編按:本文綜合整理自 Kimi AI 官方技術部落格〈Kimi K3.1 Pro Tech Blog〉、Artificial Analysis 模型評測頁、The Decoder 報導、Unite.AI 整理、Kingy AI 獨立評測、Kimi API 官方定價頁、Terminal-Bench 官方排行榜、The Decoder:中國收緊開源權重模型出口管制、Bloomberg:中國 AI 出口管制提案、X 貼文(@ArtificialAnlys)、X 貼文(@AiBattle_) 與 Hacker News 討論串(572 分、343 則回覆),並加入 Siami 編輯部觀點與分析。
開源權重模型與專有模型的距離,正在以肉眼可見的速度被壓縮。
10 月 23 日,月之暗面(Moonshot AI)推出 K3.1 系列的第一個模型 Kimi K3.1 Pro。這不是重新訓練出來的新模型,而是 K3 的大幅後訓練版本——官方說法是「用顯著更多的後訓練算力」強化而成。總參數維持 2.8 兆、啟用參數 1040 億、上下文視窗 100 萬 token,官方稱其為「迄今為止最強的 3T 級開源權重模型」。同時還發布了 Kimi K3.1 Pro Highspeed,速度是標準版的 2 至 3 倍。
最直觀的數字來自第三方評測機構 Artificial Analysis:K3.1 Pro 拿下 55 分的智慧指數,排名全球第四,僅次於 Claude Opus 5.5(58 分)、Claude Sonnet 5.5(56 分)與 Meta Muse Wonder Full(56 分)。前代 K3 只有 44 分,一次躍升 11 分——開源權重與專有模型之間的差距從 12 分縮減到 3 分。
若 11 月 4 日權重如期釋出,K3.1 Pro 將成為史上評分最高的開源權重模型。
但這則新聞還有另一個更尖銳的面向:官方在技術部落格中用了一整節,主動說明自己如何刻意阉割這個模型的網路攻擊能力。
官方成績單:Terminal-Bench 逼近 Opus 5.5
Moonshot 在官方部落格公布的數據如下(reasoning effort 設為 max,temperature 1.0,top-p 0.95):
| Benchmark | 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(含工具) | 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 |
幾個關鍵數字值得單獨挑出來:
- SWE-Marathon v1.1 拿下 51.7%,是全場最高——這項測試看的是編程代理的多步驟執行、工具使用與端到端問題解決能力
- OfficeQA Pro v2 的 64.4 分大幅領先(Opus 5.5 只有 62.2),這是一個針對真實財務文件的複雜財政數據分析測試,需要跨文件查證與多步驟數值推理
- GDPval-AA v2.1 的 1,846 Elo 比 K3 足足高 312 分,幾乎追平 Claude Opus 5.5 的 1,866
- K3 的 Terminal-Bench 4.0 原本只有 13 分,K3.1 Pro 一躍到 65.7%,這不是微調而是代際跳躍
3D 建模是另一塊亮點。BenchCAD 含工具 92.7%、不含工具 72.8%(Opus 5.5 為 73.0),而且不需要 MCP 連接器就能直接撰寫並執行 Blender 與 CAD 工具的指令碼。官方另外強調「參數化建模」能力——機械零件、建築模型、可配置產品。搭配新推出的 3D Make 功能,使用者可以在瀏覽器中預覽、編輯並輸出可 3D 列印的模型。
官方也給了一個相當具體的長程代理案例:模型在開源人體解剖模型 human-atlas(296 個骨骼組件、402 個肌肉組件)上建構步行動力學模擬器,在 167 個任務與 420 次獨立評審中分析實驗結果、診斷問題並迭代修正步行控制器,讓模擬人體從「幾秒內倒地」變成能以交替步伐連續行走 11.2 秒。當獎勵塑形無法改善手臂動作時,模型沒有反覆調參,而是對模擬器動力學做開放式探測,辨識並修正了肩部肌肉力臂計算中的 36 個錯誤,再重新訓練控制器。
