Kimi 自己说减了 9.5 分

10 月 24 日凌晨 1 点 15 分，月之暗面的官方账号发出 Kimi K3.1 Pro。这是 K3.1 系列的第一个模型，由 K3 后训练而来。1 这一帖给出的参数是总参数 2.8T、激活 104B；发布页把它写成「3T 级的开放权重模型」，上下文 100 万 token。2 模型当天在 Kimi.ai、Kimi Work、Kimi Code 和 API 上线，完整权重定在 11 月 4 日前放出。

发布文里最值得看的是网络安全那一节。它给出一组同行很少给过的对照：同一套训练流程，两处 cyber 数据都保留时，模型在自研的 xdev-bench-hard 上解出 90.5 题；两处都删掉之后，实际发布的 K3.1 Pro 解 81.0 题。2

月之暗面把来源写得很具体。它先观察到后训练算力越大、模型的漏洞研究能力越强，追下去发现 cyber 内容混在两处：mid-training 的通用语料里，以及 RL 环境里。2 两处都删，通用编码任务保留，官方原句是「retaining the general-purpose coding tasks needed for model usefulness」。

对照那一版是同一套流程、两处都不删的 checkpoint。官方把它和最终版放在同一张表里跑同一套题，于是有了 90.5 与 81.0 这组数。2

这组数在月之暗面自己的发布史里是第一次出现。K3 的技术报告有专门的网络安全评测：自建 36 题利用套件，K3 解 14 题（38.9%），GLM-5.2 解 8 题（22.2%）。3 那份报告里没有任何「为安全删数据」的表述，也没有删与不删的对照。

同期其他开放权重厂商的做法更不一样。智谱在 GLM-5.3 的发布文里写，后训练阶段「引入了漏洞发现数据与环境」，CyberGym 拿到 84.5。4 智谱走的方向是加数据，月之暗面走的方向是删数据；两家都把数字放了出来。DeepSeek、阿里 Qwen、Meta、Mistral、NVIDIA Nemotron 在这一轮开放权重发布里都只做常规安全评测，没有给出删前删后的同一基准读数。

发布页把 K3.1 Pro 的 Terminal-Bench 4.0 成绩写成 65.7%，落在 Claude Opus 5.5 的 66.4% 后面 0.7 分，领先 GPT-6 Astra 的 58.2%。2 同一条脚注写明，其余模型的分数取「各家博客与官方榜两者中的最高值」。

官方榜给出的数字不一样。Terminal-Bench 4.0 的榜单第一名是 Opus 5.5 配 Claude Code，330 次运行，得分 64.85%，置信区间 ±3.11；GPT-6 Astra 是 58.18%。K3.1 Pro 不在榜上，这张榜最后一条更新停在 10 月 23 日 00:29（UTC），比它发布早 16 个多小时。发布页脚注写明，它自己的 65.7% 用 Claude Code harness 跑出。5

66.4% 出自 Anthropic 自己的发布页：Opus 5.5 在 xhigh 档测得 66.4%，标准误 ±2.6，脚注还写明评测开启了生产环境的防护，安全机制介入时网络安全题由 Opus 4.8 接手完成。6

独立评测机构 Artificial Analysis 给的又是第三个方向：K3.1 Pro 在这家的 Terminal-Bench 4.0 上跑到 67%，并称其为所有模型中的最高分，对照只列了 Claude Sonnet 5.5 的 64%。7 同一家的综合指数给了 55 分，排第 4；模型页此刻仍把它标成「Proprietary model」，因为权重还没放。8

四个数字挤在 64.85 到 67 之间，两个带区间，两个不带。0.7 分的差距，比任何一个区间都窄。

发布页内嵌了 47 个基准的完整数据。合起来看，K3.1 Pro 在 45 个「越高越好」的项目里，16 项第一、13 项第二、8 项第三、8 项第四，没有一个项目跌出前四。2

它领先的项目集中在能交出成品的那一类。SWE Marathon 51.7 对 Opus 的 46.3；OfficeQA Pro v2 64.4 对 62.2；BrowseComp 92.1 对 90.8；Humanity's Last Exam 带工具 70.0 对 67.7；Automation Bench-AA 73.3 对 69.5。

