Kimi K3.1 Pro 開放權重模型推出，提供 1-million-token 上下文窗口

📰  科技網誌 |     🚀  API 快速入門

1. 模型簡介

Kimi K3.1 Pro 是一款開放權重、原生多模態的智能體模型，也是我們至今能力最強的 3T 級模型。它以 Kimi K3 為基礎，經過後訓練，並在數百個下游領域進行大規模聯合強化學習，是 K3.1 系列的首個模型。Kimi K3.1 Pro 擁有 1 百萬 Token 的上下文視窗，在編碼、3D 創作、金融研究、事實準確度及其他智能體能力方面均有顯著提升。

2. 模型摘要

^* 與 Kimi K3 相比，我們以 Gated DeepSeek Sparse Attention（Gated DSA）層取代全注意力 Gated MLA 層，以更有效地進行長上下文建模。

3. 評測結果

除非另有註明，所有 Kimi K3.1 Pro 的結果均採用推理力度 max、temperature = 1.0 和 top-p = 0.95。破折號（—）表示來源表格沒有列出分數。除基準名稱明確註明 lower is better 的情況外，分數越高越好；Elo 分數及其他基準專用指標不能直接與準確率或通過率分數比較。

評估註腳

編碼基準測試

1. Terminal-Bench 4.0. Kimi K3.1 Pro 使用 Claude Code 測試框架進行評估。DeepSeek-V4.1-Flash-1017 的分數取自其發布網誌。其餘分數均為模型網誌文章或Terminal-Bench 官方排行榜列出的最高分。
2. Terminal-Bench-Science 0.1. Kimi K3.1 Pro 使用 Claude Code 進行評估。內部評估得出 DeepSeek-V4.1-Flash-1017 的分數為 9.3；表格則列出官方排行榜上較舊版本 DeepSeek-V4.1-Flash 的分數 15.7。其餘分數均取自Terminal-Bench-Science 排行榜。
3. SWE-Marathon v1.1. Kimi K3.1 Pro 和 DeepSeek-V4.1-Flash-1017 使用 Claude Code 進行評估。其他分數取自官方排行榜。
4. ProgramBench. 表格列出二元分數：如果某項任務的 ProgramBench 分數至少為 95%，該任務得 1 分，否則得 0 分。K3.1 Pro 使用 Claude Code 進行評估。DeepSeek 和 GLM 的分數取自DeepSeek 發布網誌；其餘分數取自Vals AI。
5. DeepSWE v1.1. K3.1 Pro 使用 Claude Code 進行評估。其他分數取自以下模型各自的技術報告：GPT-6 Astra、Claude Opus 5.5、Claude Fable 5.1、DeepSeek-V4.1-Flash-1017 和 GLM-5.3。
6. PostTrainBench. K3.1 Pro 和 DeepSeek-V4.1-Flash-1017 使用 Claude Code 和 H20 GPU，在 v1.2 版本上進行內部評估，而非使用 H100 GPU。為確保評估穩定，所有評審模型均使用最高推理力度設定的 DeepSeek-V4.1-Flash-1017；測試顯示，它最能匹配官方 GPT-5.6-Terra (xhigh) 評審模型。其他分數取自官方排行榜。
7. Kimi Code Bench 2.0 和 Kimi Code Bench 3.0 Long-horizon. 這些是內部基準測試。K3.1 Pro 使用 Claude Code 進行評估；所有其他模型均使用各自的最高推理力度設定。專有模型測試可能涉及後備行為。
8. BenchCAD. 開放模型以最高推理力度，在從 17,900 個案例的 Vision2Code 數據集中隨機抽取的 1,000 個案例子集上進行評估。使用工具的結果採用 Claude Code；不使用工具的結果則以官方提示詞和評分方式進行單次生成。Claude 的分數取自 Opus 5.5 System Card，而 GPT-6 Astra 使用工具的分數取自其官方報告。GPT-6 Astra 沒有公佈不使用工具的分數。

智能體基準測試

1. BioMysteryBench. 使用官方 v11 版本，並由 Kimi K3 擔任評審。K3.1 Pro 使用 Kimi Code；GLM-5.3 和 DeepSeek-V4.1-Flash-1017 使用 Claude Code；GPT-6 Astra 使用 Codex。Claude 的分數取自官方系統卡。
2. Agents' Last Exam. 使用官方 v1.1 版本，包含 122 項任務，其中包括 86 項 CLI 任務。繞過明示要求的執行結果得零分。DeepSeek 和 Kimi 分別使用 Claude Code 和 Kimi Code 進行評估；其他結果取自官方基準測試網站。
3. OfficeQA Pro 和 OfficeQA Pro v2。GPT-6 Astra 使用 Codex；其他模型使用 Claude Code。每項任務均提供完整的 PDF 語料庫，內容為頁面圖片，不含機器可讀文字。若外部模型的執行軌跡在網上檢索參考答案，該模型在相關任務的得分將為零。
4. Frontier Finance。使用官方 Finance Agent v2 評測框架進行評估。
5. HANDBOOK.md。使用基於 OpenHands 的官方評測框架進行評估，任務取自該基準早期開源 v1 版本。
6. Harvey Legal Agent。使用 Artificial Analysis 的 Stirrup 評測框架，在 1,251 項公開任務上進行評估。報告分數為全項通過率，即通過所有評分準則的任務百分比。
7. OSWorld V2.1。Kimi 模型使用官方 OSWorld v2 儲存庫中的 Kimi Agent 評測框架。GPT-6 Astra 的分數取自 Muse Wonder 的技術報告。
8. DECK-Arena 和 Design Bench。DECK-Arena 使用真實場景查詢評估簡報生成；Design Bench 則透過直接提示及以參考圖片作少樣本提示，評估平面設計。兩者均在整合搜尋和圖片生成的評測框架中，評估 python-pptx、pptxjs 和 Kimi 內部開發的 DSL。自動評分器以超過 10,000 項人工判斷結果進行校準。
9. BrowseComp。上下文壓縮會在達到 200K tokens 時觸發，最多執行 500 步。若達到上限，代理會被強制在評判前作答。所有測試執行均使用 temperature = 1.0 和 top-p = 1.0。
10. GDPval-AA v2.1、AA-Briefcase v1.1 和 AutomationBench-AA。分數引自 Artificial Analysis。APEX-Agents。分數引自官方排行榜。
11. 工具增強多模態評估。GDP.pdf w/ python、ZeroBench w/ python 和 ChartoGraphy w/ python 的分數取五次測試的平均值；其他使用 Python 的多模態基準則取四次測試的平均值。對於 GDP.pdf w/ python，每份原始 PDF 均會傳送至沙盒進行 IPython 處理。系統使用 Gemini-3.5-Flash，以中等推理力度及官方評判提示詞，按各項評分準則評分回答。報告分數為任務宏平均評分準則通過率。

