Kimi K3.1 Pro and K3.1 Pro Highspeed

Kimi K3.1 Pro 技术博客：推进开放智能

向下滑动以探索

Kimi K3.1 Pro 重磅发布

我们正式推出 Kimi K3.1 Pro，这是全新 K3.1 系列的首代模型，也是迄今为止我们能力最强的 3T 级开放权重模型，具备 100 万 token 上下文窗口。它在编程、3D 创作、金融研究等智能体能力方面实现了显著提升。

我们同时推出 Kimi K3.1 Pro 高速版，其交互响应速度达到 K3.1 Pro 的 2-3 倍。

Kimi K3.1 Pro 和 Kimi K3.1 Pro 高速版今日已在 Kimi.ai、Kimi Work、Kimi Code 和 Kimi API 开放使用。完整模型权重将于 11 月 4 日发布。

推进开放智能前沿

Kimi K3.1 Pro 是 Kimi K3 的后训练版本，其后训练计算量显著增加。为实现跨数百个下游领域的联合强化学习，我们对技术栈的每一层都进行了优化——强化学习框架、长上下文推理、训练效率、沙箱基础设施、rollout 调度以及环境质量检查的共享平台——使每次强化学习计算都能带来稳定可预测的收益。因此，K3.1 Pro 在每个领域都实现了持续提升。

在编程、智能体和知识基准测试中，K3.1 Pro 的表现可与最强的专有模型相媲美。在 Terminal-Bench 4.0 上，该模型通过严格的任务特定测试评估现实场景中的资源受限终端任务，得分为 65.7%，领先于 GPT-6 Astra（58.2%），仅略低于 Claude Opus 5.5（66.4%）。在 Kimi Code Bench 3.0 Long-horizon 上，我们的内部基准测试了编程智能体在多步骤执行、工具使用和跨工程领域端到端问题解决方面的能力，K3.1 Pro 得分为 61.2%，高于 K3 的 55.95%。

编程能力

K3.1 Pro 覆盖完整的编程工作场景，从真实代码库的快速修复到完整项目构建。它还能为游戏和网页体验带来更成熟的视觉风格，并掌握使用合适工具构建它们的方法。

K3.1 Pro 在 Unity、Unreal Engine 和 Godot 等游戏引擎中表现出色，结合网页搜索和 3D 生成能力可创建完整体验。其前端页面、交互式 Three.js 场景和 3D 资产在构图、排版、动画和整体质感方面表现更优。以下示例均由 K3.1 Pro 端到端生成：

通过大规模强化学习，K3.1 Pro 的长周期编程能力也得到增强。在一项内部测试中，它基于包含 296 个骨骼组件（含软骨）和 402 个肌肉组件的开源人体解剖模型 human-atlas，构建了集成训练和评估流程的人体行走动力学模拟器。在 167 个任务和 420 次独立评审中，它分析实验结果、诊断问题并迭代优化行走控制器，使模拟人从几秒内崩溃到连续行走 11.2 秒，交替步态行走。当奖励塑形无法改善手臂运动时，K3.1 Pro 没有持续调整奖励，而是运行了模拟器动力学的开环探测，识别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突出。在 BenchCAD 测试中，该模型通过多视角渲染生成 CAD 代码进行 3D 重建，使用工具时得分达到 92.7%，接近 Claude Opus 5.5（96.2%）和 GPT-6 Astra（95.9%）的水平。从文本简述、草图或参考图像出发，它能够推断形状、比例和空间关系，生成可用的 3D 模型。同时，它对现有资产库和模型集合的理解也更加深入。

K3.1 Pro 在参数化建模方面尤为擅长，涵盖机械零件、建筑模型、可配置产品和定制家具等场景。即使没有 MCP 连接器，它也能编写并运行 Blender 和 CAD 软件等工具的脚本，用于构建和优化资产、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、游戏和交互式网页体验创建的 3D 资产示例：

3D Make 现已上线 kimi.ai 和 Kimi 应用——您可在线预览和编辑 3D 模型，下载用于 3D 打印的文件，或导出为视频或动态照片以分享至任何平台。

金融

凭借更强的推理能力和自主代理能力，K3.1 Pro 能够端到端交付完整的金融工作流程。在 OfficeQA Pro v2（64.4）测试中，该模型通过检索、跨文档验证和多步骤数值推理处理真实财务文件，取得了最先进的复杂财政数据分析结果。在 Frontier Finance 测试中（衡量从筛选到盈利分析的完整投资工作流程支持能力），K3.1 Pro 相比 K3 的表现也显著提升。

