Kimi K3.1 Pro 發佈，提供 1-million-token 上下文窗口，完整權重將於 Nov 4, 2026 釋出

隆重介紹 Kimi K3.1 Pro

我們推出 Kimi K3.1 Pro，這是全新 K3.1 系列的首個模型，也是至今能力最強的 3T 級開放權重模型，支援 1 百萬 token 的上下文視窗。它在程式編寫、3D 創作、金融研究及其他 Agent 能力方面均有顯著提升。

我們亦推出 Kimi K3.1 Pro Highspeed，速度是 K3.1 Pro 的 2-3×，互動回應更迅速。

Kimi K3.1 Pro 和 Kimi K3.1 Pro Highspeed 即日起於 Kimi.com、Kimi Work、Kimi Code 及 Kimi API 上提供。完整模型權重將於 11 月 4 日發布。

推進開放智能的前沿

Kimi K3.1 Pro 是 Kimi K3 經後訓練的版本，並使用了大幅增加的後訓練計算資源。為支援在數百個下游領域進行大規模聯合 RL，我們全面優化了整個技術堆疊的每一層——包括 RL 框架、長上下文推理、訓練效率、沙盒基礎設施、推理執行排程，以及用於環境品質檢查的共用平台——務求讓每一份額外的 RL 計算資源都能帶來穩定、可預測的成效。因此，K3.1 Pro 在每個領域都取得穩定進步。

在程式編寫、Agent 能力及知識基準測試中，K3.1 Pro 的表現媲美或接近最強的專有模型。在 Terminal-Bench 4.0 中，該基準測試以嚴格的特定任務測試，評估程式編寫 Agent 在真實、資源受限的終端機任務中的表現；K3.1 Pro 得分為 65.7%，高於 GPT-6 Astra（58.2%），僅略低於 Claude Opus 5.5（66.4%）。在 Kimi Code Bench 3.0 Long-horizon 中，這項內部基準測試評估程式編寫 Agent 在不同工程領域中的多步執行、工具使用及端到端解難能力；K3.1 Pro 得分為 61.2%，高於 K3 的 55.95%。

程式編寫

K3.1 Pro 涵蓋各類程式編寫工作，從在真實程式碼庫中快速修正，到建置完整專案。它亦為遊戲和網頁體驗帶來更深思熟慮的視覺風格，並懂得使用合適工具建構這些作品。

K3.1 Pro 能有效運用 Unity、Unreal Engine 和 Godot 等遊戲引擎，並結合網頁搜尋和 3D 生成，打造完整體驗。它製作的前端網頁、互動式 Three.js 場景及 3D 資產，在構圖、字體排印、動畫和精緻度方面均有提升。以下範例均由 K3.1 Pro 端到端創作：

K3.1 Pro 的長時程編碼能力亦透過大規模強化學習得到提升。在一項內部測試中，它以 human-atlas 為基礎，建立了一個整合訓練及評估流程的人體步行動力學模擬器。human-atlas 是人體的開源解剖模型，包含 296 個骨骼組件（包括軟骨）及 402 個肌肉組件。在 167 項任務及 420 次獨立評審中，它分析實驗結果、診斷問題，並反覆改良步行控制器，令模擬人類由在數秒內倒下，進步至以交替步伐連續步行 11.2 秒。當獎勵塑形未能改善手臂動作時，K3.1 Pro 沒有隻是不斷調整獎勵，而是對模擬器的動力學進行開環測試，找出並修正肩部肌肉力臂計算中的 36 個錯誤，然後重新訓練控制器。

3D 建模與設計

K3.1 Pro 擅長 3D 創作及空間推理。在透過 CAD 程式碼生成，測試模型從多視角渲染圖重建 3D 物件能力的 BenchCAD 上，K3.1 Pro 使用工具時的得分為 92.7%，接近 Claude Opus 5.5（96.2%）及 GPT-6 Astra（95.9%）的表現。根據文字簡介、草圖或參考圖片，它可以推斷形狀、比例及空間關係，建立可用的 3D 模型。它對現有資產庫及模型集合的掌握亦更強。

K3.1 Pro 尤其擅長參數化建模，範圍涵蓋機械零件、建築模型、可配置產品及訂製傢俱。即使沒有 MCP 連接器，它也能為 Blender 等工具及 CAD 軟件編寫並執行腳本，以建立和改良資產、編輯組件，以及調整幾何形狀、材質和場景佈局。

