Kimi K3.1 Pro 评测：编程 Agent 逼近 Opus 5.5，价格仅三分之一
10 月 24 日凌晨（北京时间），月之暗面把 Kimi K3.1 Pro 推上了线。这是 K3.1 系列的第一款模型，官方给它的定位是“公司迄今最强的 3 万亿级参数模型”，同时附带一个输出更快的 Highspeed 高速版。
发布一周后，第三方榜单的数据也陆续出来了。这篇文章不复述新闻稿，而是把官方数字和独立评测放在一起看：K3.1 Pro 到底强在哪、弱在哪、贵不贵，以及什么场景值得换上它。
一句话结论
- 长程编程 / 终端类 Agent 任务：已经摸到 Claude Opus 5.5 的门槛，是目前国产模型里最接近第一梯队的一款。
- 价格：按每个任务的实际花费算，大约只有 Opus 5.5 的三分之一。
- 短板：不借助工具时的多模态与知识类题目仍落后闭源旗舰；法律、税务类任务甚至比上一代 K3 还退步了。
1）这次发布了什么
严格来说，K3.1 Pro 并不是一个全新的基座，而是在 Kimi K3 上大幅加码后训练得到的版本：总参数约 2.8 万亿（官方口径为“3 万亿级”），MoE 架构，每次推理激活约 1040 亿参数，上下文窗口 100 万 token。
两款模型的智能水平相同，区别只在速度：Highspeed 版输出速度约为标准版的 2～3 倍，价格则是标准版的 2 倍。目前它们已经同时出现在 Kimi 官网、Kimi App、Kimi Work、Kimi Code 和 Kimi API 上。
开源爱好者需要再等几天：月之暗面表示，完整模型权重会在 11 月 4 日前放出，截至本文发稿时 Hugging Face 仓库还没有上线。
2）价格：国内与海外两套定价
| 计费项（每百万 token） | 国内平台 platform.kimi.com | 海外 API |
|---|---|---|
| 输入 | ¥13.00 | $2.00 |
| 输出 | ¥68.00 | $10.00 |
| 缓存命中 | ¥1.30 | $0.20 |
| Highspeed 高速版 | 标准版 × 2 | 标准版 × 2 |
对比上一代，K3.1 Pro 的标价下调了约三分之一。需要提醒的是：K3.1 Pro 始终开启思考模式，无法关闭。也就是说，每次调用都会产生推理 token，简单问答场景下的真实成本会比单看单价时更高。Kimi Code 客户端里可以把思考强度切到 Low / High / Max，日常使用建议从 Low 起步。
3）官方跑分：编程 Agent 是最大亮点
| 基准 | Kimi K3.1 Pro | Claude Opus 5.5 | GPT-6 Astra |
|---|---|---|---|
| Terminal-Bench 4.0 | 65.7% | 66.4% | 58.2% |
| BenchCAD（带工具） | 92.7% | 96.2% | 95.9% |
| MMMU-Pro（不带工具） | 84.1% | 87.7% | 86.9% |
| OfficeQA Pro v2 | 64.4（官方称当前最佳） | — | — |
几个值得关注的点：
- 终端任务几乎追平 Opus 5.5：Terminal-Bench 4.0 只差 0.7 个百分点，并且明显领先 GPT-6 Astra。
- 长程编程进步明显：在内部的 Kimi Code Bench 3.0 Long-horizon 上，从 K3 的 55.95% 提升到 61.2%。
- 金融办公是新卖点：内部的财务建模、金融研究两项分别有两位数的提升，商业运营类任务的得分约为 K3 的 4.2 倍。
- 幻觉率大降：内部测试中的幻觉率从 K3 的 23.4% 降到 8.3%。
不过也要看清口径：K3.1 Pro 的编程类成绩是在 Claude Code 的 Agent 框架下跑出来的，而对比模型的数字取自各家自己的报告或公开榜单。不同来源混在同一张表里，参考价值打个折扣更稳妥。
4）第三方怎么说
发布后一周，几家独立评测机构给出了更“冷静”的数字：
- Vals AI：综合指数 62.52%，在 30 个模型中排第 9；但在 Terminal-Bench 4.0 上排到 55 个模型中的第 3（63.64%），与 Opus 5.5（65.15%）只差约 1.5 分，而 K3 在同一测试中只有 17.17%。
- Artificial Analysis：智能指数 55，比 Opus 5.5 低 3 分、比 GLM 5.3 高 10 分；单任务成本约 2.11 美元，Opus 5.5 约 5.98 美元。
- LiveBench 2.0：Max 思考强度下总分 71.3，高于 K3 的 64.6，但略低于 DeepSeek V4.1 Flash 1017 的 74.0。
Vals 的测试还暴露了一个反常现象：在法律检索（37.50% vs 46.15%）和税务 Agent（24.87% vs 33.37%）两项上，K3.1 Pro 反而不如 K3。看来这次后训练的重心明显偏向编程和金融，其他垂直领域有所取舍。
5）一个少见的细节：主动“削弱”了网络安全能力
因为准备开放权重，月之暗面在训练前专门剔除了网络攻防相关的数据。官方披露：未剔除数据的检查点在内部 xdev-bench-hard 上 pass@3 为 90.5%，最终发布版降到 81.0%；在 ExploitBench 上为 74.7，而 Opus 5.5 是 91.0。
对普通开发者来说影响不大；但如果你的工作涉及安全研究或漏洞分析，K3.1 Pro 可能不是首选。
6）适合谁用
- 预算敏感、但要跑长程编程 Agent 的团队：用约三分之一的成本，换来接近 Opus 5.5 的终端任务表现，性价比很突出。
- 财务建模、表格处理、商业分析：这是 K3.1 Pro 这次刻意加强的方向，值得实测。
- 需要私有化部署的企业：11 月 4 日前权重开放后，可以关注本地部署方案（2.8 万亿参数对硬件要求很高）。
- 不太适合：追求最强综合能力、重度多模态理解、法律税务类专业任务，或安全研究场景。
小结
K3.1 Pro 不是那种“全面碾压”的发布，但在 vibe coding 和 Agent 编程最看重的终端任务上，国产模型第一次和顶级闭源模型站到了几乎同一条线上，而且价格只有对方的零头。对于已经习惯用 Claude Code、Codex 干活的开发者，它是一个值得放进备选清单的选项；真正的胜负，还要看权重开放后社区的实测反馈。
想同时体验 Claude、ChatGPT 等多款顶级模型、自己做横向对比？欢迎了解俱乐部的 Claude Max / ChatGPT Pro 拼车方案。
1 条评论