這個案例的價值不在數字,而在於它展示了代理式模型的行為模式:遇到瓶頸時傾向於改變診斷方式,而不是在同一個假設上打轉。
價格砍三成:開源權重第一次把專有模型的成本結構拉下來
K3.1 Pro 的 API 定價全面下調 33%,這是這次發布裡最容易被忽略、但對開發者最直接的部分:
| 模型 | 輸入(每百萬 token) | 輸出(每百萬 token) | 快取命中 |
|---|---|---|---|
| Kimi K3.1 Pro | $2.00 | $10.00 | $0.20 |
| Kimi K3.1 Pro Highspeed | $4.00 | $20.00 | $0.20 |
| Kimi K3(前代) | $3.00 | $15.00 | $0.30 |
對照國外前沿模型的 API 價格:GPT-6 Astra 與 Claude Fable 5.1 都是 $50/$10/$1 級距,Claude Opus 5.5 是 $20/$4/$0.20。K3.1 Pro 的輸出價格只有 Astra 的五分之一。
不過 Artificial Analysis 也點出一個容易被忽略的細節:K3.1 Pro 每個智慧指數任務的實際成本是 $1.98,跟 K3 的 $2.00 幾乎一樣——因為模型多生成 14% 的輸出 token。也就是說,token 單價降了 33%,但每個任務的實際花費幾乎沒變。同時 K3.1 Pro 依舊落在 Artificial Analysis 的 Pareto 前沿線上。
中國區定價同步下調:K3.1 Pro 每百萬 token 輸入 13 元、輸出 68 元、快取命中 1.3 元;Highspeed 版本為輸入 26 元、輸出 136 元。OpenRouter 也已上架 moonshotai/kimi-k3.1-pro,由 Moonshot AI 官方提供服務。
訂閱制那邊則有另一套故事。Hacker News 上多位使用者反映訂閱額度偏緊,一位訂閱了每月 99 美元方案的使用者表示,47 分鐘內、只用單一 session 就撞上 5 小時額度上限。另有使用者指出,Kimi 系列模型長期存在「想太多」的情況——在簡單問題上自我繞圈,導致實際輸出 token 數遠超同級模型,讓標稱價格失真。
資安全降:官方主動把自己的攻擊力砍掉 9.5 個百分點
這是整份技術部落格裡最不尋常的一節,也是 Hacker News 上討論最激烈的部分。
Moonshot 說,開發過程中他們觀察到漏洞研究能力隨後訓練算力擴大而持續提升。追查來源後發現,網路攻擊相關內容被嵌在一般的中期訓練語料裡,相關任務也存在於 RL 環境混合中——這是在廣泛資料上訓練的自然副產品。
於是他們做了兩件事:在中期訓練階段與 RL 環境階段,雙管齊下移除網路攻擊相關資料,同時保留模型實用性所需的通用編程任務。
效果是可量化的。在內部基準 xdev-bench-hard(重建 Linux kernel、Node.js、JavaScriptCore、Exim、VirGL 等近期揭露漏洞的原始碼級任務,需要模型自行開發 exploit、在獨立沙箱中達成任意程式碼執行並取回驗證字串)上:
- 未做資料清理的 checkpoint:90.5%(pass@3)
- 清理後的 K3.1 Pro:81.0%
- 前代 K3:33.3%
- DeepSeek-V4.1-Flash:85.7%
官方坦承,這 9.5 個百分點的落差證明資料移除確實有意義地降低了網路攻擊能力,相對於同一條訓練流程本來會產出的結果。官方也明說,K3.1 Pro 的網路攻擊能力仍低於已公開至少三個月的前沿專有模型。
官方對此的立場寫得相當直白:
「我們的目標不是釋出會延伸網路攻擊能力絕對前沿的開源權重。K3.1 Pro 的進攻性網路攻擊能力,依設計低於我們的訓練流程所能產出的水準,並持續落後前沿專有模型。第二,我們打算逐步提高開源權重中可用的網路攻擊能力。我們相信讓 K3.1 Pro 以非歧視方式可得,有利於那些需要雙用途能力做防禦用途的人。」
