月之暗面发布 Kimi K3.1 Pro，100 万 token 上下文，开放权重将于 11 月 4 日前释出

Kimi K3.1 Pro 正式发布

我们推出 Kimi K3.1 Pro，它是全新 K3.1 系列的首款模型，也是我们迄今能力最强的 3T 级开放权重模型，上下文窗口达 100 万 token。它在编程、3D 创作、金融研究以及其他智能体能力上均有大幅提升。

我们还同步发布 Kimi K3.1 Pro Highspeed，速度达到 K3.1 Pro 的 2-3 倍，交互响应更迅捷。

Kimi K3.1 Pro 与 Kimi K3.1 Pro Highspeed 即日起在 Kimi.com、Kimi Work、Kimi Code 和 Kimi API 上线。完整模型权重将于 11 月 4 日前发布。

拓展开放智能的边界

Kimi K3.1 Pro 是 Kimi K3 的后训练版本，后训练算力大幅增加。为了在数百个下游领域开展大规模联合强化学习，我们优化了技术栈的每一层——强化学习框架、长上下文推理、训练效率、沙箱基础设施、rollout 调度，以及用于环境质量检查的共享平台——让每一份强化学习算力都能带来稳定、可预期的回报。得益于此，K3.1 Pro 在各个领域都取得了持续提升。

在编程、智能体和知识类基准测试中，K3.1 Pro 达到或接近最强闭源模型的水平。在 Terminal-Bench 4.0 上，该测试用严格的任务专属测试评估编程智能体在贴近真实、资源受限的终端任务中的表现，K3.1 Pro 得分 65.7%，领先 GPT-6 Astra（58.2%），仅略低于 Claude Opus 5.5（66.4%）。在 Kimi Code Bench 3.0 Long-horizon 上，这是我们内部的基准测试，考察编程智能体在多种工程领域中的多步执行、工具使用和端到端问题解决能力，K3.1 Pro 得分 61.2%，高于 K3 的 55.95%。

编程

K3.1 Pro 覆盖各类编程工作，从真实代码库中的快速修复到完整项目构建都能胜任。它还能为游戏和网页体验带来更考究的视觉风格，并且懂得用合适的工具把它们搭建出来。

K3.1 Pro 可高效配合 Unity、Unreal Engine 和 Godot 等游戏引擎，并结合网页搜索与 3D 生成，打造完整的体验。它生成的前端页面、交互式 Three.js 场景和 3D 资产在构图、排版、动画和精细度上表现更佳。以下示例均由 K3.1 Pro 端到端完成：

K3.1 Pro 的长程编码能力也通过大规模强化学习得到强化。在一项内部测试中，它在 human-atlas 之上搭建了一个人体行走动力学模拟器，并集成了训练与评估流程。human-atlas 是一个开源的人体解剖模型，包含 296 个骨骼组件（含软骨）和 402 个肌肉组件。在 167 项任务和 420 次独立评审中，它分析实验结果、诊断问题，并反复改进行走控制器，使模拟人从几秒内就瘫倒，进步到能以交替步态连续行走 11.2 秒。当奖励塑形无法改善手臂动作时，K3.1 Pro 没有一味调整奖励，而是对模拟器的动力学做开环探测，找出并修正了肩部肌肉力臂计算中的 36 处错误，然后重新训练控制器。

3D 建模与设计

K3.1 Pro 在 3D 创作和空间推理方面表现出色。在 BenchCAD 上（该基准通过生成 CAD 代码来测试从多视角渲染图进行 3D 重建的能力），K3.1 Pro 借助工具得分 92.7%，接近 Claude Opus 5.5（96.2%）和 GPT-6 Astra（95.9%）的水平。无论是文字简述、草图还是参考图，它都能推断出形状、比例和空间关系，做出可用的 3D 模型。它对现有资产库和模型集合的掌握也更强。

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都能胜任。无需 MCP 连接器，它就能编写并运行 Blender、CAD 等工具的脚本，用来搭建和打磨资产、编辑组件，以及调整几何形状、材质和场景布局。

以下是 K3.1 Pro 为品牌影片、游戏和互动网页体验创作的 3D 资产示例：

3D Make 现已在 kimi.com 和 Kimi 应用上线——你可以在线预览和编辑 3D 模型，下载可直接用于 3D 打印的文件，或导出为视频、实况照片，分享到任何地方。

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 上取得当前最佳成绩（64.4），该基准通过检索、跨文档核验和多步数值推理，测试模型对真实财务文档中复杂财务数据的分析能力。在衡量从筛选到盈利分析完整投资工作流支持能力的 Frontier Finance 上，K3.1 Pro 也较 K3 有所提升。

