月之暗面開放 2.8 萬億引數 Kimi K3.1 Pro 權重,登上 Agent Arena 開源模型榜首
月之暗面開放 2.8 萬億引數 Kimi K3.1 Pro 權重,登頂 Agent Arena 開源模型榜
月之暗面在 Hugging Face 開放 Kimi K3.1 Pro 模型權重;它在 Agent Arena 排名中位列開放權重模型第一、全部參評模型第 13 位。
AI 伴隨問答
針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:
Agent Arena 的排名依據超過 1.75 萬次真實長週期任務會話,並納入使用者確認、糾正與指令執行錯誤等訊號。
IT之家·人工智慧·2026-11-05 08:00· 2 小時前精選AI 評分77
月之暗面 2.8 萬億引數 Kimi K3.1 Pro 開放權重,登頂 Agent Arena 開源模型榜
AI 導讀
月之暗面按 10 月 24 日釋出時的承諾,在 Hugging Face 開放 Kimi K3.1 Pro 權重。
推薦理由
原文彙總了權重開放入口、Agent Arena 排名細節和基準成績,並指出 5.6TB 權重在消費級硬體上難以本地部署的現實情況。
正文
IT之家 11 月 5 日訊息,按照 10 月 24 日釋出時給出的承諾,月之暗面(Moonshot AI)今日在 Hugging Face 平臺開放了 Kimi K3.1 Pro 的模型權重。
在 Arena 運營的 Agent Arena AI 助理排行榜中,Kimi K3.1 Pro(Max)位列開放權重模型第一、全部參評模型第 13 位,並在工作、程式設計與聊天三個類別中均居開放模型首位。

Agent Arena 的評測方式與傳統的成對盲測不同。它不要求使用者對兩個回答投票,而是從真實使用者的AI 助理會話中提取訊號,包括使用者對任務的明確確認、表揚與投訴、糾正指令以及 Shell 命令執行錯誤等,再通過 Arena 稱為“因果追蹤”的隨機化推斷方法估算各模型相對於平均水平的淨改進率。
Kimi K3.1 Pro 此次排名基於全球使用者超過 1.75 萬次真實長週期AI 助理任務會話,淨改進率為 +5.1%,較上一代 K3(Max)的 +0.9% 提升 4.2 個百分點。
分項指標呈現出更具體的改善幅度。衡量 Shell 命令執行可靠性的 Bash Reliability 從 K3 的-4.5%(第 13 名)升至 +7.9%,在開放模型中排名第一;反映使用者滿意度的 Praise vs Complaint 指標從 +1.3% 升至 +7.7%;衡量模型根據使用者反饋調整執行方向的 Steerability 指標達到 +6.5%,同樣居開放模型首位。使用者明確確認任務完成的 Confirmed Success 為 +3.9%,開放模型第四。
Kimi K3.1 Pro 採用混合專家架構,總引數量 2.8 萬億,單次推理啟用約 1040 億引數,支援約 100 萬 Token 上下文視窗。
與 K3 相比,K3.1 Pro 以 K3 為基座進行了大規模聯合強化學習後訓練,覆蓋數百個下游領域,並將部分全注意力層替換為門控稀疏注意力層,以降低長上下文建模的開銷。

值得一提的是,開源權重的“可下載”與“可本地執行”之間存在顯著距離。2.8 萬億引數以 BF16 精度儲存的權重檔案約 5.6TB,即使採用 INT4 量化也仍需約 1.4TB,單機消費級顯示卡基本不具備部署可能。
在終端AI 助理基準 Terminal-Bench 4.0 上,K3.1 Pro 得分 65.7%,高於 GPT-6 Astra 的 58.2%,與 Claude Opus 5.5 的 66.4% 相差不到 1 個百分點。
| Benchmark | Kimi K3.1 Pro (max) | Claude Fable 5.1 (max, w/ fallback) | GPT-6 Astra (max, w/ fallback) | Claude Opus 5.5 (max, w/ fallback) | DeepSeek-V4.1-Flash-1017 (max) | GLM-5.3 (max) |
|---|---|---|---|---|---|---|
| Coding | ||||||
| Terminal-Bench 4.0 | 65.7 | 57.9 | 58.2 | 66.4 | 42.3 | 41.8 |
| Terminal-Bench-Science 0.1 | 38.1 | 40.0 | 68.1 | 63.3 | 15.7 | 8.1 |
| SWE Marathon v1.1 | 51.7 | 45.6 | 42.5 | 46.3 | 40.0 | 42.5 |
| BenchCAD w/o tools | 72.8 | 60.6 | — | 73.0 | 41.2 | — |
| BenchCAD w/ tools | 92.7 | 92.6 | 95.9 | 96.2 | 81.6 | — |
| Program Bench | 31.5 | 53.5 | 50.0 | 65.0 | 29.1 | 19.0 |
| DeepSWE v1.1 | 75.5 | 67.4 | 74.1 | 74.2 | 77.0 | 66.9 |
| PostTrain Bench v1.2 | 36.5 | 44.6 | 41.9 | 43.8 | 30.5 | 34.5 |
| Kimi Code Bench 2.0 (Internal) | 77.1 | — | — | — | 76.1 | 61.7 |
| Kimi Code Bench 3.0 Long-horizon (Internal) | 61.2 | 58.8 | 66.5 | 58.5 | 51.5 | 45.5 |
| Agentic | ||||||
