中国 AI 模型 Kimi K3.1 Pro 正在逼近 Anthropic 的 Claude Opus 5.5
Chinese AI model Kimi K3.1 Pro is closing in on Anthropic's Claude Opus 5.5
Moonshot AI 的新推理模型 Kimi K3.1 Pro 在 Artificial Analysis Intelligence Index 上位列第四，仅落后顶级专有模型 3 分。
中国 AI 公司 Moonshot AI 发布了 Kimi K3.1 Pro，这是其前代 Kimi K3 经后训练得到的版本，后训练算力大幅增加。该模型在 Artificial Analysis Intelligence Index 上获得 55 分，较 K3 提升 11 分，位列第四。
根据 Artificial Analysis 的数据，只有 Claude Opus 5.5（58 分）、Claude Sonnet 5.5（56 分）和 Muse Wonder Full（56 分）排名更高。如果 Moonshot 按计划在 2026 年 11 月 4 日前发布该模型的权重，K3.1 Pro 将成为可获得的最高分开源权重模型。假设届时其他情况不变，这将把开源模型与专有模型之间的差距从 12 分缩小到仅 3 分。
除 K3.1 Pro 之外，Moonshot 还推出了一款名为 K3.1 Pro Highspeed 的变体，据该公司称其运行速度快两到三倍。两者目前均可通过 Kimi.ai、Kimi Work、Kimi Code 和 Kimi API 使用。
| 项目 | Kimi-K3.1-Pro | Kimi-K3.1-Pro-Highspeed |
|---|---|---|
| 输入 | $2.00 / MTok | $4.00 / MTok |
| 输出 | $10.00 / MTok | $20.00 / MTok |
| 缓存输入 | $0.20 / MTok | $0.20 / MTok |
智能体任务收益最大
K3.1 Pro 最强的提升体现在智能体任务上。根据 Artificial Analysis，在 GDPval-AA 基准上，它达到 1,846 Elo，比 K3 高 312 分。这使它仅次于 Claude Opus 5.5（1,866）和 Muse Wonder Full（1,857）。在 Terminal-Bench 4.0 上，Moonshot 报告的成绩为 65.7%，领先于 GPT-6 Astra（58.2%），仅落后于 Claude Opus 5.5（66.4%）。K3 在同一测试中仅达到 13%。
幻觉率也大幅下降。据该公司称，在 Moonshot 内部的 Kimi Hallu Bench Hard 上，断言层面的幻觉从 K3 的 23.4% 降至 8.3%。Moonshot 表示，这是一项压力测试，并非对一般错误率的衡量。GPT-6 Astra 在同一基准上的成绩为 5.5%，因此仍然占据优势。
在内部财务基准测试中，K3.1 Pro 在 Financial Modeling 上提升了 7.2 分，在 Financial Research 上提升了 11.6 分。对于一般办公任务，据 Moonshot 称，该模型在 OfficeQA Pro v2 上位居所有受测模型之首。
| 基准测试 | Kimi K3.1 Pro | Claude Opus 5.5 | GPT-6 Astra | Claude Fable 5.1 | DeepSeek-V4.1-Flash | GLM-5.3 |
|---|---|---|---|---|---|---|
| Terminal-Bench 4.0 | 65.7 | 66.4 | 58.2 | 57.9 | 42.3 | 41.8 |
| SWE Marathon v1.1 | 51.7 | 46.3 | 42.5 | 45.6 | 40.0 | 42.5 |
| DeepSWE v1.1 | 75.5 | 74.2 | 74.1 | 67.4 | 77.0 | 66.9 |
| BenchCAD（含工具） | 92.7 | 96.2 | 95.9 | 92.6 | 81.6 | -- |
| HLE-Full（带工具） | 70.0 | 67.7 | 57.2 | 65.6 | 58.8 | 62.5 |
| BrowseComp | 92.1 | 90.8 | 91.5 | -- | -- | -- |
| OfficeQA Pro v2 | 64.4 | 62.2 | 54.4 | 54.5 | 40.4 | 31.1 |
| Automation Bench-AA | 73.3 | 69.5 | 68.5 | 59.4 | 66.6 | 62.2 |
| GDPval-AA v2.1（Elo） | 1,846 | 1,866 | 1,573 | 1,754 | 1,746 | 1,650 |
| GPQA-Diamond | 94.2 | 93.9 | 96.1 | 93.7 | 92.2 | 91.7 |
| ExploitBench | 74.7 | 91.0 | 100 | 83.0 | -- | 54.4 |
Moonshot 的 Kimi K3.1 Pro 基准测试表。所有结果均在推理努力（reasoning effort）设为“max”的情况下得出。
3D 建模与编程
据 Moonshot 介绍，K3.1 Pro 可直接配合 Unity、Unreal Engine 和 Godot 等游戏引擎使用，既能处理快速修复，也能完成完整项目构建。在 BenchCAD 基准测试中，它在使用工具的情况下得分为 92.7%，接近 Claude Opus 5.5（96.2%）和 GPT-6 Astra（95.9%）。在不使用工具的情况下，它达到 72.8%，几乎与 Claude Opus 5.5（73.0%）持平。
Moonshot 表示，该模型在机械零件、建筑模型和可配置产品的参数化建模方面表现最强。它无需 MCP 连接器即可编写并运行用于 Blender 和 CAD 软件的脚本。该公司还在 Kimi.com 上推出了一项名为“3D Make”的功能，让用户可以预览、编辑和导出 3D 模型。
相同规模，更低价格
K3.1 Pro 与 K3 保持相同的规模，总参数为 2.8 万亿，激活参数为 1040 亿。上下文窗口覆盖 100 万个 token，该模型同时处理文本和图像。根据 Artificial Analysis 的数据，它位于帕累托前沿的顶端。在 Intelligence Index 上，没有参数数量相当的模型得分更高。
Token 价格下降 33%。输入价格为每百万 tokens $2（从 $3 下降），输出价格为 $10（从 $15 下降），缓存命中价格为 $0.20（从 $0.30 下降）。每个 Intelligence Index 任务成本为 $1.98，与 K3（$2.00）几乎相同，因为该模型生成的输出 tokens 多出 14%。
网络安全与对攻击性能力的刻意限制
Moonshot 在其技术博客文章中用整整一节讨论网络安全。该公司表示，它观察到随着后训练规模扩大，漏洞研究能力持续增强，因为网络相关内容被嵌入到通用中期训练语料库中，相关任务也被纳入强化学习环境组合。
对于开放权重版本，Moonshot 从两个训练阶段中都剔除了网络相关数据。在其内部基准 xdev-bench-hard 上——该基准复现了 Linux 内核、Node.js 和 JavaScriptCore 等软件中近期披露的漏洞——未清洗版本解决了 90.5% 的任务。数据清洗后，K3.1 Pro 解决了 81.0% 的任务。DeepSeek-V4.1-Flash 在同一测试中达到 85.7%，而 Kimi K3 的得分为 33.3%。
Moonshot 表示，任何开放权重模型都不应推动进攻性网络能力的绝对前沿。与此同时，公司希望逐步提升开放模型的能力，因为它们也可用于审计遗留系统等防御目的。Anthropic 此前表明，即便是在 AA Index 上得分 45 的 GLM-5.3，也能编写出接近 Claude Mythos 水平的漏洞利用程序。
没有炒作的 AI 新闻——由人类精选
订阅 THE DECODER，可享受无广告阅读、每周 AI 新闻通讯、我们每年六期的独家“AI Radar”前沿报告、完整档案访问权限，以及评论区访问权限。
来源：The Decoder · the-decoder.com