月之暗面发布 K3.1 Pro 及 K3.1 Pro Highspeed 模型

推出 Kimi K3.1 Pro

我们推出了 Kimi K3.1 Pro，这是我们全新 K3.1 系列中的首款模型，也是迄今为止能力最强的 3T 级开源权重模型，拥有 100 万 token 的上下文窗口。它在编程、3D 创作、金融研究和其他智能体能力方面带来了实质性的提升。

我们还发布了 Kimi K3.1 Pro Highspeed，其速度达到了 K3.1 Pro 的 2-3 倍，可实现更具响应性的交互。

Kimi K3.1 Pro 和 Kimi K3.1 Pro Highspeed 现已在 Kimi.ai、Kimi Work、Kimi Code 和 Kimi API 上线。完整模型权重将于 11 月 4 日前发布。

推进开放智能的前沿

Kimi K3.1 Pro 是 Kimi K3 的后训练版本，其后训练算力大幅增加。为了在数百个下游领域实现大规模联合强化学习（RL），我们优化了技术栈的每一层——RL 框架、长上下文推理、训练效率、沙盒基础设施、rollout 调度以及用于环境质量检查的共享平台——从而使每一份 RL 算力的增加都能带来稳定、可预测的回报。因此，K3.1 Pro 在各个领域都实现了持续的性能提升。

在编程、智能体和知识基准测试中，K3.1 Pro 达到或接近最强闭源模型的水平。在评估编程智能体在真实、资源受限的终端任务（使用严格的任务特定测试）表现的 Terminal-Bench 4.0 上，K3.1 Pro 获得了 65.7% 的分数，领先于 GPT-6 Astra（58.2%），并紧随 Claude Opus 5.5（66.4%）之后。而在我们用于测试编程智能体在多元工程领域中的多步执行、工具使用和端到端问题解决能力的内部基准测试 Kimi Code Bench 3.0 Long-horizon 上，K3.1 Pro 的得分为 61.2%，高于 K3 的 55.95%。

编程

K3.1 Pro 涵盖了全方位的编程工作，从真实代码库中的快速修复到全项目构建。它还为游戏和网页体验带来了更具考究的视觉风格，并知道如何使用正确的工具构建它们。

K3.1 Pro 在 Unity、Unreal Engine 和 Godot 等游戏引擎中均能高效工作，将它们与网络搜索和 3D 生成相结合，以创造完整的体验。其前端页面、交互式 Three.js 场景和 3D 资产展现出更强的构图、排版、动画和精致度。以下示例均由 K3.1 Pro 端到端创建：

K3.1 Pro 的长周期编码能力也通过大规模强化学习得到了增强。在一次内部测试中，它在 human-atlas（一个包含 296 个骨骼组件包括软骨、402 个肌肉组件的开源人体解剖模型）的基础上，构建了一个集成了训练和评估流水线的人体步行动力学模拟器。在 167 个任务和 420 次独立评审中，它分析了实验结果、诊断了问题并迭代改进了步行控制器，使模拟的人体从在几秒钟内瘫痪倒下，转变为以交替步态连续行走 11.2 秒。当奖励塑造未能改善手臂运动时，K3.1 Pro 并没有一味地调整奖励：它对模拟器的动力学运行了开环探测，识别并纠正了肩部肌肉力臂计算中的 36 处错误，然后重新训练了控制器。

3D 建模与设计

K3.1 Pro 擅长 3D 创作与空间推理。在通过生成 CAD 代码来测试多视角渲染 3D 重建的 BenchCAD 上，K3.1 Pro 使用工具的得分为 92.7%，接近 Claude Opus 5.5（96.2%）和 GPT-6 Astra（95.9%）的性能。根据文字简报、草图或参考图像，它能够推断出形状、比例和空间关系，从而创建可用的 3D 模型。它对现有资产库和模型集合也有更强的掌握能力。

K3.1 Pro 尤其擅长参数化建模，从机械零件、建筑模型到可配置产品和定制家具。在没有 MCP 连接器的情况下，它可以为 Blender 和 CAD 软件等工具编写并运行脚本，以构建和精炼资产、编辑组件以及调整几何体、材质和场景布局。