K3.1 Pro 在我们所有内部金融基准测试中均有显著提升：

• 财务建模：评估真实世界建模任务中公式关联性、财务逻辑和最终工作簿质量。K3.1 Pro 相比 K3 提升 7.2 分。
• 财务研究：评估模型在证据和截止约束条件下生成可审计研究的能力。K3.1 Pro 相比 K3 提升 11.6 分。
• 商业运营：评估模拟商业环境中的长期管理和决策能力。K3.1 Pro 的表现约为 K3 的 4.2 倍。

金融分析和投资研究需要高度的事实准确性。为解决这一问题，我们对 K3.1 Pro 在现实任务和挑战性提示中的事实准确性进行了针对性优化。在内部基准测试 Kimi Hallu Bench Hard（专为压力测试事实准确性而设计）中，其声明级幻觉率从 K3 的 23.4% 降至 8.3%，且包含至少一个事实错误的响应比例仅为前代的 42.4%。（该评估是事实准确性的压力测试，示例刻意设计用于探测模型易出错的情景。所报告的比率不代表日常使用的整体错误率。）

以下案例展示了 K3.1 Pro 在实际应用中如何处理财务建模、投资分析和基于来源的调研：

网络安全

随着 K3.1 Pro 能力的增强，我们投入了更多精力研究网络安全能力的来源以及可控范围。因此，我们分析评估了 K3.1 Pro 的漏洞研究能力，并在训练过程中应用了针对性控制措施，以降低潜在滥用风险，同时保持其通用实用性。

识别和移除网络相关数据。在开发过程中，我们观察到随着后期训练规模的扩大，漏洞研究性能持续提升。追溯这一趋势的根源，我们发现网络相关内容已嵌入中期训练语料库，且网络相关任务存在于RL环境组合中——这是在广泛数据上训练的自然副产品。在对内部模型的初步实验中，我们发现如果在中期训练或RL阶段均未移除数据，下游网络能力将显著增强。这些发现为我们提供了具体的控制杠杆。在K3.1 Pro的开放权重版本中，我们从两个训练阶段识别并移除了网络相关数据，同时保留了确保模型实用性的通用编码任务。我们将在每个训练阶段持续应用适当控制措施，其中网络相关数据识别与限制是其中一个典型案例。

评估与结果。数据清洗后，我们在xdev-bench-hard基准上对K3.1 Pro进行了评估。该基准是我们内部构建的专家精选型源代码级漏洞发现与利用任务集，经过校准可有效反映当前能力水平的差异性。多数任务忠实复现了Linux内核、Node.js、JavaScriptCore、Exim和VirGL等软件中已公开的漏洞（含缓解措施启用）。每个任务包含漏洞源代码、简要漏洞提示和对应二进制文件，代理需开发利用程序，在独立沙箱中实现任意代码执行，并提取密钥字符串进行自动化验证。我们报告了随机样本运行的pass@3通过率，且无硬性超时或输出令牌限制。

在xdev-bench-hard基准上，未采取风险缓解措施的检查点（中期训练未移除网络数据且RL环境未过滤网络任务）在pass@3指标下解决了90.5%的问题；最终版K3.1 Pro达到81.0%。对比表明，数据移除显著降低了网络能力，相较于相同训练流程的原始产出有明显差距。同时，K3.1 Pro较其前代模型有显著提升，说明更强的通用编码能力和长周期调试能力即使在针对性数据移除后仍能泛化到网络任务。K3.1 Pro的网络能力仍落后于已公开至少三个月的前沿专有模型。我们将持续优化内部基准，确保评估结果能持续反映模型能力的演进。

开放权重原则。这些评估框架指导了我们开放权重发布的决策。首先，我们不希望开放那些可能扩展网络攻击能力绝对前沿的权重。K3.1 Pro的进攻性网络能力是经过设计的，低于我们的流水线所能生成的水平，也落后于前沿的专有模型。其次，我们计划逐步提升开放权重中的网络能力。我们认为以非歧视性方式开放K3.1 Pro，有助于需要防御性双重用途能力的用户。当有能力的模型开放并运行在用户控制的基础设施上时，更多团队可以获得审计其所维护代码的手段——包括那些很少接受专门安全审查的遗留系统。我们认为让这种能力逐步扩散，而非集中在少数专有系统中，最终会使所有软件更加安全。

可用性

Kimi K3.1 Pro今天在Kimi产品组合中全面上线：在Kimi.ai和Kimi移动应用、Kimi Work和Kimi Code中，以及通过Kimi API。

完整模型权重将于2026年11月4日发布。

Kimi企业管理员可以为组织启用K3.1 Pro；默认情况下初始状态为关闭。

各渠道详情：

• Kimi Agents：从移动应用商店下载或更新到最新版Kimi应用，支持iOS、Android和HarmonyOS，或访问kimi.ai。

• 使用Kimi K3.1 Pro工作：下载最新版Kimi Work桌面应用，版本3.1.0或更高版本，支持Windows和Apple硅基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。

