10 月 23 日，月之暗面发布 K3.1 系列首批模型 Kimi K3.1 Pro 与 K3.1 Pro Highspeed。官方将其定位为「迄今最强的 3T 级开源权重模型」，上下文窗口 100 万 token，完整权重定于 11 月 4 日放出。与前代 K3 相比，这一代没有更换基座：K3.1 Pro 在 K3 之上做了规模显著更大的后训练，主要增量来自跨数百个下游领域的联合强化学习（joint RL）。Artificial Analysis 页面给出的参数量为 2.8 万亿。
后训练成为主战场
官方博客对方法的描述集中在工程层：为了让大规模联合 RL 在数百个领域同时推进，团队优化了整个栈的每一层，包括 RL 框架、长上下文推理、训练效率、沙箱基础设施、rollout 调度，以及一个用于环境质量检查的共享平台。官方称这样做的目标是让每一份 RL 算力增量都能兑现为稳定、可预期的收益。基座与后训练的分工在这代模型上变得清晰：K3 提供参数规模与通用能力，K3.1 Pro 的提升几乎全部来自后训练阶段。
官方 benchmark 总览图列出了 14 组对比，评价条件统一为最高思考档位，图注同时说明 Claude 系列可能包含 fallbacks、GPT 系列可能包含 cyberguards。K3.1 Pro 在其中多组登顶，也有数组落后，下面分别展开。
编码：Terminal-Bench 逼近 Opus 5.5
编码是这代提升最大的方向。Terminal-Bench 4.0（在资源受限的真实终端任务上评测编码智能体，采用严格的任务级测试）上，K3.1 Pro 拿到 65.7%，超过 GPT-6 Astra 的 58.2%，与 Claude Opus 5.5 的 66.4% 差 0.7 个百分点。在内部基准 Kimi Code Bench 3.0 Long-horizon（考察多步执行、工具调用与端到端问题解决）上，K3.1 Pro 得分 61.2%，K3 为 55.95%。SWE-Marathon v1.1 上 K3.1 Pro 以 51.7% 排在六家模型首位，Opus 5.5 为 46.3%。
官方给了一个长程调试的实例。在开源解剖模型 human-atlas（包含 296 个骨骼组件与 402 个肌肉组件）上，K3.1 Pro 需要训练一个行走控制器：167 个任务、420 次独立评审中，它分析实验结果、诊断问题、迭代控制器，让模拟人从几秒内跌倒改善到以交替步态连续行走 11.2 秒。奖励塑形对上肢动作无效时，它没有继续调奖励函数，而是对模拟器动力学做开环探测，定位并修正了肩部肌肉力臂计算中的 36 处错误，再重新训练控制器。这种「越过奖励函数、直接审计环境本身」的行为模式，是长程 RL 后训练的直接产物。
3D 建模：无工具模式逼近 Opus
BenchCAD（从多视角渲染通过 CAD 代码生成做三维重建）上，K3.1 Pro 带工具得分 92.7%，接近 Opus 5.5 的 96.2% 与 GPT-6 Astra 的 95.9%；不带工具的单次生成得分 72.8%，与 Opus 5.5 的 73.0% 基本持平，领先 Fable 5.1 的 60.6%。官方特别强调参数化建模能力：无需 MCP 连接器，模型可以直接编写并运行 Blender 与 CAD 软件的脚本，完成资产构建、组件编辑与几何、材质、场景调整。配套产品 3D Make 已在 kimi.ai 与 Kimi App 上线，支持在线预览编辑、3D 打印就绪下载与视频、Live Photos 导出。
金融：幻觉率从 23.4% 降到 8.3%
金融是 K3.1 Pro 的另一个主打方向。OfficeQA Pro v2（在真实财务文档上做检索、跨文档核对与多步数值推理）拿到 64.4 分，超过 Opus 5.5 的 62.2 分。三项内部金融基准中，Financial Modeling（公式联动与建模质量）较 K3 提升 7.2 分，Financial Research（证据与截止约束下产出可审计研究）提升 11.6 分，Business Operation（模拟商业环境中的长程管理与决策）达到 K3 的约 4.2 倍。
