Kimi K3.1 Pro 登上 Artificial Analysis Intelligence Index 第四，距 Claude Opus 5.5 差 3 分
Chinese AI model Kimi K3.1 Pro is closing in on Anthropic's Claude Opus 5.5
月之暗面（Moonshot AI）發佈推理模型 Kimi K3.1 Pro，Artificial Analysis Intelligence Index 得分 55，排名第四，較 Kimi K3 高 11 分。
文中把 Intelligence Index 排名與多項 Agent 任務基準並列，呈現 Kimi K3.1 Pro 對照前代及 Claude Opus 5.5 時，整體評分和具體任務表現的差異。
Moonshot AI 全新的推理模型 Kimi K3.1 Pro 在 Artificial Analysis Intelligence Index 排名第四，僅落後頂尖專有模型 3 分。
中國 AI 公司 Moonshot AI 發佈了 Kimi K3.1 Pro，這是其前代模型 Kimi K3 經過後訓練的版本，後訓練階段投入的運算資源大幅增加。該模型在 Artificial Analysis Intelligence Index 得到 55 分，較 K3 高 11 分，排名第四。
排名較高的只有 Claude Opus 5.5（58）、Claude Sonnet 5.5（56）和 Muse Wonder Full（56），據 Artificial Analysis 指出。若 Moonshot 按計劃在 2026 年 11 月 4 日前發佈模型權重，K3.1 Pro 將成為目前得分最高的開放權重模型。假設屆時其他情況沒有變化，開放權重模型與專有模型之間的差距將由 12 分縮窄至僅 3 分。
Moonshot 同時推出名為 K3.1 Pro Highspeed 的版本，據公司表示，運行速度快兩至三倍。目前兩款模型均可透過 Kimi.ai、Kimi Work、Kimi Code 及 Kimi API 使用。
| 項目 | Kimi-K3.1-Pro | Kimi-K3.1-Pro-Highspeed |
|---|---|---|
| 輸入 | $2.00 / MTok | $4.00 / MTok |
| 輸出 | $10.00 / MTok | $20.00 / MTok |
| 快取輸入 | $0.20 / MTok | $0.20 / MTok |
Agent 任務的提升最大
K3.1 Pro 最大的進步體現在 Agent 任務上。據 Artificial Analysis 指出，該模型在 GDPval-AA 基準測試取得 1,846 Elo 分，較 K3 高 312 分，僅落後 Claude Opus 5.5（1,866）和 Muse Wonder Full（1,857）。Moonshot 表示，該模型在 Terminal-Bench 4.0 得分為 65.7%，高於 GPT-6 Astra（58.2%），僅略低於 Claude Opus 5.5（66.4%）。K3 在同一測試中只取得 13%。
幻覺率亦大幅下降。據公司表示，在 Moonshot 內部的 Kimi Hallu Bench Hard 測試中，主張層面的幻覺率由 K3 的 23.4% 降至 8.3%。Moonshot 表示，這是一項壓力測試，並非衡量一般錯誤率的指標。GPT-6 Astra 在同一基準測試的幻覺率為 5.5%，因此仍略勝一籌。
在內部金融基準測試中，K3.1 Pro 的 Financial Modeling 得分提升 7.2 分，Financial Research 得分提升 11.6 分。Moonshot 表示，在一般辦公室工作方面，該模型在 OfficeQA Pro v2 勝過所有受測模型。
| 基準測試 | Kimi K3.1 Pro | Claude Opus 5.5 | GPT-6 Astra | Claude Fable 5.1 | DeepSeek-V4.1-Flash | GLM-5.3 |
|---|---|---|---|---|---|---|
| Terminal-Bench 4.0 | 65.7 | 66.4 | 58.2 | 57.9 | 42.3 | 41.8 |
| SWE Marathon v1.1 | 51.7 | 46.3 | 42.5 | 45.6 | 40.0 | 42.5 |