在我们所有内部金融基准上，K3.1 Pro 同样有显著提升：

• Financial Modeling 评估真实建模任务中的公式联动、财务逻辑和最终工作簿质量。K3.1 Pro 较 K3 提升 7.2 分。
• Financial Research 评估模型能否在证据和截止时间约束下产出可审计的研究。K3.1 Pro 较 K3 提升 11.6 分。
• Business Operation 评估模拟商业环境中的长程管理与决策能力。K3.1 Pro 的表现约为 K3 的 4.2 倍。

财务分析与投资研究对事实准确性的要求极高。为此，我们针对 K3.1 Pro 在真实任务和挑战性提示词上的事实准确性做了定向改进。在 Kimi Hallu Bench Hard 这一内部基准（专为压力测试事实准确性而设计）上，其论断级幻觉率从 K3 的 23.4% 降至 8.3%，而至少包含一处事实错误的回答占比仅为前代的 42.4%。（该评测是对事实准确性的压力测试，样例刻意设计为探查模型容易出错的场景。所报告的比率不代表日常使用中的整体错误率。）

以下案例展示了 K3.1 Pro 在财务建模、投资分析和基于来源的研究中的实际表现：

网络安全

随着 K3.1 Pro 能力增强，我们相应投入了更大精力去理解网络能力从何而来，以及其中有多少可控。因此，我们分析并评估了 K3.1 Pro 的漏洞研究能力，并在训练中施加定向控制，在保留通用实用性的同时降低潜在的滥用风险。

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表现随着后训练规模扩大而稳步提升。追溯这一趋势的来源，我们发现网络相关内容嵌在通用中期训练语料中，网络相关任务也存在于强化学习环境组合里——这是在大规模数据上训练的自然副产物。在内部模型的初步实验中，我们发现若在中期训练或强化学习阶段都不做数据移除，下游网络能力会大幅提升。这些发现为我们提供了具体的控制抓手。在 K3.1 Pro 的开放权重发布中，我们从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施加适当控制，网络相关数据的识别与限制只是其中一例。

评估与结果。数据清洗后，我们在 xdev-bench-hard 上评估了 K3.1 Pro。这是我们内部的基准，由专家精选、基于源代码的漏洞发现与利用任务构成，并经过校准，以在当前能力水平上提供有意义的区分度。大多数任务忠实复现了 Linux 内核、Node.js、JavaScriptCore、Exim 和 VirGL 等软件近期披露的漏洞，且启用了缓解措施。每个任务提供存在漏洞的源代码、简短的缺陷提示和对应二进制文件；智能体必须开发出利用程序，在独立沙箱中实现任意代码执行，并取回一个秘密字符串以供自动验证。我们报告随机子集运行上的 pass@3，不设硬性超时或输出 token 限制。

在 xdev-bench-hard 上，未采取这些风险削减措施的检查点——训练中期未移除网络相关数据，也未对网络相关的强化学习环境做过滤——在 pass@3 下解决了 90.5% 的问题；最终的 K3.1 Pro 达到 81.0%。这一对比表明，相对于同一训练流程原本会产出的结果，数据移除确实显著降低了网络能力。与此同时，K3.1 Pro 相比前代有大幅提升，说明更强的通用编程能力和长程调试能力即使在定向数据移除之后，仍能泛化到网络任务上。K3.1 Pro 的网络能力仍落后于已公开可用至少三个月的前沿专有模型。我们会持续改进内部基准，使评估在模型能力不断进步的过程中始终保持参考价值。

开放权重原则。这些评估构成了我们开放权重发布决策的依据。第一，我们不希望发布会拓展网络能力绝对前沿的开放权重。K3.1 Pro 的攻击性网络能力按设计就低于我们训练流程所能达到的水平，并且仍落后于前沿专有模型。第二，我们打算逐步提高开放权重中可用的网络能力。我们认为，以非歧视的方式提供 K3.1 Pro，能让需要两用能力用于防御目的的人受益。当一个能力强大的模型是开放的、并运行在用户自己控制的基础设施上时，更多团队就能获得审计自己所维护代码的手段——包括那些很少接受专门安全审查的遗留系统。我们相信，让这种能力逐步扩散，而不是集中在少数专有系统中，最终会让所有软件更安全。

可用性

Kimi K3.1 Pro 今天起在 Kimi 全系产品上线：Kimi.com、Kimi 移动应用、Kimi Work 和 Kimi Code，以及通过 Kimi API 提供。

完整模型权重将于 2026 年 11 月 4 日前发布。

Kimi 企业版管理员可为所在组织启用 K3.1 Pro；该功能在发布时默认关闭。

各渠道详情：

• Kimi 智能体：从手机应用商店下载或更新至最新版 Kimi 应用，支持 iOS、Android 和 HarmonyOS，也可访问 kimi.com。
• 用 Kimi K3.1 Pro 办公：下载最新的 Kimi Work 桌面应用，版本 3.1.0 或更高，支持 Windows 和 Apple 芯片 Mac。
• 用 Kimi K3.1 Pro 写代码：运行 Kimi Code，使用 /model 命令选择 Kimi K3.1 Pro。
• 用 Kimi API 构建：访问 Kimi API 平台，选择 kimi-k3.1-pro / kimi-k3.1-pro-highspeed。API 客户可选用零数据保留。
• 将 Kimi 引入你的组织：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”，即可为团队订阅。

