月之暗面Kimi K3.1 Pro发布：3万亿参数开源权重在即，多任务智能体能力跃升但陷付费推广争议

中国AI初创公司月之暗面（Moonshot） 于周五刚刚发布了其最新、参数规模最大的大语言模型（LLM） ： Kimi K3.1 Pro 是其前代模型Kimi K3的3万亿参数后训练版本 Kimi K3 该模型于今年7月发布，此次发布有望成为历史性事件。

这是因为Kimi K3.1 Pro在第三方基准测试中得分极高——据月之暗面公司及 第三方AI模型评测机构Artificial Analysis称 ——当月之暗面以开源许可证形式发布该模型权重时，Kimi K3.1 Pro几乎必然将成为全球排名第一的开源权重AI模型；该公司表示，这一发布将于一周半后的2026年11月4日进行。

目前，Kimi K3.1 Pro已在Artificial Analysis的Intelligence Index（智能指数）上超越小米MiMo-V2.6-Pro、DeepSeek V4.1-Flash-1017、Meta新发布的Muse Wonder，甚至OpenAI的GPT-6 Astra。 Artificial Analysis的Intelligence Index（智能指数）。

该模型在复杂编程、金融分析、3D内容生成及软件安全工作方面表现卓越，在需反复编程、调用工具、调试与修订的任务中展现出尤为显著的性能提升。

目前，开发者和用户可通过其应用程序及开发者 应用程序编程接口（API）访问该模型；其输入与输出费率仅为Claude Opus 5.5和Meta Muse Wonder的一半，尽管DeepSeek与小米的费率仍更低。

然而，它也已成为社交网络X平台上一起 涉嫌付费网红营销丑闻 的焦点。

最大提升体现在持续性编程与工具驱动型任务中

Kimi最显著的改进出现在需智能体执行一系列操作而非仅回答一道难题的评测场景中。

The 总体结果来自Artificial Analysis；其 Cyber Index 及发布结果提供安全性能对比。百分比、指数点与Elo评分衡量的是不同维度，不应跨行比较。

对于开发团队而言，终端结果表明Kimi值得在代码仓库维护、调试以及交替执行文件检查、代码编辑、测试运行和故障响应等工作流中进行评估。商业软件结果支持对执行多项关联操作的智能体进行测试。这些是试点选型的启示，而非对公司自身应用效果的实测保证。

评测方的 当前Kimi–Opus对比 还显示，Kimi在AutomationBench-AA（73%对70%）和GDP.pdf文档推理（31%对26%）方面领先；而Opus在Humanity’s Last Exam（61%对52%）和CritPt（32%对25%）方面保持领先。这种分化倾向表明应按具体工作负载选择模型，而非将综合排名视为普适性排序。

在其他独立测试中，提升幅度较小：Humanity’s Last Exam从47%升至52%，CritPt物理评测从23%升至25%，SciCode从59%升至61%。证据更强烈地指向任务执行能力的提升，而非各类推理能力均出现同等规模的跃升。

月之暗面（Moonshot）自身的对比提供了另一视角：

月之暗面（Moonshot）汇总这些对比 数据源自其自身测试及外部报告的分数，但各对比所用智能体软件与评测条件存在差异。它们并非单一受控的直接对照试验。

该公司在Terminal-Bench上的结果亦不同于Artificial Analysis：月之暗面（Moonshot）显示Kimi略逊于Opus，而独立评测方则报告Kimi以67%领先。两项结果均支持Kimi具备竞争力；但均未确立其在编程领域的普适性优势。

对于科学计算团队而言，Science结果是评估中保留其他备选方案的理由。在月之暗面（Moonshot）的对比中，Kimi在该指标上落后Astra达30分、落后Opus达25.2分，尽管其在其他编程评测中表现强劲。

API定价：低于Opus，与Sonnet持平，高于DeepSeek

月之暗面（Moonshot）的 API平台 将K3.1 Pro定价为每百万输入token 2美元、每百万输出token 10美元、每百万缓存输入token 0.20美元。该费率较Kimi K3低三分之一。

Highspeed 版本的输入费用为 4 美元，输出费用为 20 美元，缓存输入费用仍为 0.20 美元。Moonshot 声称其在速度上约为现有模型的两到三倍，同时具备同等智能水平。更快的模型生成速度应与完整工作流的总耗时分开评估，因为后者还需等待工具调用、构建和测试等环节。

