一边是跑分逼近闭源旗舰。

一边是官方主动削弱最敏感的黑客能力。

Kimi 这次发布，最扎眼的并不只是强。

是它把能力和克制放在同一张桌子上。

素材显示，K3.1 Pro 在 Terminal-Bench 4.0 拿到 65.7%，超过 GPT-6 Astra 的 58.2%，距离 Claude Opus 5.5 的 66.4% 只差一点。

更刺眼的是网络安全部分。

如果不删除相关训练数据，内部漏洞利用基准可以冲到 90.5%。

最终发布版被压到 81.0%。

这已经超出常规升级。

这是一次公开的能力取舍。

先把牌摊开：100 万 token、3T 级、高速版

Kimi 这次推出的是 K3.1 系列首款模型：Kimi K3.1 Pro。

官方称它是迄今最强的 3T 级开放权重模型，并给出 100 万 token 上下文窗口。

同时发布的还有 K3.1 Pro Highspeed，速度是 Pro 的 2 到 3 倍。

两者今天上线 Kimi.ai、Kimi Work、Kimi Code 和 Kimi API。

完整模型权重将在 2026 年 11 月 4 日前发布。

K3.1 Pro 站在 K3 的肩膀上。

它是 K3 的后训练版本，官方说法是用了明显更大的后训练算力。

为了在数百个下游领域做大规模联合强化学习，Kimi 把 RL 框架、长上下文推理、训练效率、沙箱基础设施、rollout 调度、环境质检平台都重做了一遍。

听上去很工程。

但核心很直接：让每一份 RL 算力都能稳定换回收益。

代码能力最亮的地方，是会自己找病根

在 Terminal-Bench 4.0 上，K3.1 Pro 得 65.7%。

GPT-6 Astra 是 58.2%。

Claude Opus 5.5 是 66.4%。

在 Kimi 自己的 Kimi Code Bench 3.0 Long-horizon 上，K3.1 Pro 拿到 61.2%，高于 K3 的 55.95%。

说实话，这种逼近闭源前沿的开放权重，已经够有话题。

但更有画面感的，是 Kimi 给的内部测试。

K3.1 Pro 基于开源人体解剖模型 human-atlas 搭建人类行走动力学模拟器。

这个模型有 296 个骨骼组件和 402 个肌肉组件。

任务不只是写个 demo。

它要整合训练和评估流水线，分析实验结果，诊断问题，反复迭代行走控制器。

经过 167 个任务和 420 次独立评审后，模拟人从几秒内倒塌，变成连续交替迈步 11.2 秒。

这里有个细节很硬。

当奖励塑形没法改善手臂动作时，K3.1 Pro 没有继续死磕奖励函数。

它转而对模拟器动力学做开环探测，最后找出并修正了 36 个肩部肌肉力臂计算错误，再重新训练控制器。

这点我挺认同。

真正像工程师的 AI，会知道什么时候该换问题。

3D 建模也被拉进 Agent 战场

代码之外，K3.1 Pro 把 3D 创作当成另一个重点。

在 BenchCAD 上，K3.1 Pro 使用工具后得分 92.7%。

这个基准测试从多视角渲染重建 3D，并通过 CAD 代码生成完成。

它距离 Claude Opus 5.5 的 96.2% 和 GPT-6 Astra 的 95.9% 还有一段距离。

但对开放权重来说，已经很靠前。

更有意思的是，Kimi 没把它只写成生成一张 3D 图。

官方说，K3.1 Pro 能从文字简报、草图或参考图推断形状、比例和空间关系，生成可用 3D 模型。

它也能做参数化建模。

机械零件、建筑模型、可配置产品、定制家具都能碰。

没有 MCP connectors，它也能写脚本调用 Blender 和 CAD 软件，修改部件、几何、材质和场景布局。

3D Make 也已上线 kimi.ai 和 Kimi app。

可以在线预览、编辑、下载用于 3D 打印，或者导出视频和 Live Photos。

老实讲，这一步很关键。

3D 能力如果只停留在看起来像，价值有限。

能进工具链，能编辑，能导出，才算进入生产流程。

金融场景里，最贵的不是聪明，是少胡说

K3.1 Pro 另一个主攻方向是金融。

官方称它在 OfficeQA Pro v2 上拿到 64.4，达到 SOTA。

这个基准要求模型在真实金融文档里检索、交叉验证，并做多步数值推理。

在 Frontier Finance 上，它也超过 K3，覆盖从项目筛选到盈利分析的完整投资工作流。

内部金融基准提升更密。

Financial Modeling 比 K3 高 7.2 分。

Financial Research 高 11.6 分。