以下是 K3.1 Pro 為品牌影片、遊戲及互動網頁體驗製作的 3D 資產示例：

3D Make 現已在 kimi.com 及 Kimi app 上線 — 你可以在線預覽及編輯 3D 模型、下載模型以供 3D 列印，或將模型匯出為影片或 Live Photos，隨處分享。

金融

憑藉更強的推理及 Agent 能力，K3.1 Pro 能夠端到端完成完整的金融工作流程。K3.1 Pro 在 OfficeQA Pro v2 上達到最先進的成績（64.4），這項測試透過檢索、跨文件核實及多步驟數值推理，評估模型分析真實財務文件中複雜財政數據的能力。在衡量模型支援由篩選至盈利能力分析的完整投資工作流程的 Frontier Finance 上，K3.1 Pro 的表現亦較 K3 有所提升。

K3.1 Pro 在我們所有內部金融基準測試中的表現亦顯著提升：

• 財務建模評估模型在真實建模任務中的公式連結、財務邏輯及最終活頁簿質素。K3.1 Pro 的得分較 K3 高 7.2 分。
• 財務研究評估模型能否在證據及截止時間限制下，產出可供審核的研究。K3.1 Pro 的得分較 K3 高 11.6 分。
• 商業營運評估模型在模擬商業環境中的長時程管理及決策能力。K3.1 Pro 的表現約為 K3 的 4.2 倍。

金融分析及投資研究對事實準確度有很高要求。為此，我們針對 K3.1 Pro 在真實世界任務和具挑戰性的提示詞中的 事實準確度 作出改進。在 Kimi Hallu Bench Hard 基準測試中，這項內部測試旨在對事實準確度進行壓力測試；K3.1 Pro 以主張為單位計算的幻覺率由 K3 的 23.4% 降至 8.3%，而至少包含一項事實錯誤的回應比例，僅為前代模型該比率的 42.4%。（這項評估是對事實準確度的壓力測試，所用例子經刻意設計，以探測模型容易出錯的情況。所報告的比率並不代表日常使用中的整體錯誤率。）

以下案例展示 K3.1 Pro 如何應用於金融建模、投資分析和以來源為依據的研究：

網絡安全

隨着 K3.1 Pro 的能力提升，我們相應投入更多精力瞭解網絡安全能力的來源，以及我們能在多大程度上控制這些能力。因此，我們分析和評估了 K3.1 Pro 的漏洞研究能力，並在訓練期間實施有針對性的控制措施，在維持一般用途效能的同時降低潛在的濫用風險。

識別並移除網絡安全相關資料。在開發期間，我們觀察到，隨着後訓練規模擴大，漏洞研究表現持續提升。追查這個趨勢的來源後，我們發現網絡安全相關內容已包含在一般中期訓練語料庫中，而 RL 環境配置亦包含網絡安全相關任務——這是使用廣泛資料訓練的自然結果。在內部模型的初步實驗中，我們發現，若在中期訓練和 RL 階段均不移除資料，後續的網絡安全能力便會大幅提升。這些發現為我們提供了具體的控制方法。在 K3.1 Pro 的開放權重版本中，我們找出並移除了兩個訓練階段中的網絡安全相關資料，同時保留模型發揮實用效能所需的通用編碼任務。我們會在每個訓練階段持續實施適當的控制措施，識別並限制網絡安全相關資料就是其中一個例子。

評估和結果。完成資料清理後，我們使用 xdev-bench-hard 評估 K3.1 Pro。這是我們內部的基準測試，包含由專家整理、以原始碼為本的漏洞發現和利用任務，並經校準，以便在我們目前的能力水平下有效區分模型表現。大部分任務忠實重現了近期在 Linux kernel、Node.js、JavaScriptCore、Exim 和 VirGL 等軟件中披露的漏洞，並啟用了緩解措施。每項任務均提供有漏洞的原始碼、簡短的錯誤提示，以及相應的二進制檔案；Agent 必須編寫漏洞利用程式，在獨立的沙盒中達成任意程式碼執行，並取回一段秘密字串，以供自動驗證。我們在隨機選取的部分執行結果中報告 pass@3，沒有設定硬性逾時限制或輸出 token 數上限。