落后最多的是另外一类。Program Bench 31.5，Opus 65.0；Terminal-Bench Science 0.1 得 38.1，GPT-6 Astra 68.1；HLE-Diamond 39.4 对 65.8；ExploitBench 74.7，Astra 拿到 100。

采购上的分界由此清楚了：长流程 agent 任务、检索写作、表格与财务工作流，它已经能进第一梯队，价格还低；把程序从零写出来、或做硬科学推理，同样的名次背后差着二十到三十多点。

API 标价每百万 token 输入 2 美元、输出 10 美元，缓存读 0.20 美元；Highspeed 是 4 美元与 20 美元。上一代 K3 是 3 美元与 15 美元，缓存读 0.30 美元。9

按任务算，降幅没有落到账单上。Artificial Analysis 的读数是每任务 1.98 美元，与 K3 大致持平——K3.1 Pro 每个基准任务输出 55K token，比 K3 的 48K 多 14%。8

订阅那一侧的反馈更直接。Hacker News 上一位用户说，他订的 99 美元月付套餐，一次会话 47 分钟就撞上 5 小时额度；另一位用户的说法是「没有能用的编码套餐，实际比前沿模型还贵」。10 Kimi Code 的产品页写着，标准版要 Plus 档以上，Highspeed 要 Pro 档以上，速度约快 2 到 3 倍，消耗 2 倍额度。11

几条限制值得提前知道。思考模式关不掉，reasoning_effort 只有 low、high、max 三档，默认 max；max_completion_tokens 默认 131072；旗舰模型要账户充值满 1 美元才解锁；K2 系列从 10 月 31 日起不再对新用户开放，年底全部下线。12

产品团队今天就能用。官方产品与 API 同步上线，定价比上一代低，做搜索加写作、表格处理、多步 agent 这类活，它是当前性价比最好的一档。要盯的是每任务成本，按 token 算出来的便宜，会被更长的输出吃掉。

准备自托管的人要等到 11 月 4 日。在那之前，Artificial Analysis 只能把它归到闭源一类。7 权重放出之后，删掉的那部分能力还能不能被补回来，社区已经在讨论；一位用户的话说得干脆：「a nerf is only a promise kept by whoever holds the weights. On Nov 4, everyone holds the weights.」13

安全团队要看的正是这组数。在 ExploitBench 上，K3.1 Pro 得 74.7，排在第四，前面是 GPT-6 Astra 的 100、Opus 5.5 的 91、Fable 5.1 的 83；在自研的 xdev 上，它从上一代 K3 的 33.3 升到 81.0。2 换句话说，删完之后它的攻击性能力仍然比上一代强得多，只是没有走到前沿。

能确定的是发布事实与价格：官方账号在 10 月 23 日 17:15:24（UTC）发出，发布页在 16:59 已被提交到 Hacker News；2.8T 总参、104B 激活、100 万上下文；90.5 与 81.0 这组对照写在发布页的网络安全一节；价格与限额写在 API 文档里。

不能确定的有四处。

其一，API 里的模型与 11 月 4 日放出的权重是不是同一份 checkpoint，原文只写「For the open-weight release of K3.1 Pro」，删数据的动作限定在开放权重这一侧，正文没有说明托管版本是否同一份。

其二，90.5 那一版不发布，题目也不公开，外部无法复算这个差。

其三，65.7% 没有给误差，也没有进官方榜，独立复现只有 Artificial Analysis 的 67%。

其四，同一份发布的两处官方文件对「事实准确性」这一栏给了两组数：发布页写 Hallu Bench Hard 从 23.4% 降到 8.3%，API 指南写 23.35% 降到 6.85%，两处对评测集的描述也不一样——一处说是「刻意挑选易错点」的压测集，另一处说是「用户标记过事实错误的脱敏对话」。212 那份指南里还留着没填完的占位符：On Terminal-Bench 4.0, which tests ***, it scores [xx.x%]。

对读者来说，值得记的是另一件事：一个开放权重厂商开始公布「我减掉了多少」。这个数字恰好是整份发布里唯一没人能替它复核的。