| HLE-Full w/ tools | 70.0 | 65.6 | 57.2 | 67.7 | 58.8 | 62.5 |
| BrowseComp | 92.1 | — | 91.5 | 90.8 | — | — |
| BioMysteryBench | 80.6 | 81.6 | 78.9 | 81.9 | 80.0 | 79.6 |
| CharXiv (RQ) w/ python | 93.4 | 92.7 | 92.8 | 93.8 | 85.6 | — |
| MMMU-Pro w/ python | 90.0 | 88.4 | 87.8 | 89.8 | 82.5 | — |
| GDP.pdf w/ python | 85.7 | 83.8 | 85.5 | 83.9 | 73.0 | — |
| ChartoGraphy w/ python | 90.2 | 88.4 | 91.0 | 89.0 | 83.0 | — |
| BabyVision w/ python | 95.4 | 95.1 | 96.6 | 97.7 | 92.5 | — |
| ZeroBench_main w/ python (pass@5) | 63.0 | 59.0 | 58.0 | 61.0 | 51.0 | — |
| Agents' Last Exam (ALL) | 43.2 | — | 41.8 | 42.6 | 37.7 | 26.2 |
| Agents' Last Exam (CLI) | 44.2 | — | 44.2 | 40.7 | 36.0 | 29.4 |
| Automation Bench-AA | 73.3 | 59.4 | 68.5 | 69.5 | 66.6 | 62.2 |
| GDPval-AA v2.1 (Elo-score) | 1846 | 1754 | 1573 | 1866 | 1746 | 1650 |
| AA-Briefcase v1.1 (Elo-score) | 1678 | 1672 | 1569 | 1803 | 1570 | 1507 |
| APEX-Agents | 69.4 | 68.6 | 64.7 | 73.5 | 69.8 | 56.6 |
| OfficeQA Pro v2 | 64.4 | 54.5 | 54.4 | 62.2 | 40.4 | 31.1 |
| OfficeQA Pro | 67.4 | 68.6 | 66.2 | — | 62.4 | 58.6 |
| Frontier Finance | 58.6 | 60.8 | 45.0 | 56.7 | 54.5 | 57.5 |
| Harvey Legal Agent | 23.7 | 19.1 | — | — | 21.0 | — |
| HANDBOOK.md | 44.6 | 38.8 | — | 41.5 | 28.9 | 20.8 |
| OSWorld V2.1 | 79.6 | 80.7 | 75.8 | 81.8 | 69.3 | — |
| Business Operation (Internal) | 37.8 | 30.7 | 32.3 | — | 8.9 | 18.6 |
| DECK-Arena (Internal, Elo-score) | 1456 | — | 1423 | 1253 | 1231 | 1119 |
| Design Bench (Internal, Elo-score) | 957 | — | 1076 | 927 | 863 | 718 |
| Kimi Hallu Bench Hard w/ tools (Internal, lower is better) | 8.3 | 23.3 | 5.5 | 15.0 | 23.3 | 22.6 |
| Reasoning & Knowledge & Multimodal | ||||||
| GDP.pdf | 34.6 | 27.6 | 34.2 | 30.6 | 17.2 | 11.2 |
| HLE-Full | 51.1 | 57.6 | 53.6 | 59.8 | 42.6 | 43.0* |
| HLE-Diamond | 39.4 | 55.1 | 65.8 | 60.9 | 21.6 | 25.1* |
| GPQA-Diamond | 94.2 | 93.7 | 96.1 | 93.9 | 92.2 | 91.7 |
| CharXiv (RQ) | 89.0 | 88.8 | 90.0 | 92.1 | 77.0 | — |
| MMMU-Pro | 84.1 | 86.3 | 86.9 | 87.7 | 80.6 | — |
| ZeroBench_main (avg@5 / pass@5) | 29.8 / 39.0 | 23.0 / 35.0 | 43.2 / 52.0 | 35.0 / 43.0 | 11.8 / 23.0 | — |
| PerceptionBench | 68.3 | 63.0 | 77.6 | 72.1 | 47.7 | — |
| Kimi Hallu Bench w/o tools (Internal, lower is better) | 5.4 | 11.4 | 4.2 | 6.8 | 13.1 | 14.8 |
| Cyber Security | ||||||
| ExploitBench | 74.7 | 83.0 | 100 | 91.0 | — | 54.4 |
| ExploitGym | 20.7 | 30.4 | 42.4 | 34.5 | — | 15.0 |
| xdev-bench-hard (Internal) | 81.0 | — | — | — | 85.7 | 57.1 |
相關閱讀:
來源:IT之家·人工智慧 · ithome.com