金融场景对事实准确性的要求推动了针对性改进。在内部压力测试基准 Kimi Hallu Bench Hard 上，K3.1 Pro 的声明级幻觉率从 K3 的 23.4% 降到 8.3%，含至少一处事实错误的回答占比降为 K3 的 42.4%。官方同时注明这是刻意构造易错场景的压力测试，比率不代表日常使用的整体错误率。横向对比（带工具的 Hard 档）：GPT-6 Astra 5.5%，K3.1 Pro 8.3%，Opus 5.5 15.0%，GLM-5.3 22.6%，DeepSeek-V4.1-Flash 与 Fable 5.1 均为 23.3%。
网络安全：主动让出的 9.5 个百分点
官方博客用了一整节解释攻击能力从哪里来、被控制到什么水平，这是整篇发布材料里信息密度最高的部分。
开发过程中，团队观察到漏洞研究能力随后训练规模稳定上升。溯源发现，网络攻击相关内容混在通用中段训练语料中，攻击类任务也出现在 RL 环境混合里，属于广域数据训练的副产物。内部模型的预实验显示，中段训练与 RL 两个阶段都不做数据剔除时，下游攻击能力会大幅上升。开源发布版因此在两个阶段都识别并剔除了攻击相关数据，同时保留维持模型实用性的通用编码任务。
量化结果来自内部基准 xdev-bench-hard：任务复现 Linux 内核、Node.js、JavaScriptCore、Exim、VirGL 等软件近期披露的真实漏洞并开启缓解措施，智能体需利用给定源码与二进制在独立沙箱内实现任意代码执行、取回秘密字符串完成自动验证，报告 pass@3。未做风险削减的检查点解出 90.5%，最终发布版为 81.0%，同一训练管线下主动让出 9.5 个百分点。参照系：GPT-5.6 Sol 第三方评测 100%，DeepSeek-V4.1-Flash 85.7%，GLM-5.3 57.1%，上代 K3 仅 33.3%。 token 效率上，K3.1 Pro 每条成功轨迹平均消耗 159.8M 输入与 546K 输出，GLM-5.3 为 381.1M 输入与 3.6M 输出，前者的解题路径明显更省。
开源原则部分，月之暗面给出两条：第一，不发布把网络攻击能力绝对前沿向外推的开源权重，K3.1 Pro 的攻击能力在设计上低于自家管线所能达到的上限，也落后于已公开至少三个月的前沿闭源模型；第二，逐步抬高开源权重可用的攻击能力，理由是防御方需要这类双用途能力审计自己维护的代码，尤其是很少获得专门安全评审的遗留系统，能力逐步扩散优于集中在少数闭源系统手中。HN 讨论区对这一节反响强烈，有用户直言开源版拿到的攻击能力同样被削减了。
短板与独立评测
官方总览图没有回避落后项。Terminal-Bench Science 0.1（终端中的科研工作流）上 K3.1 Pro 仅 38.1%，GPT-6 Astra 为 68.1%，Opus 5.5 为 63.3%，差距明显；Frontier Finance 上 58.6% 落后 Fable 5.1 的 60.8%；Kimi Code Bench 3.0 Long-horizon 上 61.2% 也低于 GPT-6 Astra 的 66.5%。科学终端工作流是目前最明显的弱项。
独立评测方面，Artificial Analysis 给出 Intelligence Index 55 分，同类价格档模型中位数为 27 分；单任务成本 2.11 美元，定价为每百万 token 输入 2 美元、输出 10 美元，缓存命中 0.20 美元。两个工程特征被单独点名：评测全程共产出 1.5 亿 token， verbosity 远高于中位的 8700 万，「话多」会直接推高使用成本；输出速度 77.1 token/秒，略低于中位的 81，首 token 延迟 3.08 秒则优于中位的 3.54 秒。速度敏感的场景可以选 Highspeed 版，官方标称 2 到 3 倍于标准版的生成速度。
获取方式
K3.1 Pro 已在全线产品上线：kimi.ai 与移动 App（iOS、Android、HarmonyOS）、Kimi Work 桌面端（3.1.0 及以上版本，支持 Windows 与 Apple Silicon Mac）、Kimi Code（用 /model 命令切换）、Kimi API（模型名 kimi-k3.1-pro 与 kimi-k3.1-pro-highspeed，API 客户户可开零数据保留）。企业版管理员需手动为本组织启用，默认关闭。完整权重 11 月 4 日放出。HN 讨论区对它的整体定位是「最坏情况落后 Anthropic 与 OpenAI 一个月」的前沿级开源模型，也有订阅用户抱怨额度消耗过快，$99 月费计划在单个会话下 47 分钟触顶。