| DeepSWE v1.1 | 75.5 | 74.2 | 74.1 | 67.4 | 77.0 | 66.9 |
| BenchCAD (with tools) | 92.7 | 96.2 | 95.9 | 92.6 | 81.6 | -- |
| HLE-Full (with tools) | 70.0 | 67.7 | 57.2 | 65.6 | 58.8 | 62.5 |
| BrowseComp | 92.1 | 90.8 | 91.5 | -- | -- | -- |
| OfficeQA Pro v2 | 64.4 | 62.2 | 54.4 | 54.5 | 40.4 | 31.1 |
| Automation Bench-AA | 73.3 | 69.5 | 68.5 | 59.4 | 66.6 | 62.2 |
| GDPval-AA v2.1 (Elo) | 1,846 | 1,866 | 1,573 | 1,754 | 1,746 | 1,650 |
| GPQA-Diamond | 94.2 | 93.9 | 96.1 | 93.7 | 92.2 | 91.7 |
| ExploitBench | 74.7 | 91.0 | 100 | 83.0 | -- | 54.4 |
Moonshot 的 Kimi K3.1 Pro 基準測試結果表。所有結果的推理力度均設為 "max"。
3D 建模與程式編寫
Moonshot 表示，K3.1 Pro 可直接配合 Unity、Unreal Engine 和 Godot 等遊戲引擎使用，處理快速修正及完整專案建置。在 BenchCAD 基準測試中，該模型使用工具時得分為 92.7%，接近 Claude Opus 5.5（96.2%）和 GPT-6 Astra（95.9%）。不使用工具時，得分為 72.8%，幾乎追平 Claude Opus 5.5（73.0%）。
Moonshot 表示，該模型最擅長對機械零件、建築模型及可配置產品進行參數化建模。它無需 MCP 連接器，便能編寫並執行 Blender 和 CAD 軟件的指令碼。公司亦在 Kimi.com 推出名為「3D Make」的功能，讓用戶預覽、編輯及匯出 3D 模型。
同等規模，價格更低
K3.1 Pro 的規模與 K3 相同，總參數量為 2.8 萬億，啟用參數量為 1,040 億。上下文窗口長達 100 萬個 token，模型支援處理文字和圖片。根據 Artificial Analysis 的數據，它位居帕累托前沿頂端。在參數量相若的模型中，沒有其他模型的智能指數得分更高。
Token 價格下調 33%。輸入費用為每百萬個 token $2（由 $3 下調），輸出費用為 $10（由 $15 下調），快取命中費用為 $0.20（由 $0.30 下調）。智能指數每項任務的成本為 $1.98，與 K3 的 $2.00 幾乎相同，因為該模型生成的輸出 token 多 14%。
網絡安全及對攻擊能力的刻意限制
Moonshot 在其技術網誌文章中用了整個章節討論網絡安全。公司表示，隨着後訓練規模擴大，漏洞研究能力持續增長；原因是網絡安全相關內容被納入一般的中期訓練語料庫，而相關任務亦屬於 RL 環境組合的一部分。
在開放權重版本中，Moonshot 從兩個訓練階段中剔除了網絡安全相關數據。在公司內部的 xdev-bench-hard 測試中，該測試重現了近期在 Linux 核心、Node.js 和 JavaScriptCore 等軟件中披露的漏洞，未清理版本能解決 90.5% 的任務。清理數據後，K3.1 Pro 能解決 81.0% 的任務。DeepSeek-V4.1-Flash 在同一測試中取得 85.7%，而 Kimi K3 的得分為 33.3%。
Moonshot 表示，任何開放權重模型都不應把網絡攻擊能力推至絕對前沿。同時，公司希望逐步提升開放模型的能力，因為這些模型亦可用於防禦用途，例如審核舊有系統。Anthropic 早前展示，即使是在 AA Index 得分 45 的 GLM-5.3，也能編寫能力接近 Claude Mythos 的漏洞利用程式。
無炒作的 AI 新聞——由人手精選
訂閲 THE DECODER，即可享有無廣告閲讀體驗、每週 AI 電子通訊、每年六期獨家「AI Radar」前沿報告、完整檔案庫存取權，以及留言區使用權。
來源：The Decoder · the-decoder.com