• 通过Kimi API构建：访问Kimi API平台并选择kimi-k3.1-pro/kimi-k3.1-pro-highspeed。API客户可使用零数据保留功能。

• 将Kimi引入您的组织：Kimi Business提供企业级数据隐私和成员管理，实现个人账户与组织账户的完全隔离。访问定价页面并选择“获取Kimi Business”为团队订阅。

基准测试

注释

除非另有说明，以下所有Kimi K3.1 Pro结果均在推理努力设置为'max'、温度=1.0和top-p=0.95的情况下获得。

编程基准

• 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来自发布博客（https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017）。其余所有分数均取自其博客文章或官方Terminal-Bench 4.0排行榜（https://www.tbench.ai/）中报告的最大值。

• Terminal-Bench Science 0.1。Kimi K3.1 Pro使用Claude-Code测试框架进行评估。我们对DeepSeek-V4.1-Flash-1017的内部评估得分为9.3；然而，旧版DeepSeek-V4.1-Flash在官方Terminal-Bench Science排行榜中得分为15.7，因此此处报告15.7；其余所有分数均来自官方Terminal-Bench Science排行榜（https://www.terminal-bench-science.ai/）。

• DeepSWE v1.1。Kimi K3.1 Pro 使用 Claude-Code 工具进行评估。所有分数均来自各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）。

• SWE-Marathon v1.1。Kimi K3.1 Pro 使用 Claude-Code 工具进行评估。DeepSeek-V4.1-Flash-1017 使用 ClaudeCode 工具进行评估。其他所有分数均来自 SWE-Marathon 官方排行榜（https://www.swe-marathon.org/）。

• PostTrainBench。Kimi K3.1 Pro 和 DeepSeek-V4.1-Flash-1017 在 v1.2 版本上使用 Claude-Code 工具和 H20 GPU（而非 H100 GPU）进行内部评估。为确保评估稳定性，所有判断模型均使用 DeepSeek-V4.1-Flash-1017 的最大努力模式，这与官方 GPT-5.6-Terra（xhigh）判断模型的测试结果最为匹配。其他分数均来自官方排行榜（https://posttrainbench.com/）。

• ProgramBench（二进制评分）。我们报告二进制评分而非原始 ProgramBench 分数：若任务的 ProgramBench 分数 ≥95%，则得分为 1，否则为 0。Kimi K3.1 Pro 使用 Claude-Code 工具进行评估。DeepSeek-V4.1-Flash-1017 和 GLM-5.3 的分数来自发布博客（https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017）；其余所有分数均来自 Vals ProgramBench 排行榜（https://www.vals.ai/benchmarks/programbench）。

• 内部编码基准：Kimi Code Bench 2.0 和 Kimi Code Bench 3.0 长期任务。Kimi K3.1 Pro 使用 Claude-Code 工具进行评估；所有其他模型均使用最大努力模式进行评估。请注意，专有模型测试可能涉及某些回退行为。

• BenchCAD。我们对开源模型在从完整 17,900 个案例的 Vision2Code 数据集中随机抽取的 1,000 个案例子集上进行评估，使用最大推理努力。带工具的评估结果使用 Claude Code 工具；不带工具的评估结果使用官方 BenchCAD 提示和评分流程进行单次生成。Claude Fable 5.1 和 Claude Opus 5.5 的分数来自 Claude Opus 5.5 系统卡；GPT-6 Astra 的带工具分数来自其官方报告。GPT-6 Astra 未报告不带工具的分数，标记为“—”。

代理基准

• BioMysteryBench 数据集来自官方 v11 版本，使用 Kimi K3 作为判断模型。我们使用 Kimi Code 评估 Kimi K3.1 Pro，使用 Claude Code 评估 GLM-5.3 和 DeepSeek-V4.1-Flash-1017，使用 Codex 评估 GPT-6 Astra。Claude 模型的分数直接来自其官方系统卡。

• 我们的代理最终考试数据集来自官方 v1.1 版本，包含 122 个任务，其中 86 个为 CLI 任务，环境图像与官方 Hugging Face 发布版本对齐。我们还对绕过任务规定要求的运行（例如通过在线搜索获取答案而非在 Wireshark 中执行所需分析）赋予 0 分。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。

• 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。每个任务会向代理提供完整的 PDF 文档库，所有 PDF 以图像形式呈现且无机器可读文本。我们观察到某些外部模型在轨迹中存在通过在线检索参考答案的情况；因此，这些任务的评分设为零。

• Frontier Finance 使用官方金融代理 v2 测试套件进行评估。

• HANDBOOK.md 使用基于 OpenHands 构建的官方测试套件进行评估，评估任务来自该基准早期开源 v1 版本。

• Harvey Legal Agent 使用 Artificial Analysis 的 Stirrup 测试套件，在包含 1,251 项任务的公开数据集上进行评估，性能以全通过率（即通过所有评分标准的任务占比）形式报告。