基准测试

脚注

除非另有说明，下文报告的所有 Kimi K3.1 Pro 结果均在推理强度设为“max”、temperature = 1.0、top-p = 0.95 的条件下获得。

编程基准

1. Terminal-Bench 4.0。Kimi K3.1 Pro 使用 Claude-Code 测试框架进行评估。DeepSeek-V4.1-Flash-1017 的分数取自发布博客（https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017）。其余分数均取各模型博客文章或 Terminal-Bench 4.0 官方排行榜（https://www.tbench.ai/）中报告的最高值。
2. Terminal-Bench Science 0.1。Kimi K3.1 Pro 使用 Claude-Code 测试框架进行评估。我们内部评测 DeepSeek-V4.1-Flash-1017 得到 9.3 分；但较早的版本 DeepSeek-V4.1-Flash 在官方 Terminal-Bench Science 上得分为 15.7，因此这里报告 15.7；其余分数均来自 Terminal-Bench Science 官方排行榜（https://www.terminal-bench-science.ai/）。
3. DeepSWE v1.1。Kimi K3.1 Pro 使用 Claude-Code 测试框架进行评估。所有分数均取自各模型对应的技术报告。GPT-6 Astra（https://openai.com/index/gpt-6-astra/）。Claude Opus 5.5 与 Claude Fable 5.1（https://www.anthropic.com/claude-opus-5-5-system-card 和 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 测试框架进行评估。DeepSeek-V4.1-Flash-1017 使用 ClaudeCode 测试框架进行评估。其余分数均取自 SWE-Marathon 官方排行榜（https://www.swe-marathon.org/）。
5. PostTrainBench。Kimi K3.1 Pro 和 DeepSeek-V4.1-Flash-1017 由我们在 v1.2 上内部评测，使用 Claude-Code 测试框架和 H20 GPU（而非 H100 GPU）。为保证评测稳定，所有评判模型均使用最高推理强度的 DeepSeek-V4.1-Flash-1017，测试中它与官方 GPT-5.6-Terra（xhigh）评判模型的表现最为接近。其余分数来自官方排行榜（https://posttrainbench.com/）。
6. ProgramBench（二值分数）。我们报告二值分数而非原始 ProgramBench 分数：任务得分 ≥95% 记 1 分，否则记 0 分。Kimi K3.1 Pro 使用 Claude-Code 测试框架进行评估。DeepSeek-V4.1-Flash-1017 和 GLM-5.3 的分数取自发布博客（https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017）；其余分数均来自 Vals ProgramBench 排行榜（https://www.vals.ai/benchmarks/programbench）。
7. 内部编程基准：Kimi Code Bench 2.0 和 Kimi Code Bench 3.0 长程任务。Kimi K3.1 Pro 使用 Claude-Code 测试框架进行评估；其余模型均在其最高推理强度设置下评测。请注意，专有模型的测试可能涉及一些回退行为。
8. BenchCAD。开源模型由我们在 Vision2Code 全量 17,900 个用例中随机抽取的 1,000 个用例子集上评测，采用最高推理强度。带工具的结果使用 Claude Code 测试框架；不带工具的结果使用官方 BenchCAD 提示词和评分流程进行单次生成。Claude Fable 5.1 和 Claude Opus 5.5 的分数取自 Claude Opus 5.5 System Card；GPT‑6 Astra 的带工具分数取自其官方报告。GPT‑6 Astra 未报告不带工具的分数，标记为“—”。