以上为截至2026年10月24日公布的美元代币费率，不含额外工具费、缓存写入费用、税费及协商折扣。所列OpenAI费率适用于最多272,000个输入代币；更长请求适用更高费率。DeepSeek文档将其Flash API映射至1017模型，并在指定工作日时段之外（含全部周末时段）适用非高峰价格。GPT-6 Sol列入本网络比较；其文档将GPT-6.1 Sol标识为更新型号。

标准版Kimi每输入或输出代币成本比Opus 5.5和Muse Wonder低50%，比Astra所列基础费率低80%。但其在输入/输出方面未对Sonnet 5.5提供折扣，而Sonnet 5.5在广义智能指数（Intelligence Index）上得分高出1分。Sonnet对缓存输入的收费也更低。

相较于DeepSeek的峰值费率，Kimi对未缓存输入收费约高6.7倍，对输出收费约高8.3倍。支付该溢价的理由在于特定工作负载下更优结果，而非泛泛宣称面向开源权重（open-weight-oriented）的模型价格低廉。

虚幻引擎（Unreal Engine）、计算机辅助设计（CAD）与金融模型：月之暗面（Moonshot）声称其可构建的内容

月之暗面（Moonshot）的 编程演示 明确将Unreal Engine与Unity及Godot并列。该公司称Kimi可将游戏引擎工作与网页研究及3D生成相结合，产出完整的交互式体验。它还强调了浏览器界面、Three.js场景，以及在布局、动画和视觉呈现方面的改进。

对企业而言，这些主张暗示试点应用场景包括交互式产品演示、培训模拟、游戏原型及基于浏览器的可视化。但它们并未确立仅凭一次API调用即可交付可供生产的Unreal项目：周边智能体（agent）仍需访问引擎、项目文件、工具及验证输出的方式。

3D工作范围超出游戏领域。月之暗面称Kimi可将文字简报、草图或参考图像转化为模型；可处理现有资产集合；并可通过Blender或CAD脚本修改几何结构、材质及场景布置，且此类脚本化操作无需MCP连接器。

该公司特别强调机械部件、建筑、可配置产品及家具的可调节设计。其3D Make应用允许用户在线检查与编辑模型、下载用于3D打印，或导出视频与实况照片（Live Photos）。

这使得设计探索与原型生成成为可行应用。但BenchCAD结果衡量的是重建质量，而非制造公差、结构完整性或监管审批。工程团队在将生成部件视为可投入制造前，仍需执行其既有的验证流程。

该区别具有实质意义：所报告的智能体调查了环境中的缺陷，而非无休止地调整其所奖励的行为。这仍是公司演示，而非独立证据，无法证明其在各类工程项目中具备同等可靠性。

金融是另一明确目标领域。月之暗面描述了电子表格建模、投资筛选、盈利能力分析，以及可将结论追溯至证据的研究。其内部测试报告称，在金融建模方面提升7.2分，在研究方面提升11.6分，并在模拟商业管理练习中得分约为其前代产品的4.2倍。

独立的GDPval-AA结果与月之暗面的OfficeQA结果为测试以文档密集型为特征的分析师工作流提供了理由。适宜的试点可包括：准备有来源依据的初稿、跨多份申报文件核对数据、以及汇编供分析师审阅的工作簿。其内部模拟管理结果并未确立现实世界中收入或生产力的相应增长。

更多后训练——以及一个能在模拟器中发现故障的智能体

月之暗面将此次升级归因于Kimi K3大幅增加的后训练量，包括在数百个任务领域中进行强化学习。此阶段即模型通过尝试任务所获反馈进行学习的阶段。

该公司描述了该过程各环节的改进：训练软件、长上下文处理、计算效率、隔离式工具环境、尝试调度，以及对环境质量的检查。其解释重心在于使更大规模的训练稳定运行；并未指出新发明的模型架构，亦未量化训练成本的突破性进展。

一项报告中的步行模拟器实验为月之暗面所寻求的行为提供了具体示例。

Kimi围绕 human-atlas构建了一个模拟与训练流水线，human-atlas是一种解剖学模型，包含296个骨骼元素与402个肌肉组件。在167项任务与420次独立评审中，月之暗面表示其反复修订控制器，直至模拟人体从数秒内跌倒提升至连续交替迈步达11.2秒。

当奖励调整未能改善手臂运动时，该模型调查了模拟器的动力学，修正了36处肩部肌肉力臂（moment-arm）计算错误，并重新训练了控制器。

其企业相关性在于调试模式：调查环境本身是否存在错误，而非反复调整同一无效方案。这是工程类智能体值得考察的行为。但该特定结果仍属公司演示，而非证明其可在不熟悉的工业模拟中实现可重复性能的证据。

