Kimi K3.1 Pro及Pro Highspeed发布

介绍 Kimi K3.1 Pro

我们推出了 Kimi K3.1 Pro，这是我们全新 K3.1 系列的第一款模型，也是我们迄今为止最强大的 3T 级开放重量模型，具有 100 万个 token 的上下文窗口。它在编码、3D 创建、金融研究和其他智能体能力方面带来了显著的改进。

我们还发布了 Kimi K3.1 Pro 高速版，其速度比 K3.1 Pro 快 2-3 倍，以实现更响应的交互。

Kimi K3.1 Pro 和 Kimi K3.1 Pro 高速版今天即可在 Kimi.ai、Kimi Work、Kimi Code 和 Kimi API 上使用。完整模型权重将在 11 月 4 日发布。

推动开放智能的边界

Kimi K3.1 Pro 是 Kimi K3 的后训练版本，后训练计算量显著更大。为了实现跨 数百个下游领域 的大规模联合强化学习，我们优化了堆栈的每一层——强化学习框架、长上下文推理、训练效率、沙盒基础设施、部署调度以及用于环境质量检查的共享平台——以便每次强化学习计算的增量都能带来稳定、可预测的回报。结果，K3.1 Pro 在每个领域都实现了持续的增益。

在编码、智能体和知识基准测试中，K3.1 Pro 与最强大的专有模型相当或接近。在 Terminal-Bench 4.0 上，该基准测试使用严格的特定任务测试评估编码智能体在现实、资源受限的终端任务上的表现，K3.1 Pro 得分 65.7%，超过 GPT-6 Astra (58.2%)，并紧随 Claude Opus 5.5 (66.4%) 之后。在 Kimi Code Bench 3.0 Long-horizon 上，这是我们内部基准测试，测试编码智能体在多个工程领域的多步执行、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%。

编码

K3.1 Pro 涵盖了编码工作的全部范围，从实际代码库中的快速修复到完整项目的构建。它还为游戏和网页体验带来了更深思熟虑的视觉风格，并知道如何使用正确的工具来构建它们。

K3.1 Pro 在 Unity、Unreal Engine 和 Godot 等游戏引擎上表现有效，将它们与网络搜索和 3D 生成结合起来，以创建完整体验。其前端页面、交互式 Three.js 场景和 3D 资产展示了更强的构图、排版、动画和润色。以下示例是由 K3.1 Pro 完整创建的：

K3.1 Pro 的长时程编码能力也通过大规模强化学习得到加强。 在一次内部测试中，它在开源的人体解剖模型 human-atlas（包含 296 个骨骼组件，包括软骨，以及 402 个肌肉组件）之上构建了一个人类行走动力学模拟器，并集成了训练和评估流程。在 167 次任务和 420 次独立评审中，它分析了实验结果，诊断了问题，并迭代地优化了行走控制器，使模拟人类从几秒钟内崩溃到以交替步伐连续行走 11.2 秒。当奖励塑形无法改善手臂运动时，K3.1 Pro 并没有简单地继续调整奖励：它运行了模拟器动力学的开环探测，识别并纠正了 36 个肩部肌肉力矩臂计算中的错误，然后重新训练了控制器。

3D 建模和设计

K3.1 Pro 在 3D 创建和空间推理方面表现出色。 在 BenchCAD（通过 CAD 代码生成从多视图渲染进行 3D 重建的测试）上，K3.1 Pro 使用工具得分为 92.7%，接近 Claude Opus 5.5 (96.2%) 和 GPT-6 Astra (95.9%) 的性能。从文本简报、草图或参考图像中，它可以推断形状、比例和空间关系来创建可用的 3D 模型。它还对现有的资源库和模型集合有更强的理解。

K3.1 Pro 特别擅长参数化建模，从机械零件和建筑模型到可配置产品和定制家具。 没有 MCP 连接器，它可以编写和运行像 Blender 和 CAD 软件这样的工具的脚本，以构建和细化资源，编辑组件，并调整几何形状、材料和场景布局。

以下是 K3.1 Pro 为品牌电影、游戏和交互式网络体验创建的 3D 资源示例：

3D Make 现已在 kimi.ai 和 Kimi 应用程序上发布 — 在线预览和编辑您的 3D 模型，下载它们以准备 3D 打印，或将其作为视频或 Live Photos 导出以分享到任何地方。

金融

凭借更强的推理和代理能力，K3.1 Pro 能够端到端地交付完整的金融工作流程。K3.1 Pro 在 OfficeQA Pro v2 (64.4) 上取得了最先进的结果，该测试通过检索、跨文档验证和多步数值推理，在真实金融文件上进行复杂财政数据分析。K3.1 Pro 在 Frontier Finance 上也优于 K3，后者衡量从筛选到盈利能力分析的支持完整投资工作流程。