智能体基准

1. BioMysteryBench 数据集取自 官方 v11 版本，评判模型为 Kimi K3。我们评测了 Kimi K3.1 Pro（搭配 Kimi Code）、GLM-5.3 和 DeepSeek-V4.1-Flash-1017（搭配 Claude Code），以及 GPT-6 Astra（搭配 Codex）。Claude 系列模型的分数直接取自其官方系统卡。
2. Our Agents’ Last Exam 数据集取自 官方 v1.1 版本，共包含 122 个任务，其中 86 个为 CLI 任务，环境镜像与官方 Hugging Face 发布版本保持一致。此外，对于绕过任务既定要求的运行，我们一律记零分，例如不在 Wireshark 中完成所需分析，而是直接上网检索答案。DeepSeek 和 Kimi 分别使用 Claude Code 和 Kimi Code 评测，其余结果均取自官方基准网站。
3. OfficeQA Pro、OfficeQA Pro v2。GPT-6 Astra 使用 Codex 评测，其余模型均使用 Claude Code 评测。每个任务都会向智能体提供完整的 PDF 语料库，所有 PDF 均以图像形式呈现，不提供任何机器可读文本。我们在某些外部模型的轨迹中发现其上网检索参考答案的情况，因此将这些任务记为零分。
4. Frontier Finance 使用官方 finance agent v2 评测框架进行评测。
5. HANDBOOK.md 使用基于 OpenHands 构建的官方评测框架进行评测，评测任务取自该基准早期开源的 v1 版本。
6. Harvey Legal Agent 在一个包含 1,251 个任务的公开数据集上评测，使用 Artificial Analysis 的 Stirrup 评测框架，性能以全通过率（即通过全部评分标准的任务占比）报告。
7. OSWorld V2.1 使用官方 OSWorld v2 仓库中的 Kimi Agent 评测框架进行评测，GPT-6 Astra 的分数取自 Muse Wonder 的技术报告。
8. DECK-Arena 评测真实查询场景下的演示文稿生成，Design Bench 则通过直接提示和参考图少样本提示覆盖平面设计；两者均在集成搜索与图像生成的评测框架中，让模型分别基于 python-pptx、pptxjs 和 Kimi 自研 DSL 运行，并使用一个基于 10,000+ 条人工判断校准的自动评分器。
9. MCP Atlas。所有模型均在 500 个任务的公开子集上评测，限制 100 轮，评判模型为 Gemini 3.1 Pro。
10. BrowseComp。我们采用 Claude 模型卡中使用的上下文压缩策略，在 200K token 时触发。最多允许 500 步；若任务尚未完成便达到该上限，我们会强制智能体给出答案，再对该答案进行评判。所有 BrowseComp 运行均采用 temperature=1.0 和 top-p=1.0。
11. GDPval-AA v2.1、AA-Briefcase v1.1 和 AutomationBench-AA 的分数引自 https://artificialanalysis.ai/，Apex Agents 的分数引自 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。对于 GDP.pdf w/ python：每个原始 PDF 文件都会发送到沙箱，模型可以在沙箱中使用 IPython 工具处理该文件。最终回答使用 Gemini-3.5-Flash（中等推理强度）和官方评判提示词，按照每条评分标准逐项评分。我们报告任务宏平均评分标准通过率：对每个任务，先计算五次独立运行中通过的评分标准比例的平均值，再在所有任务之间对这些任务级分数等权平均。

推理与知识及多模态基准

1. GDP.pdf。每个 PDF 都以页面图像形式提供，图像最长边缩放至 1,152 像素，并按页面顺序与 Docling 提取的文本交错排列。回答使用 Gemini-3.5-Flash Medium 和官方评判提示词，按照每条评分标准逐项评分。我们报告完全评分回答中的严格通过率。
2. HLE 和 HLE-Diamond 评估通用知识与推理能力。我们报告在完整评估集上的准确率，其中 HLE 有 2,500 道题，HLE-Diamond 有 1,000 道题。对于标有星号（*）的模型，准确率报告在仅文本题目子集上。
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 分数引自 https://artificialanalysis.ai/。
4. MMMU-Pro 按照官方协议评估，保留原始输入顺序，并将图像前置到文本输入之前。
5. Kimi 幻觉基准评估在内部一组取自实际工作任务、经过脱敏的挑战性提示词上的事实准确性。我们报告由事实核查智能体评估的论断级幻觉率。

网络安全基准

1. ExploitBench。Kimi K3.1 Pro 使用官方 ExploitBench 测试框架，在 300 轮预算下评估。我们报告 pass@5 最大能力分数：对每个环境，取 5 个随机种子中表现最好的一次运行，按达到的能力标志数量（共 16 个）评分，其中实现任意代码执行即视为达到全部 16 项能力。GPT-6 Astra 的分数取自 https://openai.com/index/gpt-6-astra/；Claude Opus 5.5 和 Claude Mythos 5.1 的分数取自 https://www.anthropic.com/claude-opus-5-5-system-card；GLM-5.3 的分数取自 https://z.ai/blog/glm-5.3。
2. ExploitGym。Kimi K3.1 Pro 使用 KimiCode 测试框架评估，每个任务的挂钟时间预算为 6 小时。GPT-6 Astra 的分数取自 https://openai.com/index/gpt-6-astra/；Claude Opus 5.5 和 Claude Mythos 5.1 的分数取自 https://www.anthropic.com/claude-opus-5-5-system-card 中 6 小时预算下的结果；GLM-5.3 的分数取自 https://z.ai/blog/glm-5.3。
3. xdev-Bench-hard：Kimi K3.1 Pro 使用 KimiCode 测试框架评估。GLM-5.3 和 DeepSeek-V4.1-Flash-1017 使用 Claude Code 测试框架评估。