以下是 K3.1 Pro 为品牌影片、游戏和交互式网络体验创建的 3D 资产示例：

3D Make 现已上线 kimi.ai 和 Kimi App — 在线预览和编辑您的 3D 模型，下载即可用于 3D 打印，或者导出为视频或实况照片（Live Photos）以便随时随地分享。

金融

凭借更强的推理和智能体能力，K3.1 Pro 能够端到端交付完整的金融工作流。K3.1 Pro 在 OfficeQA Pro v2（64.4）上取得了 SOTA（行业领先）的成果，该基准通过检索、跨文档验证和多步数值推理，测试对真实金融文档的复杂财政数据分析。在衡量从筛选到盈利能力分析的完整投资工作流支持能力的 Frontier Finance 上，K3.1 Pro 相比 K3 也有所提升。

K3.1 Pro 在我们所有的内部金融基准测试中也取得了显著提升：

• 金融建模：评估真实世界建模任务中的公式链接、财务逻辑和最终工作簿质量。K3.1 Pro 相比 K3 提升了 7.2 分。
• 金融研究：评估模型是否能在证据和时间截断约束下产出可审计的研究报告。K3.1 Pro 相比 K3 提升了 11.6 分。
• 商业运营：评估在模拟商业环境中的长周期管理和决策能力。K3.1 Pro 的性能达到了 K3 的约 4.2 倍。

财务分析和投资研究要求高度的事实准确性。为了解决这一问题，我们针对 K3.1 Pro 在真实世界任务和具有挑战性的提示词上的事实准确性进行了专项改进。在旨在压力测试事实准确性的内部基准测试 Kimi Hallu Bench Hard 中，其声明级幻觉率从 K3 的 23.4% 下降到了 8.3%，而包含至少一个事实错误的回复比例仅为其前代产品的 42.4%。（该评估是对事实准确性的压力测试，其中的示例经过精心设计，旨在探查模型容易出错的情报。所报告的比率并不代表日常使用中的整体错误率。）

以下案例展示了 K3.1 Pro 在实践中如何处理财务建模、投资分析和基于源引用的研究：

网络安全

随着 K3.1 Pro 能力的增强，我们相应地投入了更多精力来理解网络能力源自何处，以及我们能控制其中多大程度的风险。因此，我们分析并评估了 K3.1 Pro 的漏洞研究能力，并在训练期间应用了针对性的控制措施，以降低潜在的滥用风险，同时保持其通用实用性。

识别并移除网络相关数据。在开发过程中，我们观察到漏洞研究性能随着后训练规模的扩大而稳步提升。追溯这一趋势的来源，我们发现网络相关内容内嵌于通用的中期训练语料库中，且网络相关任务也存在于 RL（强化学习）环境组合中——这是在大规模数据上训练的自然副产品。在对内部模型的初步实验中，我们发现如果在中期训练或 RL 阶段不移除数据，下游的网络能力将会大幅提升。这些发现为我们提供了具体的控制手段。对于 K3.1 Pro 的开源权重版本，我们在两个训练阶段都识别并移除了网络相关数据，同时保留了模型实用性所需的通用编程任务。我们将继续在每个训练阶段应用适当的控制措施，识别和限制网络相关数据就是其中一个例子。

评估与结果。数据清理后，我们在 xdev-bench-hard 上评估了 K3.1 Pro。这是我们内部的基准测试，包含由专家精选的、基于源代码的漏洞发现与利用任务，经过校准后可在我们当前的能力水平下提供有意义的区分度。大多数任务都忠实地重现了 Linux 内核、Node.js、JavaScriptCore、Exim 和 VirGL 等软件中最近披露的漏洞，且启用了缓解措施。每个任务都提供有漏洞的源代码、简短的漏洞提示以及相应的二进制文件；智能体必须开发一个利用程序，在独立的沙箱中实现任意代码执行，并检索出一个秘密字符串用于自动验证。我们报告了在随机运行子集上的 pass@3 指标，没有设置硬超时或输出 token 限制。

在 xdev-bench-hard 上，未采取这些风险降低措施（即在训练中途未移除网络相关数据，且未过滤网络相关的 RL 环境）的检查点在 pass@3 时的解决率为 90.5%；最终的 K3.1 Pro 达到了 81.0%。该对比表明，与相同训练管线原本产出的结果相比，数据移除显著降低了网络能力。同时，K3.1 Pro 相比其前代产品有了大幅提升，这表明更强的通用编程和长周期调试能力即使在经过针对性数据移除后，依然能泛化到网络任务中。K3.1 Pro 的网络能力仍然落后于已公开至少三个月的同类前沿闭源模型。我们将持续演进内部基准测试，以便随着模型能力的不断提升，评估结果依然具有参考价值。