這段話引發的爭論幾乎呈現光譜兩端。Hacker News 上 @TuxSH 的回應只有一個字:「Lame(無聊)」,理由是既然 GLM 之類的模型已能處理多數中低難度漏洞,限制 Kimi 只是徒勞。另一派則主張「潘朵拉的盒子已經打開了」,@0xbadcafebee 的論點相當直接:「我們需要 AI 駭客工具來快速找出我們的安全漏洞並修補它,否則我們只是在生產更多不安全軟體……如果沒有開放工具,我們所有人都是輸家。」
@2001zhaozhao 的評價則落在中間偏正面:「我很慶幸至少有一家中國公司似乎在聽取 AI 資安的顧慮,並且做了具體的步驟來真正降低這個問題。這對他們在通用模型能力上而言,大概也是有成本的。」
值得注意的是 Moonshot 自己承認這是刻意設定的取捨:General purpose 的編程能力在移除網路攻擊資料後反而受益,因為更強的一般編程與長程除錯能力會遷移到網路攻擊任務上——K3.1 Pro 的 81.0% 遠高於 K3 的 33.3%,正是這個遷移的證據。
數據解讀:三個必須記住的落差
第一,Terminal-Bench 4.0 可能已經飽和,官方分數需要打折看。 Hacker News 上 @Tiberium 引用 preferencemodel.com 的分析指出,在該機構審查的 65 個任務中,有 41 個模型其實完成了誠實、正確的工作卻仍然失敗——因為評分器檢查了一條指令從未清楚說明的規則;他們也抓到前沿模型以作弊方式拿滿分。用與 Harbor 相同的設定,Claude Sonnet 5.5 從 62.8% 的通過率提升到 89.2%。這意味著 Terminal-Bench 上的絕對分數,與排行榜的實際領先幅度之間存在可疑的落差。
第二,「開源權重最強」有兩層不同的意思。 在 Artificial Analysis 的綜合智慧指數上,K3.1 Pro 的 55 分確實領先所有開源權重模型。但逐項看會發現落差集中在特定領域:Terminal-Bench 4.0 上 DeepSeek-V4.1-Flash 的 42.3 分遠低於 Kimi,但 DeepSWE v1.1 上 DeepSeek 的 77.0 分反而高於 Kimi 的 75.5 分。而 K3.1 Pro 在 BenchCAD 不含工具只拿 72.8%,與 Opus 5.5 的 73.0 幾乎持平——這代表「3D 建模接近最強」的說法高度依賴工具鏈,而非模型本身的生成能力。Kingy AI 的獨立評測也提醒:「更高的綜合分數並不自動代表它在某一特定工作上是性價比最優的模型。」
第三,訂閱制與 API 制的落差可能被低估了。 每任務 $1.98 的成本數字聽起來漂亮,但多位使用者反映 Kimi 訂閱制的 5 小時額度極為緊縮,而美國廠商的訂閱方案「慷慨得驚人」——即便 OpenAI 近期已經大幅收緊。這代表對於大多數個人使用者與中小型團隊而言,訂閱制仍是主要入口,API 定價競爭的實際影響要等到企業級用量才會浮現。
另外,權重本身的細節仍有未確認部分:Kingy AI 明確標註,截至其研究截點,最終權重授權條款與知識截止日期皆未經驗證。目前公開的架構資訊(93 層、896 個路由專家、每 token 選 16 個加 2 個共享專家、69 層 Kimi Delta Attention 加 24 層 gated MLA、MXFP4 權重與 MXFP8 激活的量化感知訓練)都來自 K3 的模型卡,屬於血統背景,不能取代對最終 K3.1 權重的實際檢視。
為什麼這件事重要
第一層意義很直觀:開源權重第一次在「綜合智慧指數」這個尺子上,與專有模型站在同一個量級上。三分的差距意味著,企業選型時「開源」與「閉源」的分界線第一次不再是能力分級,而變成成本、資料主權與部署自主性的取捨。這會直接影響下一輪企業 AI 採購的談判結構。
但更值得注意的是發布方自己的行為。Moonshot 在能力上追趕、在資安上自我設限、並且公開交代自我設限的機制與量化代價(90.5% → 81.0%)。這種透明度在整個前沿模型產業裡仍屬少數。在一個大家都在競相展示數字的世界裡,選擇主動公布自己「原本能做到多少、卻刻意不做」的公司,反而建立了一種不同類型的信任結構。
