Kimi K3.1 在公共榜排第四、143 次展开 T 恤一次没成、1,351 个植入的 bug 一个没抓到

一、Kimi K3.1 Pro：三把尺子量同一个模型

二、五款前沿模型在真机械臂上：最高 19.6%

三、1,801 次教模型使坏：它认出来了，然后照做

四、419 轮对话：给旗舰模型加记忆层，是笔冤枉钱

五、一张 24GB 卡上的 9 个配置：130 对 25

六、8GB 笔记本写中文：九段文字一个字没错

七、四张 R9700 怎么切：TP4 是 236，两套 TP2 是 183

顺带

• 510GB 的原始权重跑在 3060 上。 一台 3950X、64GB DDR4、RTX 3060 12GB、两块 NVMe 的老机器，跑的是完整的 DeepSeek-V4.1-Flash-1017 原始权重。方法叫 compress-then-correct：每个 token 先用 2bit 的专家副本算，模型自己的 top-2 边际说没把握，就换原始 FP4 重算。160 token 的代码提示冷启 5.8、预热 7.4 tok/s，同一台机器直接精确解码只有 2.14；960 个审计 token 上 2bit 单独一致率 97.4%、带纠正 98.3%，1,101 token 的 agent 提示 95.9%。限制是只在这一台验过、Windows 加一张 RTX 30/40、要约 1.1TB NVMe、还没和 DeepSeek 官方实现对比1415。
• n-gram 表放在 SSD 上，读会变成写。 读取时给单元加的电压会扰动相邻单元，TLC 与 QLC 的余量比 SLC 紧得多；一篇论文里同一条 word line 读 54K 次后，相邻单元触及 ECC 上限。SSD 控制器会提前把整页搬到新区域，这次搬迁就是一次写。发帖人建议边跑边看 SMART 里的 data units written，看它涨多快；他自己也没给出定量结论16。
• 同一道分类题，82.7 个 token 对 1.25 个。 12 条模拟客服工单，用 Qwen3 官方分词器逐条编码：让模型写完整解答平均 82.7 个输出 token，返回结构化 JSON 22.7 个，只回类别标签 1.25 个；输入侧恒为 31.8 个。按官方价折算 1 万次，三种模式约 0.445、0.032、0.02 美元，差 14 倍和 140 倍。作者标注了边界：本机直连不了那家端点，这是机制级复现，价格用官方口径17。
• 300 道题上，77.3% 对 76.6% 就是平手。 一位用户把 Allganize 的韩语 PDF 问答集（300 题、64 份 PDF，每题都有标准答案与页码）喂给本地 RAG，每个模型都拿同一份前 5 页和同一条提示词。qwen3.8 27B 开思考 77.3%，Opus 5.5 76.6%，McNemar 检验 p=0.82；换 Opus 当裁判，80.6 对 80.3。更值钱的是 Opus 那 70 次错：22 次是纯扫描件没有文字层，23 次检索根本没取到对的页，只有 25 次是模型自己答错。他顺手记了两个自己挖的坑：BM25 用空格切词命中率 56%，换韩语形态素分词器到 80%；gpt-oss 20B 一开始只有 57.5%，原因是 1024 token 上限在思考中途截断，放到 8192 变成 69.6%。他自己的限制写得也直：单次运行、温度 0，同一模型换硬件有 11 个判定翻转，1 分的差说明不了什么18。

在你自己机器上，先核这四样

1. 先分清这个分数量的是一次任务完成、一个跨基准综合指数，还是一道题的完成度。同一个 Kimi K3.1 Pro，官方榜 65.7%、公共榜 55 分、相机题 86 分4。
2. 看"完成"是怎么判的。机械臂那 16 项里，模型自己说 done 只有 57% 真完成3。
3. 把输出长度当成本项。同一道分类题，完整解答 82.7 个 token，单标签 1.25 个17。
4. 多卡先量单流延迟与并发吞吐，再决定怎么切；四路张量并行与两套两路实例在同一条测试里差 45%10。