在 xdev-bench-hard 上，未採取這些風險降低措施的檢查點——中期訓練時沒有移除網絡安全相關數據，也沒有篩選網絡安全相關的強化學習環境——在 pass@3 下解決了 90.5% 的問題；最終版 K3.1 Pro 則達到 81.0%。比較結果顯示，移除數據實質降低了網絡安全能力，相較於同一訓練流程原本會產生的水平。與此同時，K3.1 Pro 的表現大幅優於上一代，顯示即使經過針對性數據移除，更強的通用程式編寫及長時間除錯能力仍可泛化至網絡安全任務。K3.1 Pro 的網絡安全能力仍落後於已公開提供至少三個月的前沿專有模型。我們會持續改進內部基準測試，確保評估在模型能力不斷提升時仍能提供有用資訊。

開放權重原則。這些評估是我們決定發布開放權重的依據。首先，我們的目標是不發布會進一步推高網絡安全能力絕對前沿水平的開放權重。K3.1 Pro 的網絡攻擊能力按設計低於我們的流程能產生的水平，亦仍落後於前沿專有模型。其次，我們打算逐步提升開放權重可提供的網絡安全能力。我們相信，以不歧視的方式提供 K3.1 Pro，能讓有防禦用途雙重用途能力需求的人士受益。當一個能力強大的模型以開放形式提供，並在用戶掌控的基礎設施上運行，更多團隊便能審核自己維護的程式碼——包括甚少接受專門安全審查的舊有系統。我們相信，讓這種能力逐步普及，而非集中在少數專有系統中，最終會令所有軟件更加安全。

供應情況

Kimi K3.1 Pro 今日起在 Kimi 產品系列中陸續推出：用戶可在 Kimi.com 和 Kimi 手機應用程式、Kimi Work 和 Kimi Code 使用，亦可透過 Kimi API 使用。

完整模型權重將於 2026 年 11 月 4 日前發布。

Kimi Enterprise 管理員可為其機構啟用 K3.1 Pro；推出時預設停用存取權限。

各個使用途徑的詳情：

• Kimi Agents：在手機應用程式商店下載或更新至最新版本的 Kimi 應用程式，適用於 iOS、Android 和 HarmonyOS；或瀏覽 kimi.com。
• 使用 Kimi K3.1 Pro 工作：下載最新的 Kimi Work 桌面應用程式，版本須為 3.1.0 或更新版本，適用於 Windows 和搭載 Apple silicon 的 Mac。
• 使用 Kimi K3.1 Pro 編寫程式碼：執行 Kimi Code，並使用 /model 命令選取 Kimi K3.1 Pro。
• 使用 Kimi API 開發：瀏覽 Kimi API Platform，並選取 kimi-k3.1-pro / kimi-k3.1-pro-highspeed。API 客戶可使用零數據保留服務。
• 將 Kimi 引入你的機構：Kimi Business提供企業級數據私隱及成員管理功能，並完全分隔個人帳戶與機構帳戶。請瀏覽定價頁面，並選取「取得 Kimi Business」為團隊訂閲。

基準測試

註腳

除非另有説明，以下所有 Kimi K3.1 Pro 評測結果均在推理力度設為 'max'、temperature = 1.0 及 top-p = 0.95 的設定下取得。