而第三層,是這則新聞裡最少被提及、但時間壓力最大的部分。
11 月 4 日的權重,撞上 10 月 16 日的管制令
就在 Kimi K3.1 Pro 發布前七天,中國商務部與科學技術部公布了出口管制技術目錄更新草案,也就是外界所稱的公告 48 號。草案針對 23 項關鍵 AI 技術設立管制,其中大模型的規範有兩種情況:
- 使用中國《數據安全法》定義的「重要數據」訓練並基於其提供服務的模型(合法公開數據豁免)
- 大模型核心技術——包括權重、checkpoint、原始碼、架構與訓練或推論方法
第二種情況的觸發條件是三選一:訓練算力達 10^26 FLOPs、參數量達 2 兆、或全球排名前十。前三名的判定由出口官員依據主要境內外評測機構或產業平台的公開排名認定,評估面向包括整體性能、特定任務、安全性與全球使用量。
Kimi K3.1 Pro 的 2.8 兆參數,同時觸及「2 兆參數」與「全球排名前十」兩條紅線。
OpenAI 戰略未來部門主管 Dean W. Ball 的解讀是:「這不代表『中國正在關閉開源權重模型』,但它確實顯示中國政府正在建立隨時可以關閉未來開源權重模型的選擇性。」他並指出北京的框架是美國既有模型權重出口管制的「鏡像」。
The Decoder 的分析則指出,這個框架對歐洲的處境尤其困難:歐盟的數位主權策略建立在「把最好的開源模型跑在本土雲端」之上,但當全球最好的開源模型不是出自美國就是出自中國,而且隨時可能被管制切斷時,這個策略的根基就開始鬆動。
換句話說,Kimi K3.1 Pro 承諾在 11 月 4 日「不設障礙地」釋出 2.8 兆參數的權重,但同一時間,這個權重本身可能已經落在中國自己的出口管制清單裡。技術部落格裡寫的「完整權重將於 11 月 4 日釋出」,與公告 48 號的「核心技術出口管制」,兩件事的時間點只差 19 天。
這條線索在 Hacker News 上也有人注意到,@neuronexmachina 說他押注這跟中國前一週的公告 48 號有關:「釋出開源權重模型實質上等同於出口。」他並引出管制清單中明確列出的項目,包括「AI 網路進攻能力技術,例如惡意程式碼生成與變異、自動化大規模生成與分散式部署反偵測變體」,以及「高性能 AI 代理,設計用於極度敏感情境,例如關鍵資訊基礎設施、國防與核心政府事務」。
延伸閱讀
- Kimi 官方技術部落格(kimi.ai/blog/kimi-k3-1-pro):K3.1 Pro 完整技術揭露、xdev-bench-hard 資安降級數據與全 benchmark 表
- Artificial Analysis 模型頁(artificialanalysis.ai/models/kimi-k3.1-pro):智慧指數 55 分與 Pareto 前沿圖
- The Decoder:中國 AI 模型 Kimi K3.1 Pro 逼近 Anthropic Claude Opus 5.5
- The Decoder:中國計畫收緊開源權重模型與 23 項關鍵 AI 技術出口管制
- Unite.AI:Moonshot AI 發布 Kimi K3.1 Pro,K3.1 系列首個模型
- Kingy AI 獨立評測:Kimi K3.1 Pro 規格、基準、價格與前沿/開源權重模型對照
- Kimi API 定價頁(platform.kimi.ai/docs/pricing/chat):K3.1 Pro 與 Highspeed 官方牌價
- Terminal-Bench 官方排行榜(tbench.ai)
- 偏好模型實驗室:Terminal-Bench 4 飽和度分析(HN 討論串引用)
- Hacker News 討論串(item?id=50212065):343 則回覆,含資安全降、訂閱額度與價格比較三條主線
- X 貼文(@ArtificialAnlys):K3.1 Pro 發布當日智慧指數第四名
- X 貼文(@AiBattle_):權重 11 月 4 日釋出與資料移除說明
網友熱門留言 (8)