K3.1 Pro 在我们所有的内部金融基准测试中都显著改进：

• 金融建模 评估在现实世界建模任务中公式链接、金融逻辑和最终工作簿质量。K3.1 Pro 比 K3 提高了 7.2 分。
• 金融研究 评估模型在证据和截止日期约束下是否能够产生可审计的研究。K3.1 Pro 比 K3 提高了 11.6 分。
• 业务运营 评估在模拟商业环境中的长期管理和决策能力。K3.1 Pro 的性能约为 K3 的 4.2 倍。

金融分析和投资研究需要高度的准确性。为了解决这个问题，我们针对性地改进了 K3.1 Pro 在现实任务和具有挑战性的提示下的 事实准确性。在 Kimi Hallu Bench Hard 基准测试中，这是一个用于测试事实准确性的内部基准，其声明级别的幻觉率从 K3 的 23.4% 降至 8.3%，而至少包含一个事实性错误的比例仅为前者的 42.4%。（该评估是对事实准确性的压力测试，示例被故意设计用来探测模型容易出错的情况。报告的比率不代表日常使用中的总体错误率。）

以下案例展示了 K3.1 Pro 在实践中如何处理金融建模、投资分析和基于来源的研究：

网络安全

随着 K3.1 Pro 变得更加强大，我们相应地投入了更多的精力来理解网络能力来自何方，以及我们能够控制多少。因此，我们分析了并评估了 K3.1 Pro 的漏洞研究能力，并在训练过程中应用了有针对性的控制，以降低潜在的滥用风险，同时保持其通用实用性。

识别和移除与网络相关的数据。在开发过程中，我们观察到漏洞研究性能随着训练后规模的扩大而稳步提高。追踪这一趋势的来源，我们发现与网络相关的內容嵌入在一般的中训练语料库中，与网络相关的任务存在于 RL 环境混合中——这是在广泛数据上训练的自然产物。在内部模型上的初步实验中，我们发现如果没有在中训练或 RL 阶段进行数据移除，下游的网络能力将大幅增加。这些发现为我们提供了一个具体的控制杠杆。对于 K3.1 Pro 的开放权重发布，我们从两个训练阶段中识别并移除了与网络相关的数据，同时保留了模型实用性所需的通用编码任务。我们将继续在每一个训练阶段应用适当的控制，其中与网络相关的数据识别和限制是一个例子。

评估和结果。在数据清理后，我们在 xdev-bench-hard 上评估了 K3.1 Pro，这是我们内部专家策划的、基于源代码的漏洞发现和利用任务的基准测试，校准为在我们的当前能力水平下提供有意义的区分。大多数任务忠实地再现了最近披露的软件漏洞，如 Linux 内核、Node.js、JavaScriptCore、Exim 和 VirGL，并启用了缓解措施。每个任务提供易受攻击的源代码、一个简短的错误提示以及相应的二进制文件；代理必须开发一个利用程序，在单独的沙盒中实现任意代码执行，并检索一个用于自动验证的秘密字符串。我们报告在随机子集运行上的 pass@3，没有硬性超时或输出标记限制。

在 xdev-bench-hard 上，没有这些风险降低措施的检查点——在中训练时没有移除与网络相关的数据，并且没有过滤与网络相关的 RL 环境——在 pass@3 下解决了 90.5% 的问题；最终的 K3.1 Pro 达到了 81.0%。

比较表明，数据移除相对于相同训练管道否则会产生的能力，显著降低了网络能力。

同时，K3.1 Pro 相比其前身有显著提升，表明更强的通用编码和长时程调试能力在目标数据移除后仍能泛化到网络任务中

K3.1 Pro 的网络能力仍然落后于至少公开三个月的前沿专有模型

我们将持续改进内部基准，以便随着模型能力的提升，评估保持信息量

开放权重原则。这些评估构成了我们开放权重发布的决策框架。首先，我们的目标不是发布会扩展网络能力绝对前沿的开放权重。K3.1 Pro 的进攻性网络能力在设计上低于我们的管道能产生的水平，并且仍然落后于前沿专有模型。其次，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 使需要用于防御目的的双重用途能力的人们受益。当一个有能力的模型开放并在其用户控制的设施上运行时，更多的团队获得了审计他们维护的代码的手段——包括很少接受专门安全审查的遗留系统。我们认为让这种能力逐渐扩散——而不是集中在少数专有系统中——最终使所有软件更安全

可用性

Kimi K3.1 Pro 今天推出，覆盖整个 Kimi 产品系列：在 Kimi.ai 和 Kimi 移动应用、Kimi Work 和 Kimi Code，以及通过 Kimi API