网络安全防御是强项，但综合得分掩盖了权衡取舍

《 网络安全指数（Cyber Index） 》评估发现漏洞、复现漏洞及修复漏洞（同时不破坏现有软件）的能力。Kimi 64%的综合得分使安全团队有理由测试其在代码审查与修复辅助方面的表现，包括需反复调查的复杂代码库。

其分项得分说明为何模型选择仍取决于具体任务。

Kimi在CyberGym-E2E-AA上以95%领先，高于Daybreak Blue的93%。在CWE-Bench-AA上，DeepSeek以69%领先，高于Daybreak Blue的65%与Kimi的61%。在DeepsecBench-AA上，Kimi得分为37%，落后于Daybreak Blue的48%。

人工分析公司（Artificial Analysis）亦报告Kimi在这些任务中未出现任何安全拒绝响应。部分竞品因服务拒绝请求而失分。因此该排名既反映能力，也反映被测服务允许开发者执行的操作；并未单独剥离模型的最大技术能力。

月之暗面表示，其已通过移除网络安全相关训练材料及过滤强化学习任务，单独限制了进攻性安全（offensive-security）能力。在其内部漏洞利用开发评估中，未过滤版本在最多三次尝试内解决了90.5%的问题，而最终模型解决率为81%。该公司称，更广泛的编码改进即便经上述干预，仍可迁移至安全工作。

在部署方面，这些结果支持开展一项监督式漏洞研究或补丁建议试点。但它们并未证明智能体可在未经测试和审查的情况下，安全地将每一项建议修复应用到生产基础设施中。

每个完成工作流的成本比代币折扣更重要

Artificial Analysis 的发布报告指出，Kimi 每 Intelligence Index 任务收费 1.98 美元，较 K3 基本持平。平均输出量从约 48,000 个 token 上升至 55,000 个 token，有助于吸收较低的单价。

其 实时对比页面（截至 10 月 24 日核查）则列出 Kimi 为 2.11 美元，Opus 5.5 为 5.98 美元。发布报告与实时页面中的 Kimi 数据存在差异，但后者的对比仍显示 Kimi 的实测成本比 Opus 低约 65%；该数据并非对企业各项任务所能节省费用的预测。

网络安全评估显示出更显著的权衡关系：

Artificial Analysis 将 Kimi 相较于 K3 约 15% 的成本上升归因于输入 token 消耗量大致翻倍。相较于 DeepSeek，Kimi 的得分提升了七个百分点，但每项已评估任务的成本约为 DeepSeek 的 6.7 倍。

这提示了一项具体的部署实验：对模型能令人满意处理的工作采用成本更低的模型，而将 Kimi 用于未解决或更困难的案例。此类路由策略是否节省成本，取决于重试与失败的成本；已发布的成果并未衡量该提议方案。

Kimi 计费文档 还指出，重复前缀会启用自动缓存，通常缓存有效期为五分钟，且缓存写入操作按保留时长单独计费。对于反复处理大型代码仓库或文档的团队，应测量缓存写入量与命中率，而非仅依据输出量估算账单。

对企业试点而言，有意义的对比指标是每个被接受交付成果的成本，该成本需包含工具执行、重试及人工修正，并同时考量完成时间与失败率。

开发者需查验的不仅限于模型名称

API 标识符为 kimi-k3.1-pro 和 kimi-k3.1-pro-highspeed。Moonshot 的 参数参考文档 称二者均遵循 Kimi K3 的约束条件。

推理努力度（Reasoning effort）可接受 low、 high或 max，默认值为 max。在对话过程中更改努力度将使前缀缓存命中失效。开发者应针对预期设置进行基准测试，而非假设低努力度调用能够复现高努力度发布测试的最高分。

文档还规定温度（temperature）固定为 1.0，top-p 固定为 0.95，并支持自动、禁用或强制的工具选择。对于多步骤交互，应用程序必须完整保留返回的助手消息，包括其中的推理内容。

在适配现有智能体时，这些细节至关重要：保留的对话状态、工具处理方式及缓存行为均可能影响结果与成本。此外，API 模型还需配套的执行环境，才能复现该公司在代码、CAD 及游戏引擎方面的演示。

Moonshot 列出的访问途径包括其网页与移动应用、Work 和 Code；并表示 API 客户可启用零数据留存（Zero Data Retention）。企业管理员必须手动启用 K3.1 Pro，因为组织级访问默认处于禁用状态。

