实测近一周，对 Kimi K3.1 Pro 的真实评价

Datawhale干货

作者：李秀奇，Datawhale成员

周六凌晨，月之暗面发布了 Kimi K3.1 Pro。

这近一周的时间，我们用 8 个高耗时、多步骤的重度任务深度测了它的能力。小到把笔记本电脑按物理结构拆成六层交互的视图，大到连续运行两天、独立交付通过 76 项检查的《原神》部分玩法 Godot 工程。

过一下官方技术报告公布的跑分：

跑分能看出它的强项和不足。长程软件工程（SWE Marathon）和复杂办公（OfficeQA）两项，在官方列出的模型中排名第一。但在考察终端研究与科学计算的 Terminal-Bench Science 0.1 上，K3.1 Pro 得分为 38.1，与 GPT-6 Astra 的 68.1 仍有明显差距。

接下来看看这 8 个案例实际做得怎么样。

一、三维场景实测

第一题是经典的「鹈鹕骑自行车」，核心看动作协调度与镜头节奏。K3.1 Pro 直接生成了一段完整的三维骑行动画：鹈鹕双翅扶稳车把，脚蹼踩准踏板做连贯圆周运动，没有出现穿模；车轮滚动时两岸树木后退，镜头会顺着骑行节奏由远及近推拉。直接用代码跑出动态原型，是目前的主流用法。

到了埃菲尔铁塔案例，测试 大尺度建筑的比例与多视角还原。从底部拱券钢架、中层观景台，到往上收拢的塔身和顶部天线，模型把各构件的尺寸关系控制得很准。

拖动视角时，镜头能从远景全貌顺滑切入塔底仰视、移至中层俯瞰，最后拉近看清塔尖细节，拿来做建筑汇报或线上展厅比静态图直观得多。

在 X 上，我们关注到海外测试者 Hasnain 用同一句提示词，让 Kimi K3.1 和 Claude Opus 5.5 同台生成 Three.js「云上城堡」。两边在云层厚度、塔楼细节和光影氛围上的完成度非常接近，主要差距在于耗时：Opus 5.5 用了 35 分钟，Kimi K3.1 跑了 44 分钟。

二、工程结构实测

接下来，我们让它拆一台笔记本电脑，测试其梳理复杂硬件层级的能力。生成的交互页面把外壳、屏幕、键帽、主板元器件、双散热风扇、导热铜管和电池，清晰地分到了六个物理构造层里。

页面可以在整机和六层展开视图之间平滑切换，也能换成半透明材质，或用剖面视图查看内部。点击某个部件，镜头会自动对焦并高亮显示，挡住视线的部件也能单独隐藏。讲解硬件结构时，让读者自己转一转、拆开看，比只看图纸容易理解。

如果给它真实的户型图和照片，它能把房子搭出来吗？

我们用「黑旋跃层」测试了这件事。输入同一套住宅的平面图和实景照片后，模型按图纸比例建立坐标，再参考照片中的材质，搭出了可以自由漫游的三维室内空间。黑色螺旋楼梯、16 级扇形踏板、客厅双向沙发、通高百叶窗，以及二层夹层卧室的位置关系，都能在场景里看到。

买家具或调整布局前，可以先在模型里走一圈，提前看看动线与采光。

不过，虚拟模型与真实照片的差距依然明显。在第三轮独立盲测中，我们将生成的餐厨通道、沙发、楼梯空井与实景照片放在一起对比，所有评审均投给了真实照片。模型在空间开阔感、家具比例和自然光过渡上还不够到位，实际施工仍需专业人员现场测量。

在更专业的工业建模上，官方展示的机械臂案例包含了 2317 个零件与 268 条动态走线，支持透明观察与剖面切开。

测试过程中关注到，Kimi 官网 和 App 一起上线了 3D Make 功能。

这个功能体验下来不全是模型的能力，通过调用 Tripo 等外部的 3D 工具，成功实现了在浏览器里转动模型、调节参数，并支持导出源文件。

需要同样的效果，还可以用 KimiWork，稍微慢一点，但在整体场景方面的质感会好很多，大家可以根据需求自己挑。

三、复杂工程实测：复刻「原神」

前面的测试主要看三维场景与空间结构，这一部分我们重点看它在 复杂游戏工程 与 真实后端项目维护 上的表现。

先看从零搭建超长线工程的「复刻原神部分玩法」。我们要求模型自己在网上搜集美术素材、技术资料和参考视频，尽可能把游戏做出来。接下任务后，K3.1 Pro 在后台连续运行了一天多：自己找资源、搭 Godot 工程、写 GDScript 逻辑，遇到兼容性报错再自己修改，中途没有迷失目标或停滞。