程式編寫基準測試

1. Terminal-Bench 4.0。Kimi K3.1 Pro 使用 Claude-Code 評測框架進行評測。DeepSeek-V4.1-Flash-1017 的分數取自發布網誌（https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017）。其餘分數均取自各自網誌或官方 Terminal-Bench 4.0 排行榜所列的最高分數（https://www.tbench.ai/）。
2. Terminal-Bench-Science 0.1。Kimi K3.1 Pro 使用 Claude-Code 評測框架進行評測。我們對 DeepSeek-V4.1-Flash-1017 進行內部評測，得分為 9.3；然而，較舊版本 DeepSeek-V4.1-Flash 在官方 Terminal-Bench-Science 的得分為 15.7，因此此處列出 15.7；其餘分數均取自官方 Terminal-Bench-Science 排行榜（https://www.terminal-bench-science.ai/）。
3. DeepSWE v1.1。Kimi K3.1 Pro 使用 Claude-Code 評測框架進行評測。所有分數均取自各模型各自的技術報告。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 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 評測框架進行評測。DeepSeek-V4.1-Flash-1017 使用 ClaudeCode 評測框架進行評測。其餘分數均取自官方 SWE-Marathon 排行榜（https://www.swe-marathon.org/）。
5. PostTrainBench。Kimi K3.1 Pro 和 DeepSeek-V4.1-Flash-1017 使用 Claude-Code 評測框架及 H20 GPU，在 v1.2 上進行內部評測，並非使用 H100 GPU。為確保評測穩定，所有評審模型均使用 DeepSeek-V4.1-Flash-1017 的最高力度設定；測試結果顯示，這最能匹配官方的 GPT-5.6-Terra (xhigh) 評審模型。其餘分數取自官方排行榜（https://posttrainbench.com/）。
6. ProgramBench（二元分數）。我們列出二元分數，而非原始 ProgramBench 分數：任務的 ProgramBench 分數達到 ≥95% 時，得分為 1；否則為 0。Kimi K3.1 Pro 使用 Claude-Code 評測框架進行評測。DeepSeek-V4.1-Flash-1017 和 GLM-5.3 的分數取自發布網誌（https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017）；其餘分數均取自 Vals ProgramBench 排行榜（https://www.vals.ai/benchmarks/programbench）。
7. 內部編碼基準測試：Kimi Code Bench 2.0 和 Kimi Code Bench 3.0 Long-horizon。Kimi K3.1 Pro 使用 Claude-Code 評測框架進行評測；所有其他模型均使用最高力度設定進行評測。請注意，專有模型的測試可能涉及某些回退行為。
8. BenchCAD。開放模型以最高推理力度，在從完整的 17,900 個案例 Vision2Code 數據集中隨機抽取的 1,000 個案例子集中接受我們的評測。含工具結果使用 Claude Code 評測框架；不含工具結果則使用官方 BenchCAD 提示詞及評分流程進行單次生成。Claude Fable 5.1 和 Claude Opus 5.5 的分數取自Claude Opus 5.5 System Card；GPT‑6 Astra 的含工具分數取自其官方報告。GPT‑6 Astra 尚未公佈不含工具分數，因此標示為「—」。

智能體基準測試

1. BioMysteryBench 數據集取自官方 v11 版本，並以 Kimi K3 作為評判模型。我們使用 Kimi Code 評估 Kimi K3.1 Pro，使用 Claude Code 評估 GLM-5.3 和 DeepSeek-V4.1-Flash-1017，並使用 Codex 評估 GPT-6 Astra。Claude 模型的評分直接取自其官方系統卡。
2. Our Agents’ Last Exam 數據集取自官方 v1.1 版本，共包含 122 項任務，包括 86 項命令列任務；環境映像與官方 Hugging Face 版本一致。此外，對於跳過任務明確要求的執行結果，例如在 Wireshark 中未按要求進行分析，而是上網查找答案，我們會給予零分。DeepSeek 和 Kimi 分別使用 Claude Code 和 Kimi Code 進行評估。所有其他結果均取自官方基準測試網站。
3. OfficeQA Pro、OfficeQA Pro v2。GPT-6 Astra 使用 Codex 進行評估，其他所有模型則使用 Claude Code。每項任務都會向 Agent 提供完整的 PDF 語料庫；所有 PDF 均轉換為圖像，且沒有可供機器讀取的文字。我們在部分外部模型的執行軌跡中發現，它們曾上網查找參考答案；因此，我們對這些任務給予零分。
4. Frontier Finance 使用官方 finance agent v2 測試框架進行評估。
5. HANDBOOK.md 使用以 OpenHands 為基礎的官方測試框架進行評估，評估任務取自該基準測試早期的開源 v1 版本。
6. Harvey Legal Agent 使用包含 1,251 項任務的公開數據集，並以 Artificial Analysis 的 Stirrup 測試框架進行評估；結果以全數通過率呈現（即通過所有評分準則的任務百分比）。
7. OSWorld V2.1 使用官方 OSWorld v2 repo 中的 Kimi Agent 測試框架進行評估；GPT-6 Astra 的評分則取自 Muse Wonder 的技術報告。
8. DECK-Arena 以真實世界的查詢評估簡報生成能力；Design Bench 則透過直接提示及參考圖片少樣本提示評估平面設計能力。兩者均在整合搜尋和圖片生成的測試框架中，使用 python-pptx、pptxjs 和 Kimi 自行開發的 DSL 執行模型，並採用以 10,000 多項人類判斷結果校準的自動評分器。
9. MCP Atlas。所有模型均使用 Gemini 3.1 Pro 作為評判模型，在包含 500 項任務的公開子集上進行評估，回合上限為 100。
10. BrowseComp。我們採用 Claude 模型卡使用的上下文壓縮策略，並在 200K tokens 時觸發。步數上限為 500；如果達到上限時任務仍未完成，我們會要求 Agent 提交答案，再由評判模型評分。所有 BrowseComp 執行均使用 temperature=1.0 和 top-p=1.0。
11. GDPval-AA v2.1、AA-Briefcase v1.1 和 AutomationBench-AA 的評分引自https://artificialanalysis.ai/；Apex Agents 的評分引自https://www.mercor.com/apex/apex-agents-leaderboard/
12. GDP.pdf（使用 Python）、ZeroBench（使用 Python）及 ChartoGraphy（使用 Python）的分數取五次執行的平均值。其他多模態基準測試（使用 Python）的分數取四次執行的平均值。對於 GDP.pdf（使用 Python）：每個原始 PDF 檔案都會傳送至沙盒，模型可使用 IPython 工具處理檔案。最終回答會使用 Gemini-3.5-Flash（中等推理力度）及官方評判提示詞，按照各項評分準則評分。我們報告任務宏平均評分準則通過率：每項任務先計算五次獨立執行中通過的評分準則比例平均值，再將所有任務的分數等權平均。