开源权重原则。这些评估决定了我们发布开源权重的决策。首先，我们的目标是不发布会扩展绝对网络能力边界的开源权重。K3.1 Pro 的进攻性网络能力在设计上低于我们管线所能产出的水平，并且依然落后于前沿闭源模型。其次，我们致力于逐步提高开源权重中可用的网络能力。我们相信，以无歧视的方式提供 K3.1 Pro 有利于那些需要两用能力来进行防御的用户。当一个能力强大的模型开源并在用户控制的基础设施上运行定时，更多的团队将获得审核其维护的代码的手段——包括极少获得专门安全审查的传统系统。我们相信，让这种能力逐渐扩散——而不是将其集中在少数闭源系统中——最终会使所有软件更加安全。

可用性

Kimi K3.1 Pro 今日起在 Kimi 产品线中全面推出：可在 Kimi.ai、Kimi 移动端应用、Kimi Work、Kimi Code 以及通过 Kimi API 使用。

完整模型权重将于 2026 年 11 月 4 日发布。

Kimi 企业版管理员可以为其组织启用 K3.1 Pro；发布时默认处于关闭状态。

各渠道详细信息：

• Kimi 智能体：从您的移动应用商店（支持 iOS、Android 和 HarmonyOS）下载或更新至最新 Kimi 应用，或访问 kimi.ai。
• 使用 Kimi K3.1 Pro 工作：下载最新的 Kimi Work 桌面端应用（3.1.0 或更高版本，支持 Windows 和 Apple 硅芯片 Mac）。
• 使用 Kimi K3.1 Pro 编程：运行 Kimi Code 并使用 /model 命令选择 Kimi K3.1 Pro。
• 使用 Kimi API 构建：访问 Kimi API 平台并选择 kimi-k3.1-pro / kimi-k3.1-pro-highspeed。API 客户可使用零数据保留（Zero Data Retention）功能。
• 将 Kimi 引入您的组织：Kimi 商业版提供企业级数据隐私和成员管理，个人账户与组织账户完全隔离。访问定价页面并选择“获取 Kimi 商业版”即可为您的团队订阅。

基准测试

脚注

除非另有说明，以下报告的所有 Kimi K3.1 Pro 结果均在推理努力（reasoning effort）设为 'max'、temperature = 1.0 且 top-p = 0.95 的条件下得出。