最终它交付了一套 可运行的 Godot 版原神。在同一个测试场景中，角色移动、攀爬、滑翔、四人无缝切换、元素战技与爆发、野外战斗、开宝箱、传送锚点和任务委托结算，都能正常运转。（此处可以回顾一下视频）

该工程在主场景下 通过了 76 项正式检查，涵盖伤害结算、任务状态切换、背包和奖励触发等核心机制。

官方同步展示的虚幻引擎「天宫对战」与「人类行走仿真」，也体现了这种长程自我调试能力。

以下视频来源于

月之暗面 Kimi

在行走仿真里，小人起初频频摔倒，模型通过在后台不断修正控制器参数，最终让它实现了稳定连续行走。

除了这种动辄跑两三天的复杂工程，我们也拿手头正在开发的一个多模态素材搜索开源项目 MaterialSeeker，测试了它在的日常排障体验。

https://github.com/li-xiu-qi/MaterialSeeker 这个项目支持上传视频、音频、图片和文本素材，底层结合了关键词匹配与语义向量检索等多种搜索策略，让用户可以直接输入一段文字，跨模态搜出对应的视频、音频或图片内容。由于涉及多种检索策略与多模态数据处理，后端的调用链路比较复杂。

在开发过程中，遇到一个bug，直接点开报错信息丢给 Kimi Code 让它修复。

大概过了 2 分钟左右，它在代码库里定位到问题并直接修好了。在面对复杂的后端逻辑时，以后只要告诉它「这里有个报错」，K3.1 Pro 基本能做到指哪打哪。

四、视频制作实测

接下来，我们测试了两种视频任务：一支侧重动态设计，另一支要把脚本、动画、配音和剪辑完整做下来。

在时间轴驱动的视频制作上，测了两个方向。第一支「折线成场」侧重 纯代码的动态视觉设计：一枚亮橙色圆点顺着文字排版滑出，依次形变为三维圆环和起伏曲面，穿过粒子空间后定格在片尾标题上，三维动画、文字、转场与电子音轨在同一时间轴上精准对齐。

片中流动的曲面用的是形态键和网格形变，没有进行真实的流体物理计算。

第二支近 30 秒的「Personal Agent」科普短片，则测试 从脚本、动画、配音到合成的全流程串联。

模型先用 AvatarScript 生成人物动画并合成配音，再根据语音时长反推动态图解的展开节奏，自动对齐字幕与音效后直接输出 MP4 文件。

但实测下来，这套自动化视频流程目前仍需人工介入。字体选择、背景对比度、图层遮挡和音效时长都经过了我们的人工核对；角色嘴型目前仅套用通用动画，尚未对齐中文发音，音色也仍需调试。

此外，整理这 8 个案例时，有感觉到它的中文写作比以前自然了。给出技术背景和多项写作要求后，它能紧紧跟住长指令，段落连贯，少了很多翻译腔和空话，写技术文档时能减少来回修改的次数。

五、调用成本

这次跑完这 8 个任务，我们一共消耗了 80 亿左右的 Token，使用的 API 接入，端到端总吞吐 72 t/s。

但落到订阅套餐上，体验就完全是另一回事了。我们同步拿 699 元的套餐去跑了一下长程任务，结果 5 小时窗口的额度很快就被蹬完了，只能干等重置。 套餐已经卖到了这个价位，大家买回来却跑不了几个任务。期待官方后续能优化一下配额，实在不行，可以学习Tibo，让我们多领领鸡蛋。

写在最后

整理测评时，我们在朋友圈看到一位开发者写了这样一段话，挺有共鸣，分享给大家

期待 Kimi 越来越好。

****

一起“点**赞”三连↓**