推理、知識及多模態基準測試

1. GDP.pdf。每份 PDF 均以頁面圖片形式提供，最長邊縮放至 1,152 像素，並按頁面順序穿插 Docling 擷取的文字。回答會使用 Gemini-3.5-Flash Medium 及官方評判提示詞，按照各項評分準則評分。我們報告已完成評分的回答中嚴格通過率。
2. HLE 和 HLE-Diamond 評估一般知識及推理能力。我們報告完整評測集的準確率；HLE 有 2,500 條問題，HLE-Diamond 有 1,000 條問題。標有星號（*）的模型，其準確率是根據純文字問題子集計算。
3. GDP.pdf、ZeroBench 及 ChartoGraphy 的分數取五次執行的平均值。其他多模態基準測試的分數取四次執行的平均值。GLM-5.3 Max 和 DeepSeek-V4.1-Flash-1017 Max 的 GDP.pdf 分數引自 https://artificialanalysis.ai/。
4. MMMU-Pro 按照官方協定評測，保留原始輸入順序，並將圖片置於文字輸入之前。
5. Kimi Hallucination Benchmark 使用一組內部的高難度、已去識別化提示詞，評估模型在實際工作任務中的事實準確度。我們報告由事實查核 Agent 評估的聲明層級幻覺率。

網絡安全基準測試

1. ExploitBench。Kimi K3.1 Pro 使用官方 ExploitBench 測試框架評測，回合預算為 300。我們報告 pass@5 最大能力分數：每個環境取 5 個隨機種子的最佳執行結果，並根據 16 項能力標記中達成的數量評分；達成任意程式碼執行即視為達成全部 16 項能力。GPT-6 Astra 的分數引自 https://openai.com/index/gpt-6-astra/；Claude Opus 5.5 和 Claude Mythos 5.1 的分數引自 https://www.anthropic.com/claude-opus-5-5-system-card；GLM-5.3 的分數引自 https://z.ai/blog/glm-5.3。
2. ExploitGym。Kimi K3.1 Pro 使用 KimiCode 測試框架評測，每項任務的實際運行時間預算為 6 小時。GPT-6 Astra 的分數引自 https://openai.com/index/gpt-6-astra/；Claude Opus 5.5 和 Claude Mythos 5.1 在 6 小時預算下的分數引自 https://www.anthropic.com/claude-opus-5-5-system-card；GLM-5.3 的分數引自 https://z.ai/blog/glm-5.3。
3. xdev-Bench-hard：Kimi K3.1 Pro 使用 KimiCode 測試框架評測。GLM-5.3 和 DeepSeek-V4.1-Flash-1017 使用 Claude Code 測試框架評測。