编程基准测试

1. Terminal-Bench 4.0。Kimi K3.1 Pro 使用 Claude-Code 评估套件进行评估。DeepSeek-V4.1-Flash-1017 数据取自发布博客（https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017）。所有其余得分均取自其博客文章或官方 Terminal-Bench 4.0 排行榜（https://www.tbench.ai/）中报告的最大值。
2. Terminal-Bench Science 0.1。Kimi K3.1 Pro 使用 Claude-Code 评估套件进行评估。我们对 DeepSeek-V4.1-Flash-1017 的内部评估得分为 9.3；然而，较旧的版本 DeepSeek-V4.1-Flash 在官方 Terminal-Bench Science 上的得分为 15.7，因此我们在此报告 15.7；所有其余得分均来自官方 Terminal-Bench Science 排行榜（https://www.terminal-bench-science.ai/）。
3. DeepSWE v1.1。Kimi K3.1 Pro 使用 Claude-Code 评估套件进行评估。所有得分均取自各模型各自的技术报告。GPT-6 Astra（https://openai.com/index/gpt-6-astra/）。Claude Opus 5.5 和 Claude Fable 5.1（https://www.anthropic.com/claude-opus-5-5-system-card 以及 https://www.anthropic.com/claude-fable-5-1-mythos-5-1-system-card）；DeepSeek-V4.1-Flash-1017（https://api-docs.deepseek.com/news/news261017/）；GLM-5.3（https://z.ai/blog/glm-5.3）。
4. SWE-Marathon v1.1。Kimi K3.1 Pro 使用 Claude-Code 评估套件进行评估。DeepSeek-V4.1-Flash-1017 使用 ClaudeCode 评估套件进行评估。所有其他得分均取自官方 SWE-Marathon 排行榜（https://www.swe-marathon.org/）。
5. PostTrainBench。Kimi K3.1 Pro 和 DeepSeek-V4.1-Flash-1017 在 v1.2 上进行了内部评估，使用的是 Claude-Code 评估套件以及 H20 GPU 而非 H100 GPU。为了评估稳定性，所有评测模型均在最大努力下使用 DeepSeek-V4.1-Flash-1017，这在测试中与官方的 GPT-5.6-Terra (xhigh) 评测器匹配度最好。其他得分来自官方排行榜（https://posttrainbench.com/）。
6. ProgramBench（二元得分）。我们报告的是二元得分而不是原始 ProgramBench 得分：如果一项任务的 ProgramBench 得分为 ≥95%，则得分为 1，否则为 0。Kimi K3.1 Pro 使用 Claude-Code 评估套件进行评估。DeepSeek-V4.1-Flash-1017 和 GLM-5.3 的得分取自发布博客（https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017）；所有其余得分均来自 Vals ProgramBench 排行榜（https://www.vals.ai/benchmarks/programbench）。
7. 内部编程基准测试：Kimi Code Bench 2.0 和 Kimi Code Bench 3.0 Long-horizon。Kimi K3.1 Pro 使用 Claude-Code 评估套件进行评估；所有其他模型均在其最大努力设置下进行评估。请注意，专有模型测试可能涉及某些回退行为。
8. BenchCAD。开源模型由我们在从完整的 17,900 例 Vision2Code 数据集中随机抽样的 1,000 例子集上进行评估，处于最大推理努力。带工具（With-tools）结果使用 Claude Code 评估套件；不带工具（Without-tools）结果使用带有官方 BenchCAD 提示词和评分管道的单次生成（single-shot generation）。Claude Fable 5.1 和 Claude Opus 5.5 的得分取自 Claude Opus 5.5 系统卡；GPT‑6 Astra 的带工具得分取自其官方报告。GPT‑6 Astra 尚未报告不带工具得分，标记为“—”。

智能体基准测试

1. BioMysteryBench 数据集取自 官方 v11 版本，以 Kimi K3 作为评判模型。我们评估了搭配 Kimi Code 的 Kimi K3.1 Pro、搭配 Claude Code 的 GLM-5.3 和 DeepSeek-V4.1-Flash-1017，以及搭配 Codex 的 GPT-6 Astra。Claude 模型的评分直接取自其官方系统卡片。
2. Our Agents’ Last Exam 数据集取自 官方 v1.1 版本，包含 122 个任务（其中 86 个为 CLI 任务），环境镜像与官方 Hugging Face 版本保持一致。对于绕过任务既定要求（例如在线检索答案而不是在 Wireshark 中执行所需的分析）的运行结果，我们额外给予零分。DeepSeek 和 Kimi 分别使用 Claude Code 和 Kimi Code 进行评估。所有其他结果均取自官方基准测试网站。
3. OfficeQA Pro, OfficeQA Pro v2。GPT-6 Astra 使用 Codex 进行评估，而所有其他模型均使用 Claude Code 进行评估。每个任务都向智能体提供整个 PDF 语料库，所有 PDF 均渲染为图像，且不提供机器可读文本。我们观察到某些外部模型的运行轨迹中存在在线检索参考答案的情况；因此，我们对这些任务给予了零分。
4. Frontier Finance 使用官方金融智能体 v2 测试框架进行评估。
5. HANDBOOK.md 使用基于 OpenHands 构建的官方测试框架进行评估，评估任务取自该基准测试的早期开源 v1 版本。
6. Harvey Legal Agent 在包含 1,251 个任务的公开数据集上进行评估，使用的是 Artificial Analysis 的 Stirrup 测试框架，其性能以全通率（即通过所有评分标准的任务百分比）报告。
7. OSWorld V2.1 使用官方 OSWorld v2 仓库中的 Kimi Agent 测试框架进行评估，而 GPT-6 Astra 的得分则取自 Muse Wonder 的技术报告。
8. DECK-Arena 评估基于真实世界查询的演示文稿生成，而 Design Bench 则通过直接和参考图像少样本提示涵盖平面设计；两者都在一个集成搜索和图像生成的测试框架中，跨 python-pptx、pptxjs 以及 Kimi 内部 DSL 运行模型，并使用经过 10,000+ 人类判断校准的自动化评分器。
9. MCP Atlas。所有模型均在包含 500 个任务的公开子集上进行评估，轮次限制为 100 轮，并使用 Gemini 3.1 Pro 作为评判模型。
10. BrowseComp。我们采用 Claude 模型卡片中使用的上下文压缩策略，在 200K token 时触发。我们允许最多 500 步；如果在任务完成前达到了此限制，我们会强制智能体提供答案，然后对其进行评判。所有 BrowseComp 运行均在 temperature=1.0 和 top-p=1.0 的条件下进行。
11. GDPval-AA v2.1、AA-Briefcase v1.1 和 AutomationBench-AA 的得分引用自 https://artificialanalysis.ai/，Apex Agents 的得分引用自 https://www.mercor.com/apex/apex-agents-leaderboard/
12. GDP.pdf w/ python、ZeroBench w/ python 和 ChartoGraphy w/ python 取五次运行的平均值。其他多模态基准（w/ python）取四次运行的平均值。关于 GDP.pdf w/ python：每个原始 PDF 文件都被发送到沙箱中，模型可以在其中使用 IPython 工具对其进行处理。最终回答会使用 Gemini-3.5-Flash（中等推理强度）和官方评估提示词，根据各项评分标准进行评分。我们报告任务宏观平均评分通过率：对于每个任务，我们对五次独立运行中通过的评分标准比例取平均值，然后对所有任务的这些任务级得分进行平均。