• OSWorld V2.1 使用官方 OSWorld v2 仓库中的 Kimi Agent 测试套件进行评估，而 GPT-6 Astra 的评分来自 Muse Wonder 的技术报告。

• DECK-Arena 在真实世界查询上评估演示文稿生成能力，Design Bench 通过直接提示和参考图像少样本提示评估图形设计能力；两者均在集成搜索和图像生成功能的测试套件中运行模型，覆盖 python-pptx、pptxjs 和 Kimi 内部 DSL，使用基于 10,000+ 人工判断校准的自动评分系统。

• MCP Atlas。所有模型在 500 项任务的公开子集上进行评估，限制最大 100 轮对话，使用 Gemini 3.1 Pro 作为评分者。

• BrowseComp。我们采用 Claude 模型卡片中使用的上下文压缩策略，在 200K token 时触发。允许最大 500 步；若在任务完成前达到此限制，强制代理提供答案并进行评分。所有 BrowseComp 运行均使用 temperature=1.0 和 top-p=1.0 参数。

• GDPval-AA v2.1、AA-Briefcase v1.1 和 AutomationBench-AA 的评分来自 https://artificialanalysis.ai/ ，Apex Agents 的评分来自 https://www.mercor.com/apex/apex-agents-leaderboard/

• GDP.pdf（使用 Python）、ZeroBench（使用 Python）和 ChartoGraphy（使用 Python）的评分取五次运行的平均值。其他多模态基准（使用 Python）取四次运行的平均值。对于 GDP.pdf（使用 Python）：每个原始 PDF 文件发送至沙箱，模型可通过 IPython 工具处理。最终响应使用 Gemini-3.5-Flash（中等推理强度）和官方评分提示，按每个评分标准进行评分。我们报告任务宏观平均评分通过率：对每个任务，计算五次独立运行中通过评分标准的比例并取平均，再对所有任务的该指标取等权重平均。

推理与知识与多模态基准

• GDP.pdf。每个 PDF 以最长边 1,152 像素的页面图像形式提供，并与 Docling 提取的文本按页面顺序交错排列。响应使用 Gemini-3.5-Flash 中等模式和官方评分提示，按每个评分标准进行评分。我们报告完全评分响应中的严格通过率。

• HLE 和 HLE-Diamond 评估通用知识和推理能力。我们在完整评估集上报告准确率，HLE 包含 2,500 个问题，HLE-Diamond 包含 1,000 个问题。对于标记有星号（*）的模型，准确率基于问题的纯文本子集报告。

• GDP.pdf、ZeroBench 和 ChartoGraphy 的结果是在五次运行中取平均值。其他多模态基准测试的结果是在四次运行中取平均值。GLM-5.3 Max 和 DeepSeek-V4.1-Flash-1017 Max 的 GDP.pdf 分数引用自 https://artificialanalysis.ai/ 。

• MMMU-Pro 的评估遵循官方协议，保留原始输入顺序，并在文本输入前添加图像。

• Kimi Hallucination Benchmark 在一套来自实际工作任务的具有挑战性的去标识化提示上评估事实准确性。我们报告的是事实核查代理评估的声明级幻觉率。

网络安全基准

• ExploitBench。Kimi K3.1 Pro 在 300 轮预算下使用官方 ExploitBench 工具进行评估。我们报告 pass@5 最大能力得分：对于每个环境，取 5 个种子中最佳运行的结果，按达到的 16 个能力标志数量进行评分，其中实现任意代码执行被视为达到全部 16 项能力。GPT-6 Astra 的得分来自 https://openai.com/index/gpt-6-astra/ ；Claude Opus 5.5 和 Claude Mythos 5.1 的得分来自 https://www.anthropic.com/claude-opus-5-5-system-card ；GLM-5.3 的得分来自 https://z.ai/blog/glm-5.3 。

• ExploitGym。Kimi K3.1 Pro 在每项任务 6 小时的时钟预算下使用 KimiCode 工具进行评估。GPT-6 Astra 的得分来自 https://openai.com/index/gpt-6-astra/ ；Claude Opus 5.5 和 Claude Mythos 5.1 在 6 小时预算下的得分来自 https://www.anthropic.com/claude-opus-5-5-system-card ；GLM-5.3 的得分来自 https://z.ai/blog/glm-5.3 。

• xdev-Bench-hard：Kimi K3.1 Pro 使用 KimiCode 工具进行评估。GLM-5.3 和 DeepSeek-V4.1-Flash-1017 使用 Claude Code 工具进行评估。

尝试 K3.1 Pro

$

/$ /think