API,适合有稳定负载的。 到开放平台(platform.kimi.com,老的 platform.moonshot.cn 也还能进)建 Key,两档模型在控制台里是两个独立条目,选错就按另一档计费。三个动作能把成本压下来:把系统提示和固定资料放在最前面保持前缀稳定,让重复输入落进 ¥1.30 的缓存档;输出用 max_tokens 卡住,它确实话多;长任务优先考虑标准版,只有输出占比很高时 Highspeed 才划算——它输入翻倍但缓存命中价没变,反过来讲,吃缓存少的任务用高速版就是纯亏。
第三条,Kimi Code 和 Kimi Work,适合长程编码。 终端里跑 Kimi Code,把 K3.1 Pro 设成主模型,让它自己读仓库、改文件、跑测试。这里必须加熔断:限定单批文件数、连续失败几次就停、变更前先提交检查点。社区已经有过血案——有人在 Kimi Code 里对近 800 个文件做批量重构,5 分钟烧穿了 5 小时的套餐额度,745 次调用失败,目录被改得面目全非。模型越能干,越需要缰绳。
第四条,自己部署,得等 11 月 4 日。 权重放出来再谈。先算清楚量级:2.8 万亿参数,BF16 权重约 5.6TB,FP8 约 2.8TB,4-bit 量化也还有 1.4TB——这不是一两张卡的事,是整机柜的事。个人玩家更适合等社区出更激进的量化版,或者干脆走 API。要提醒的是,许可证没公布之前,别按“Apache 2.0”去做商业规划。
七、六条限制,逐条说清
- 权重没到手。11 月 4 日是承诺,不是既成事实;许可证未知,商用条款可能带收入门槛。
- 单任务 token 约 2.4 倍。单价降三分之一抵不掉,长任务总价反而涨。
- 1M 上下文不是免费的午餐。AA 的长上下文推理分从 88.7% 退到 86.3%,窗口大不等于注意力稳。
- 纯知识推理落后。不带工具的 HLE 51.1%,比 Opus 5.5 低 8.7 个百分点,拿它当“懂得多”的百科会失望。
- 3D 能力分化。参数化建模强,交互式 3D 一般,发布日的刷屏作品不能当交付标准。
- 供给紧、限流在。第三方接入要排队,订阅额度按 token 扣,重度使用先测再买。
八、我的判断
该上的人:活是“长程、多步、要动手”的。批量代码重构、跨文件改造、终端里的自动化运维、Unity/Godot/Blender 脚本、财报里的多步数值核对、浏览器和桌面端连续操作——这些场景它现在能跟 Opus 5.5 掰手腕,价格却只有一半不到。已经在用 K3 且卡在“跑一半就断”的团队,这次升级的收益最直接。还有一类是必须自部署的合规场景,等 11 月 4 日权重落地再说。
可以再等等的人:主要做短问答、摘要、分类、客服的。这些活 DeepSeek V4.1 Flash 和 GLM-5.3-Flash 便宜十倍以上,能力够用,没必要为 3 分的智能指数付 14 倍的钱。订阅重度用户也建议先测额度——你可能会发现,升级后要买的是更高的档,而不是更好的模型。等着拿它做商业分发的,等许可证。
别碰的人:想找个便宜聊天机器人的,它按 token 计价比 Flash 档贵一个量级;显存不够还想本地跑的,2.8 万亿不是家用设备的目标;把 100 万上下文当“永久记忆”的,长上下文推理分已经在退。
最后一句判断:K3.1 Pro 真正改变的不是“国产模型能不能打”——这个 7 月的 K3 已经回答过一次——而是旗舰模型开始按“干完多少活”收费,而不是按“多聪明”收费。它把分数堆在执行层,代价写进了 token 账单。所以这次别问“它比 Opus 强不强”,要问“我这一单活,它跑完要花多少钱、几轮、会不会断”。答案在你的日志里,不在榜单上。
想把这条线的价格脉络连起来看:GPT-6 三档的定价表里有 Astra 那档 $10/$50 的位置和 272K 之后的阶梯,DeepSeek V4.1 Flash 的降价账解释了为什么国产 Flash 档能把价格压到个位数,Opus 5.5 的换模型账是这次对标的另一半。Kimi 这条线上一回被大规模讨论,还是 7 月 K3 放出权重、Harvey 拿它后训练出 Tenet 那阵子。
本文由拾光札记编辑部整理,勘误请联系我们