推理与知识与多模态基准

1. GDP.pdf。每个 PDF 均以页面图像形式提供（最长边调整为 1,152 像素），并按页面顺序与 Docling 提取的文本交错排列。回答会使用 Gemini-3.5-Flash Medium 和官方评估提示词，根据各项评分标准进行评分。我们报告完整评分回答中的严格通过率。
2. HLE 和 HLE-Diamond 评估通用知识和推理能力。我们报告完整评估集的准确率，其中 HLE 有 2,500 道题，HLE-Diamond 有 1,000 道题。对于标有星号（*）的模型，准确率报告基于纯文本子集的题目。
3. GDP.pdf、ZeroBench 和 ChartoGraphy 取五次运行的平均值。其他多模态基准取四次运行的平均值。GLM-5.3 Max 和 DeepSeek-V4.1-Flash-1017 Max 的 GDP.pdf 得分引自 https://artificialanalysis.ai/。
4. MMMU-Pro 按照官方协议进行评估，保留原始输入顺序并将图片置于文本输入之前。
5. Kimi 幻觉基准评估了一组来自实际工作任务的、具有挑战性的去标识化提示词内部数据集上的事实准确性。我们报告由事实核查智能体评估的事实声明级幻觉率。

网络安全基准

1. ExploitBench。Kimi K3.1 Pro 使用官方 ExploitBench 测试套件在 300 轮预算下进行评估。我们报告 pass@5 最大能力得分：对于每个环境，取 5 个随机种子中的最佳运行结果，根据 16 个中达到的能力标志数量进行评分，其中达成任意代码执行算作达成全部 16 项能力。GPT-6 Astra 得分取自 https://openai.com/index/gpt-6-astra/；Claude Opus 5.5 和 Claude Mythos 5.1 得分取自 https://www.anthropic.com/claude-opus-5-5-system-card；GLM-5.3 得分取自 https://z.ai/blog/glm-5.3。
2. ExploitGym。Kimi K3.1 Pro 使用 KimiCode 测试套件在每个任务 6 小时的实际挂钟时间预算下进行评估。GPT-6 Astra 得分取自 https://openai.com/index/gpt-6-astra/；Claude Opus 5.5 和 Claude Mythos 5.1 在 6 小时预算下的得分取自 https://www.anthropic.com/claude-opus-5-5-system-card；GLM-5.3 得分取自 https://z.ai/blog/glm-5.3。
3. xdev-Bench-hard：Kimi K3.1 Pro 使用 KimiCode 测试套件进行评估。GLM-5.3 和 DeepSeek-V4.1-Flash-1017 使用 Claude Code 测试套件进行评估。