推理、知識及多模態基準

1. GDP.pdf。每份 PDF 均以頁面圖片形式提供，圖片的最長邊縮放至 1,152 像素，並按頁面順序穿插由 Docling 擷取的文字。系統使用 Gemini-3.5-Flash Medium 及官方評判提示詞，按各項評分準則評分回答。表格列出已完成評分的回答中的嚴格通過率。GLM-5.3 Max 和 DeepSeek-V4.1-Flash-1017 Max 的分數引自 Artificial Analysis。
2. HLE-Full 和 HLE-Diamond。完整評估集分別包含 2,500 和 1,000 條問題。對於標有 * 的分數，準確度按純文字子集計算。
3. 測試次數。GDP.pdf、ZeroBench 和 ChartoGraphy 的分數取五次測試的平均值；其他多模態基準則取四次測試的平均值。
4. MMMU-Pro。按照官方規範進行評估，保留原始輸入順序，並將圖片置於文字輸入之前。
5. PerceptionBench。專注於原子級視覺感知能力的內部基準。
6. Kimi Hallucination Benchmark。在一組內部提示詞上評估事實準確度；這些提示詞取自實際工作任務，具挑戰性並已移除可識別資料。表格列出由事實查核代理評估的逐項聲明幻覺率。

網絡安全基準測試

1. ExploitBench。K3.1 Pro 在 300 回合預算下使用官方測試框架進行評估。表格列出 pass@5 最高能力分數：每個環境均以五個隨機種子中表現最佳的一個計分，按達成的能力旗標數目計算，總數為 16 項；任意程式碼執行即計作具備全部 16 項能力。比較分數取自 OpenAI、Anthropic 和 GLM-5.3。
2. ExploitGym。K3.1 Pro 使用 Kimi Code 進行評估，每項任務的實際時間上限為六小時。GPT-6 Astra、Claude 和 GLM 的比較分數取自各自的官方報告；Claude 的結果採用相同的六小時時間上限。
3. xdev-bench-hard。K3.1 Pro 使用 Kimi Code 進行評估；GLM-5.3 和 DeepSeek-V4.1-Flash-1017 則使用 Claude Code。這項內部基準測試包含由專家整理、以原始碼為基礎的漏洞發現及利用任務。最終模型在隨機抽取的執行結果子集上以 pass@3 評估，不設硬性逾時限制或輸出 token 限制。

4. 部署與供應情況

你可以前往 https://platform.kimi.ai 使用 Kimi K3.1 Pro 的 API，方法是選取 kimi-k3.1-pro；我們亦提供相容於 OpenAI/Anthropic 的 API。 目前，建議在以下推理引擎上執行 Kimi K3.1 Pro：

• vLLM — 查看操作範例
• SGLang — 查看範例集
• TokenSpeed — 查看操作範例

5. 模型使用方法

Kimi K3.1 Pro 的思考強度透過頂層 reasoning_effort 請求欄位設定，支援 "low"、"high" 和 "max"（預設為 "max"）。

在多輪對話及工具呼叫中，必須將 API 傳回的完整助理訊息原樣傳回 messages，包括 reasoning_content 和 tool_calls，而不只是 content：

import openai

def chat_with_preserved_thinking(client: openai.OpenAI, model_name: str):
    messages = [
        {
            "role": "user",
            "content": "Tell me three random numbers."
        },
        {
            "role": "assistant",
            "reasoning_content": "I'll start by listing five numbers: 473, 921, 235, 215, 222, and I'll tell you the first three.",
            "content": "473, 921, 235"
        },
        {
            "role": "user",
            "content": "What are the other two numbers you have in mind?"
        }
    ]

    response = client.chat.completions.create(
        model=model_name,
        messages=messages,
        stream=False,
        max_tokens=4096,
        reasoning_effort="max",
    )
    # the assistant should mention 215 and 222 that appear in the prior reasoning content
    print(f"response: {response.choices[0].message.reasoning}")
    return response.choices[0].message.content

完整指南及範例（視覺輸入、結構化輸出、部分模式、工具選擇、動態載入工具、上下文快取），請參閲 Kimi K3.1 Pro 快速入門和思考強度。

6. 授權條款

Kimi K3.1 Pro 以 Kimi K3.1 Pro License 授權發布。

7. 聯絡我們

如有任何問題，請電郵至 support@moonshot.ai。

上月下載次數

797

Safetensors

moonshotai/Kimi-K3.1-Pro 的模型樹

使用 moonshotai/Kimi-K3.1-Pro 的 Space 1