有关未披露网红推广的指控使此次发布变得复杂

Kimi K3.1 Pro 的首发还因被指要求网红在未向 Moonshot 披露商业关系的情况下推广该模型而受到审视。

X 平台用户 Elshayib 发布了他所称的 Kimi 推广活动说明截图，并表示自己拒绝按此条款参与。据称的说明要求创作者提交草稿以供审批，并包含如下指示：“请勿添加‘付费合作’标签。””，这将违反多项美国法律，且很可能也违反其他公司的相关法律。

建议的发言要点将Kimi描绘为Anthropic公司Claude Opus 5.5的开源等效版本，价格仅为后者的几分之一。

关键事实仍未厘清。 Pekingnology的报道 明确指出，该文件尚未经过独立验证。目前尚不清楚这些指示是否源自Moonshot、外部代理机构还是其他方；有多少创作者收到了这些指示；或是否有人依据这些条款发布了获得报酬的推广内容。

截图的传播并不能证明Moonshot授权了一项未披露的广告活动。截至10月25日，在本小节所审阅的材料中，未发现该公司对上述具体指控作出经确认的回应。

但披露问题仍然重要。 X平台的政策 要求在符合资格的帖子中明确标注“付费合作”标签。 美国联邦贸易委员会（FTC）指南 同样要求清晰披露推荐者与品牌之间的实质性关联，包括付款或免费提供的产品与服务。某项特定推荐是否违反上述标准，取决于实际关系、内容及披露情况——而不仅取决于所谓活动简报是否存在。

对企业采购方而言，实际关切在于：看似独立的推荐是否隐含未披露的激励因素。采购团队应向评审人员询问付款、信用额度及编辑审批情况，并将定价与部署声明与已发布的条款进行核验。鉴于K3.1 Pro的模型权重尚未发布，且其生产级API按使用量收费，“开源”或“免费”等笼统描述需加以限定说明。

这些指控本身并不否定独立基准测试结果的有效性。它们确实进一步凸显了区分宣传热情与可复现证据的重要性：即模型在企业自身工作负载上的表现、总体运营成本、数据处理条款，以及可部署权重的可用性。

Kimi在企业候选清单中的定位——以及它目前尚不适用的场景

此次发布所提供的证据支持开展若干针对性评估，而非全面替代现有模型。

这是基于已发布证据对模型试点应用场景的评估；此次发布并未提供这些企业工作负载的生产环境采纳率。

鉴于Moonshot在科学类比较中存在巨大差距，科学工作负载尤其需要谨慎对待。对于高频率常规任务，若DeepSeek与MiMo价格显著更低，则选用Kimi仍需强有力的品质合理性支撑。

此外，这些结果亦不足以支撑未经审核的财务结论或自动实施生产变更。Artificial Analysis报告显示，Kimi的AA-Omniscience幻觉率从53%降至44%，准确率则从48%升至51%。Moonshot单独开展的内部压力测试则报告称，其在主张层面的错误率由23.4%下降至8.3%。这两项测量方式不同，且均不能作为日常错误率的保证。

最后，要求立即实现自主托管的组织目前尚无法通过K3.1 Pro满足该需求。最终模型权重、许可条款及生产部署要求仍未公布。托管API所承诺的“零数据留存”并不意味着特定数据所在地、合同条款或基础设施要求已获满足。

在模型权重发布之前，使用Moonshot API的企业必须将其输入数据交由外部服务处理，而该服务的 国际隐私政策注明服务器位于新加坡，而非假定处理过程保留在美国境内。在中国开发AI正面临更严格审查的背景下，这一情况可能令政府供应商尤为审慎：继VentureBeat报道过的相关限制措施之后， VentureBeat曾报道过一项 美国国土安全部（DHS）命令 已将DeepSeek排除在民用联邦采购之外，并要求各机构系统移除其产品及受涵盖的第三方实现。该命令虽未针对Kimi，但仍为潜在用户提供了另一理由——在发送敏感资料前，须核实数据处理地点及政府合同要求。

考虑采用Kimi的最强理由在于：其多步骤任务性能具竞争力、标准代币价格低于多个旗舰竞品，且承诺提供独立运行该模型的路径。而保留替代方案的最强理由同样具体明确：更低价模型可能已满足任务需求、专有竞品在部分评测中仍具优势，且自主托管仍是未来选项。

对企业团队而言，下一步是在其最难处理的重复性工作中开展范围受限的对比测试——衡量被接受的结果数量、总成本及节省的时间——同时等待11月模型权重发布，以确定其部署灵活性是否与基准测试所承诺的表现相符。