Kimi K3.1 Pro：只差 Opus 5.5 半个点的开源权重

📌 一句话导读：Kimi K3.1 Pro 把开闭源的公开分差压到了 1 分以内——而这个差距，小于你换一个 harness 带来的波动。

2026 年 10 月 23 日前后，Moonshot AI 放出 Kimi K3.1 Pro。厂家博客没有标明确切日期，多个二手来源记为 10 月 23 日。规格与 K3 一致：约 2.8 万亿参数 MoE，每 token 激活 1040 亿，100 万 token 上下文。提升不来自模型变大，来自后训练——大规模强化学习，跨数百个任务类型。同一个骨架，练得更狠。

数字很好看。Terminal-Bench 4.0 厂家自报 65.7%，Claude Opus 5.5 是 66.4%。0.7 个百分点。独立评测机构 Artificial Analysis 重跑后给到 67%，若成立，那是任何模型在该基准上的最高分。

半个点，甚至反超。这就是所有标题的来源。

但半个点意味着什么，取决于你怎么读它。三种读法，结论完全不同。

一、65.7% 这个数字的三种读法

读法一：开源真的追上了。 按 AA 的 Intelligence Index，差距从 12 分缩到 3 分。Kimi 得分 55，215 个模型里排第 4，前面只有 Opus 5.5、Sonnet 5.5 和 Muse Wonder Full。这条读法成立的部分很硬：开源权重模型第一次真正进入第一梯队，而不是"最强的开源"。

读法二：这半个点是噪声。 厂商之间 0.7 分的差，小于换 harness、换 prompt、换重试策略带来的波动。把它当胜负，等于用一把精度不够的尺子去量毫米。

读法三：这是特定配置下的天花板。 Moonshot 几乎所有编码测试——Terminal-Bench 4.0、SWE-Marathon、ProgramBench——都跑在 Anthropic 的 Claude Code 里。harness 能大幅改变分数。所以 65.7% 描述的是"Claude Code 加载 Kimi K3.1 Pro"的最好情况，不是你在 Kimi Code 或 Cursor 里能拿到的成绩。

三种读法都成立。合起来才是完整判断：开源确实逼近了，但逼近的程度被测量方式放大了。

二、它强在哪、断在哪

按总分选型是错的。这张表要横着看，看每一行的形状，而不是看平均。

长程编码强。 SWE-Marathon 这类超长编码任务，它拿到 51.7%，Opus 5.5 是 46.3%，GPT-6 Astra 42.5%——这项它第一。内部长程编码基准 61.2%，K3 是 55.95%。后训练算力砸下去，长任务不崩，这是实打实的进步。

办公文档强。 OfficeQA Pro v2 金融文档 64.4，Opus 5.5 62.2，GPT-6 Astra 54.4。GDPval-AA 办公任务 Elo 1846，全场第三，仅次于 Opus 5.5 的 1866。操作电脑的 OSWorld-V2.1 是 79.6%，和 Opus 5.5 的 81.8% 只差 2.2 分。

然后断崖来了。

ProgramBench，整体程序生成：31.5%。Opus 5.5 是 65.0%，GPT-6 Astra 是 50.0%。不到对手一半。

Terminal-Bench Science：38.1%。Opus 5.5 63.3%，GPT-6 Astra 68.1%。差 25 个百分点。

这两项说明它的能力边界在哪：它擅长在已有代码库里改、在长流程里不跑偏、读文档答问题。它不擅长从零写出一个完整程序，也不擅长科学推理。前者要全局架构能力，后者要严格推理链，这两块它没补上。

所以准确的说法不是"全面接近闭源"，而是"在长程编码与办公文档两个形态上接近甚至局部反超，在从零造程序与科学推理上仍有代差"。选型按任务形态，不按总分。

三、harness 才是隐藏变量

这一节是全文最该记住的部分。

Moonshot 的编码成绩，几乎全部跑在 Claude Code 里。这不是作弊，是行业惯例——各家都在自己最顺手的脚手架里测。但它意味着这些数字不能跨模型横比。

harness 是模型外面那层壳：工具怎么调、文件怎么读、失败怎么重试、上下文怎么裁。同一个模型换一套壳，Terminal-Bench 这种多轮任务动辄差十几个点。Kimi 在 Claude Code 里跑到 65.7%，你把它接进 Kimi Code 自己跑一遍，第一次出来的数大概率不是这个。

再看一个前科。本月 OpenAI 用自家 harness 发布 GPT-6 Astra 的 ARC 成绩是 99.9%，ARC Prize 独立重跑得 62.7%。37 个点的差，全部来自测量方式。

于是出现一个尴尬局面：厂商之间的公开分差（0.7 分）小于 harness 波动（十几分）。这种情况下排行榜就失去选型价值了。它能告诉你"这模型在第一梯队"，不能告诉你"它比隔壁强"。

四、降价的真相：单价降了，净成本没降

Kimi K3 原价 $3/$15 每百万 token，K3.1 Pro 降到 $2/$10，降幅 33%，官方说约为 Claude Opus 5.5 的一半。字面都对。