Business Operation 约为 K3 的 4.2 倍。

但真正值得盯住的是幻觉。

在 Kimi Hallu Bench Hard 上，K3.1 Pro 的 claim-level 幻觉率从 K3 的 23.4% 降到 8.3%。

包含至少一个事实错误的响应比例，只有前代的 42.4%。

官方也提醒，这是故意压力测试，不代表日常整体错误率。

个人觉得，金融场景里，模型不需要每次都惊艳。

它要的是可核查。

敢给结论，也要能给出依据。

真正的反转：它明明能更危险，却选择收手

如果说前面是能力展示，网络安全部分就是全篇最敏感的地方。

Kimi 说，随着 K3.1 Pro 变强，他们花了更多精力研究网络安全能力从哪里来，以及有多少能被控制。

他们发现，网络安全相关内容本来就嵌在通用中训练语料里。

RL 环境里也有相关任务。

如果不做数据移除，下游网络安全能力会明显上升。

于是他们做了一个很明确的动作。

在开放权重版本中，识别并移除中训练和 RL 阶段的网络安全相关数据，同时保留通用编程任务。

结果在内部 xdev-bench-hard 上，未做风险降低措施的检查点能解决 90.5% 的问题。

最终 K3.1 Pro 是 81.0%。

这个对比很直白。

删除数据确实削弱了网络攻击能力。

但 K3.1 Pro 依然比前代强，因为通用编码和长程调试能力会迁移到网络任务。

Kimi 还给出开放权重原则。

First, we aim not to release open weights that would extend the absolute frontier of cyber capability.

意思很明确：他们不想让开放权重把网络攻击能力推到绝对前沿。

官方称，K3.1 Pro 的进攻性网络安全能力按设计低于其训练管线可产生的上限，也落后于已经公开至少三个月的前沿专有模型。

这点我不太认同的地方是，这个边界很难自证。

你怎么判断绝对前沿？

怎么判断删除的是攻击知识，还是普通系统知识？

热门评论里也有人追问：所谓网络安全数据，会不会本来就是标准软件知识？

还有人说，官方等于承认他们能做更多，但选择不放。

这才是争议核心。

评论区更真实：强，但也不便宜

技术发布是一回事。

用户用起来是另一回事。

素材里的热门评论很有代表性。

有人喜欢 Kimi 的语气，说它比美国模型更直率，甚至会回怼：

We've already been over this 3 times and you refuse to accept my advice, asking the same question another way won't change the answer.

也有人吐槽订阅限制。

有用户称自己买了 99 美元月套餐，结果一个会话 47 分钟就碰到 5 小时配额限制。

还有人说年度订阅几乎没用，因为 5 小时限制让工作流很难连续跑。

价格也被贴出来。

评论区显示，kimi-k3.1-pro 的 API 价格为每百万 token 2 美元和 10 美元，缓存价格更低。

还有人盯着第三方榜单。

Artificial Analysis 指数显示，K3.1 Pro 得分 55，总榜第 4，超过 GPT-6 Astra 和 Fable 5.1，速度也更快。

但它在评估中生成了 1.5 亿 token，相比中位数 8700 万更啰嗦。

有意思的是，这种强但费的组合，很像大模型商业化里的老问题。

跑分能冲上去。

成本、配额、速度、稳定性，才是用户每天要挨的锤。

还有开发者把它放进自研 KillSwitch 基准，称它显著超过 K3，是当前得分最高的开放权重模型，只是速度更慢。

这类第三方说法未必全面。

但它说明一件事：社区已经在拿它和前沿模型硬碰硬。

开放权重的新考题，已经不只是谁更大

Kimi K3.1 Pro 的发布，表面看是开放权重继续追近闭源旗舰。

往里看，是另一件事。

模型公司开始公开讨论：哪些能力要放，哪些能力要压，压到什么程度。

K3.1 Pro 在代码、3D、金融、Agent 上都拿出硬数字。

它也在网络安全上给出一个少见的操作样本。

它没有停留在口号，直接亮出数据移除前后的差距。

这会让开放模型变得更可信吗？

还是会让开发者担心，能力边界被人为裁剪？

当开放权重开始讲克制，真正被考验的，可能已经不只是模型智商。

【锐评】：Kimi 这次卷的重点，已经从跑分变成了开放模型该放什么、藏什么。

参考链接：
https://www.kimi.ai/blog/kimi-k3-1-pro