完整模型权重将于 2026 年 11 月 4 日发布

Kimi 企业管理员 可以为其组织启用 K3.1 Pro；在发布时默认关闭访问

每个渠道的详细信息：

• Kimi 代理：从您的移动应用商店下载或更新到最新版本的 Kimi 应用，可在 iOS、Android 和 HarmonyOS 上使用，或访问 kimi.ai
• 使用 Kimi K3.1 Pro 工作：下载最新版本的 Kimi Work 桌面应用，版本 3.1.0 或更高版本，适用于 Windows 和 Apple silicon 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 客户端提供零数据保留
• 将 Kimi 带到您的组织：Kimi Business 提供企业级数据隐私和成员管理，个人和组织账户完全分离。访问定价页面并选择“获取 Kimi Business”为您的团队订阅

基准

脚注

除非另有说明，下表中所有报告的 Kimi K3.1 Pro 结果都是在推理努力设置为 'max'、温度 = 1.0 和 top-p = 0.95 的情况下获得的

编码基准

1. Terminal-Bench 4.0。Kimi K3.1 Pro 使用 Claude-Code 容器进行评估。DeepSeek-V4.1-Flash-1017 来自发布博客 (https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017)。所有其余分数取自其博客帖子或官方 Terminal-Bench 4.0 排行榜 (https://www.tbench.ai/)
2. Terminal-Bench Science 0.1. Kimi K3.1 Pro 使用 Claude-Code harness 进行评估。我们的内部评估 DeepSeek-V4.1-Flash-1017 得分为 9.3；然而，一个较旧版本 DeepSeek-V4.1-Flash 在官方 Terminal-Bench Science 上得分为 15.7，因此我们在此报告 15.7；其余所有得分均来自官方 Terminal-Bench Science 排行榜 (https://www.terminal-bench-science.ai/)。
3. DeepSWE v1.1. Kimi K3.1 Pro 使用 Claude-Code harness 进行评估。所有得分均来自每个模型的相应技术报告。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 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 harness 进行评估。DeepSeek-V4.1-Flash-1017 使用 ClaudeCode harness 进行评估。其余所有得分均来自官方 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 版本上使用 Claude-Code harness 和 H20 GPU 进行了内部评估，而不是 H100 GPU。为了稳定评估，所有裁判模型均以最大努力使用 DeepSeek-V4.1-Flash-1017，这与测试中的官方 GPT-5.6-Terra (xhigh) 裁判最匹配。其余得分均来自官方排行榜 (https://posttrainbench.com/).
6. ProgramBench (二进制得分). 我们报告二进制得分而不是原始 ProgramBench 得分：如果任务的 ProgramBench 得分 ≥95%，则得分为 1，否则为 0。Kimi K3.1 Pro 使用 Claude-Code harness 进行评估。DeepSeek-V4.1-Flash-1017 和 GLM-5.3 得分来自发布博客 (https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017); 其余所有得分均来自 Vals ProgramBench 排行榜 (https://www.vals.ai/benchmarks/programbench).
7. 内部编码基准：Kimi Code Bench 2.0 和 Kimi Code Bench 3.0 Long-horizon. Kimi K3.1 Pro 使用 Claude-Code harness 进行评估；其余所有模型均在最大效率设置下进行评估。请注意，专有模型测试可能涉及一些回退行为.
8. BenchCAD. 开放模型由我们在从完整的 17,900 案例的 Vision2Code 数据集中随机采样的 1,000 案例子集上以最大推理努力进行评估。带工具的结果使用 Claude Code harness；不带工具的结果使用官方 BenchCAD 提示和评分流程的单次生成。Claude Fable 5.1 和 Claude Opus 5.5 的得分来自 Claude Opus 5.5 System Card; GPT‑6 Astra 的带工具得分来自其 官方报告。GPT‑6 Astra 尚未报告不带工具的得分，并标记为“—”。

