10月24日凌晨，月之暗面发布了 Kimi K3.1 系列的首个型号 K3.1 Pro，参数规模到了3万亿级，官方称是公司目前能力最强的一个模型，上下文长度支持到100万。同时上线的还有一个高速版 K3.1 Pro Highspeed，智能水平跟标准版一样，输出速度快了2到3倍。
现在在 kimi.com、Kimi App、Kimi Work、Kimi Code 和 Kimi API 上都已经能用上这两个模型，完整的模型权重会在11月4日前放出来。
跑分方面，官方给出的几个关键数字值得记一下。Terminal-Bench 4.0 考的是真实环境里资源受限的终端任务，K3.1 Pro 拿了65.7%，比 GPT-6 Astra 的58.2%高，跟 Claude Opus 5.5 的66.4%差了不到一个百分点。
内部的 Kimi Code Bench 3.0 Long-horizon 测的是多步执行和工具调用能力，K3.1 Pro 得分61.2%，比上一代 K3 的55.95%往上走了不少。
3D 和空间推理是这次重点提的方向。K3.1 Pro 能用 Unity、Unreal Engine、Godot 这些引擎，配合网络搜索和3D生成做完整的东西出来，官方说给一段文字、一张草图甚至一张参考图，它就能推断出物体的形状比例关系并重建出可用的3D模型，还能直接写脚本操作 Blender、CAD 这类专业建模工具，不用额外接 MCP 连接器。
BenchCAD 这项考察多视角渲染图重建3D模型能力的基准上，K3.1 Pro 借助工具拿到92.7%，跟 Claude Opus 5.5 的96.2%、GPT-6 Astra 的95.9%比还有点距离，但差距不算大。kimi.com 和 Kimi app 同步上了3D Make 功能，模型做完能在线预览编辑，还能直接导出去3D打印或者分享到社交平台。
金融场景也是一块重点。OfficeQA Pro v2 这个基于真实金融文档做分析的基准上，K3.1 Pro 得分64.4，是当前最优成绩。几个内部金融基准里，财务建模能力比 K3 提高14%，金融研究能力提升20%，商业运营这项模拟长程经营决策的测试分数差不多是 K3 的4.2倍。
官方还单独提了事实准确性的压力测试结果：在专门设计用来找模型容易出错场景的 Kimi Hallu Bench Hard 测试中，单项事实陈述错误率从23.4%降到了8.3%，包含至少一处事实错误的回答比例降到了前代的约42.4%。这项测试样本是刻意挑容易出错的情况做的，不代表日常使用的整体表现。
API 调用价格方面，kimi-k3.1-pro 每百万 Token 输入价格命中缓存1.3元、未命中13元，输出68元；高速版速度快2到3倍，价格也是标准版的2倍。
值得继续关注的变化
我在意的不是那几个跑分数字本身，是月之暗面这次把重点放在了3D建模和金融分析这两块特别具体的场景上。以前大模型发布会比较喜欢讲通用能力多强，这次 K3.1 Pro 直接把 Blender 脚本、CAD 建模、财务工作簿这些能落地到具体工作流里的东西摆出来，说明厂商自己也清楚，光靠跑分已经很难让用户买账了，得证明这东西真能干活。
为什么会往这个方向走，我觉得是竞争逼出来的。GPT-6 Astra、Claude Opus 5.5 这些对手摆在那，通用智能的差距已经收得很窄了，Terminal-Bench 上 K3.1 Pro 跟 Claude Opus 5.5 只差0.7个百分点，这种微弱差距对用户选择的影响其实有限。
所以要吸引开发者和企业客户，就得找一个别人没那么强调的切口，3D 创作和金融工作流就是这么个切口，一个对应游戏、设计、制造业的刚需，一个对应金融机构的真实付费场景。
对普通用户和开发者来说，这次升级最实际的影响可能是价格和速度的组合。高速版输出快2到3倍、价格也是2倍，这个定价逻辑挺直白，就是给愿意为速度付费的场景一个选项，比如需要实时交互的应用。而输入价格命中缓存只要1.3元每百万 Token，这对那些需要反复调用相似上下文的开发者是实打实的成本优势，我倾向于认为这个缓存价格是月之暗面想留住中小开发者的一个关键筹码。
事实准确性那组数字，错误率从23.4%降到8.3%确实是个不小的进步，但官方自己也说了这是刻意聚焦模型容易出错场景的压力测试，不代表日常表现。这种披露方式我觉得是对的，比一些厂商只报喜不报忧要实在，但也提醒我们看任何模型的"幻觉率"数字时都得先问一句这个数字是怎么测出来的，测试集的选取方式直接决定了数字好看不好看。
放到整个大模型行业里看，参数规模堆到3万亿级这件事本身已经不算新闻了，各家旗舰模型早就在这个量级附近竞争。真正能看出差异的，是模型在专业垂直场景里的落地深度，这也是为什么现在发布会越来越爱讲具体的工作流案例而不是单纯堆参数和跑分表。大模型竞争进入下半场，一个比较普遍的规律是，谁能把能力真正嵌进用户的工作流，谁才能留住人。
也有人会觉得这些跑分和案例终究是厂商自己选的，没有第三方盲测那么有说服力，这个质疑我认可。所以接下来值得看的，是完整权重11月4日前放出来之后，开源社区和独立评测机构会不会给出跟官方数据差不多的结果，这是检验这次发布含金量的一个实在信号。另外 3D Make 功能上线以后设计师和开发者的真实使用反馈，也比任何跑分都更能说明这东西到底好不好用。