但你按 token 付费，账单看的是总 token 数，不是单价。

AA 跑完整个 Intelligence Index，K3.1 Pro 用了约 1.5 亿输出 token，中位数是 8700 万——多 72%。

算一下：单价乘 0.67，token 数乘 1.72，净成本是 1.15 倍。它其实比 K3 还要贵一些，只是账面上看起来便宜了三分之一。

这条对每个按 token 付费的人都成立。它话多：思考链长、解释多、重试多。对话场景你感觉不到，因为人只看最后一段回答；跑 agent、跑批量任务、跑 CI 里的自动修复，账单会诚实地告诉你。

同门还有个 Highspeed 版，快 2–3 倍，价格 $4/$20。任务延迟敏感而不是成本敏感时，这个版本才划算——别拿它的单价去和普通版比便宜。

五、安全侧那个 90.5%→81.0% 意味着什么

这段是全文最罕见的部分，很少有厂商公开讲。

Moonshot 说，他们在通用训练数据和强化学习任务里发现了网络安全相关的内容，而且攻击性能力随训练规模上升。为了开源版本，他们从两个训练阶段都把这类数据移除了。

效果用内部基准衡量：xdev-bench-hard，任务是对 Linux 内核、Node.js 等新披露漏洞写出可用 exploit。未做清理的 checkpoint 解出 90.5%，最终模型解出 81.0%。

9.5 个点，是这次清理买到的安全边际。公司同时说明，81.0% 仍落后于已公开三个月以上的闭源前沿模型——这句话的真实含义是，他们的目标是"不比已公开的差"，而不是"绝对安全"。

这里有个绕不开的现实：权重一旦放出，清理过的模型仍然是一个能写 exploit 的模型。81% 的解出率对防守方是压力测试工具，对攻击方也是工具。开源社区没有准入审核，厂家能做的只是把能力压到已有公开水平，剩下交给使用者的边界。

六、11 月 4 日权重放出后你该做什么

现在的 K3.1 Pro 只能用，不能改。渠道已经铺开：Kimi.ai、移动 app、Kimi Work 桌面版（3.1.0+，Windows 与 Apple Silicon Mac）、Kimi Code 的 /model 切换、API（kimi-k3.1-pro 与 kimi-k3.1-pro-highspeed，提供零数据留存），OpenRouter 也有上架。企业版管理员需要手动开启，默认是关闭状态。

完整权重承诺在 11 月 4 日前放出。

在那之前，最有价值的事不是读榜，是准备自己的尺子。这篇文章的核心结论只有一句：公开分差已经小于测量误差，唯一可信的评测是你自己的任务集。

还有一件小事要诚实说。Kimi 的 API 文档在发布时仍有未填的占位符，部分数字与博客对不上——幻觉率一处写 23.35%→6.85%，博客写 23.4%→8.3%。同一家公司、同一件事、两套数，说明文档还没定稿。这本身也是选型信息：别急着把关键链路压上去。

顺带说清那个幻觉数字的边界。错误率从 23.4% 降到 8.3% 是厂家自报，且厂家自己强调这是刻意设计的刁钻 prompt 下的结果，不是日常使用中的错误率。拿它当"幻觉降了 15 个点"来宣传，属于误读。

🎯 行动清单

1. 今天就建评测集：从最近 30 天的真实工单、PR、文档问答里抽 10 条，覆盖你三种主要任务形态——长程改码、从零生成、文档抽取。每条写成"固定输入 + 判定标准"，存成一个 JSON，之后只增不改。
2. 本周跑 baseline：在 API 上把 kimi-k3.1-pro 和 kimi-k3.1-pro-highspeed 各跑一次，同时记录通过率和输出 token 数。后一个数才是你的成本，别只看单价。
3. 同一套题喂给你现在的模型，并且用同一个 harness。换壳等于换考卷，这一步不做，前两步白做。
4. 11 月 4 日后权重落地，本地重跑同一套题。重点看量化版（FP8 / INT4）掉多少分，以及你在单卡或双卡上能拿到什么吞吐——这是开源权重唯一比 API 多出来的东西。
5. 把四件套写进团队文档：模型版本、harness、重试策略、上下文裁剪规则。四样缺一样，下个月的数就不可比。下次再有人拿榜单来推选型，把这份文档甩给他。

参考来源

• Kimi’s new open AI model nearly ties Claude on coding tests — AI Insiders（基准数据与安全细节）
• Kimi K3.1 Pro：Moonshot AI 的开源权重模型 — Standarity（架构规格与许可说明）
• Kimi K3.1 Pro 完整对比表与成本分析 — Vandata Team（跨模型对比与 token 成本）
• Kimi K3.1 Pro 发布记录 — TSN Media（harness 偏差与 API 文档占位符问题）
• Kimi K3.1 Pro 发布当天记录 — Simon Willison
• Kimi 产品主页（Moonshot AI 官方）

📖 延伸阅读

• 🧠 开源权重的边界：MiniMax H3 许可证里那三条硬条款 — 同一周开源另一面
• 🧠 Coding agent 的 harness 能把成本推到三倍，却没让它更准 — 榜单失真的另一半
• 🧠 Qwen3.8-Max 全拆解：2.4T 国产旗舰值不值得用 — 国产旗舰横向对照
• 📰 本期杂志：四个地区被划出去了 — 今日全部线索