代理基准

1. BioMysteryBench 数据集来自 官方 v11 发布，Kimi K3 作为裁判模型。我们使用 Kimi Code、GLM-5.3 和 DeepSeek-V4.1-Flash-1017 使用 Claude Code 评估 Kimi K3.1 Pro，使用 Codex 评估 GPT-6 Astra。Claude 模型的得分直接来自它们的官方系统卡。
2. 我们的代理最后考试数据集源自官方v1.1版本，包含122个任务，其中86个是CLI任务，环境镜像与官方Hugging Face发布版本一致。我们额外给那些绕过任务明确要求的运行打零分，例如在线获取答案而不是在Wireshark中执行要求的分析。DeepSeek和Kimi分别使用Claude Code和Kimi Code进行评估。所有其他结果均来自官方基准网站。
3. OfficeQA Pro，OfficeQA Pro v2。GPT-6 Astra使用Codex进行评估，而所有其他模型使用Claude Code进行评估。每个任务向代理提供整个PDF语料库，所有PDF都被渲染为图像，没有机器可读文本。我们观察到某些外部模型在轨迹中在线检索参考答案的情况；因此，我们给这些任务打零分。
4. Frontier Finance使用官方金融代理v2工具进行评估。
5. HANDBOOK.md使用基于OpenHands的官方工具进行评估，评估任务来自基准的早期开源v1版本。
6. Harvey Legal Agent在一个包含1,251个任务的公共数据集上使用Artificial Analysis的Stirrup工具进行评估，性能报告为全通过率（即通过所有评分标准的任务百分比）。
7. OSWorld V2.1使用官方OSWorld v2仓库中的Kimi Agent工具进行评估，而GPT-6 Astra的分数来自Muse Wonder的技术报告。
8. DECK-Arena评估基于真实查询的演示生成，而Design Bench通过直接和参考图像的少样本提示覆盖图形设计；两者在集成了搜索和图像生成的工具中运行模型，使用在10,000多次人工判断上校准的自动评分器。
9. MCP Atlas。所有模型在500任务的公共子集上使用100回合限制进行评估，使用Gemini 3.1 Pro作为裁判。
10. BrowseComp。我们采用Claude模型卡中使用的上下文压缩策略，在200K个token时触发。我们允许最多500步；如果任务在达到此限制之前未完成，我们将强制代理提供答案，然后进行评判。所有BrowseComp运行均使用temperature=1.0和top-p=1.0。
11. GDPval-AA v2.1，AA-Briefcase v1.1和AutomationBench-AA分数引自https://artificialanalysis.ai/，Apex Agents分数引自https://www.mercor.com/apex/apex-agents-leaderboard/
12. GDP.pdf w/ python，ZeroBench w/ python和ChartoGraphy w/ python在五次运行中取平均值。其他多模态基准（w/ python）在四次运行中取平均值。对于GDP.pdf w/ python：每个原始PDF文件被发送到沙盒，模型可以使用IPython工具对其进行处理。最终答案使用Gemini-3.5-Flash（中等推理力度）和官方评判提示与每个评分标准进行评判。我们报告任务-宏观平均评分标准通过率：对于每个任务，我们平均在五次独立运行中通过评分标准的比例，然后平均这些任务级分数，所有任务平均分配。

推理 & 知识 & 多模态基准

1. GDP.pdf. 每个 PDF 都提供为页面图像，最长边调整为 1,152 像素，并与按页面顺序提取的 Docling 文本交错。使用 Gemini-3.5-Flash Medium 和官方评分提示对响应进行评分，我们报告了在完全评分的响应中的严格通过率。
2. HLE 和 HLE-Diamond 评估一般知识和推理能力。我们报告了在完整评估集中的准确率，HLE 有 2,500 个问题，HLE-Diamond 有 1,000 个问题。对于标有星号（*）的模型，准确率报告在仅文本的问题子集上。
3. GDP.pdf、ZeroBench 和 ChartoGraphy 在五次运行中取平均值。其他多模态基准在四次运行中取平均值。GLM-5.3 Max 和 DeepSeek-V4.1-Flash-1017 Max 的 GDP.pdf 分数引自 https://artificialanalysis.ai/。
4. MMMU-Pro 按照官方协议进行评估，保留原始输入顺序，并将图像附加到文本输入的开头。
5. Kimi Hallucination Benchmark 评估对一组具有挑战性、去识别化的提示的客观准确性，这些提示来自实际工作任务。我们报告了由事实核查代理评估的声明级幻觉率。

网络安全基准

1. ExploitBench。Kimi K3.1 Pro 使用官方 ExploitBench 执行程序在 300 轮预算下进行评估。我们报告了 pass@5 max 能力分数：对于每个环境，在 5 个种子中的最佳运行，根据达到的 16 个能力标志的数量进行评分，其中实现任意代码执行计为达到所有 16 个能力。GPT-6 Astra 分数引自 https://openai.com/index/gpt-6-astra/；Claude Opus 5.5 和 Claude Mythos 5.1 分数引自 https://www.anthropic.com/claude-opus-5-5-system-card；GLM-5.3 分数引自 https://z.ai/blog/glm-5.3。
2. ExploitGym。Kimi K3.1 Pro 使用 KimiCode 执行程序在每项任务 6 小时的墙上时钟预算下进行评估。GPT-6 Astra 分数引自 https://openai.com/index/gpt-6-astra/；Claude Opus 5.5 和 Claude Mythos 5.1 分数引自 https://www.anthropic.com/claude-opus-5-5-system-card 在 6 小时预算下；GLM-5.3 分数引自 https://z.ai/blog/glm-5.3。
3. xdev-Bench-hard：Kimi K3.1 Pro 使用 KimiCode 执行程序进行评估。GLM-5.3 和 DeepSeek-V4.1-Flash-1017 使用 Claude Code 执行程序进行评估。