跳到正文
aihot(aihot.news)· noreply@aihot.news (IT之家·人工智慧)·· 18 天前精選品質評分82

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

重點導讀

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

自備 Key 深度分析

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:

推薦理由

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。

正文

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。

BenchmarkKimi 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 4.065.757.958.266.442.341.8
Terminal-Bench-Science 0.138.140.068.163.315.78.1
SWE Marathon v1.151.745.642.546.340.042.5
BenchCAD w/o tools72.860.6—73.041.2—
BenchCAD w/ tools92.792.695.996.281.6—
Program Bench31.553.550.065.029.119.0
DeepSWE v1.175.567.474.174.277.066.9
PostTrain Bench v1.236.544.641.943.830.534.5
Kimi Code Bench 2.0 (Internal)77.1———76.161.7
Kimi Code Bench 3.0 Long-horizon (Internal)61.258.866.558.551.545.5
Agentic
HLE-Full w/ tools70.065.657.267.758.862.5
BrowseComp92.1—91.590.8——
BioMysteryBench80.681.678.981.980.079.6
CharXiv (RQ) w/ python93.492.792.893.885.6—
MMMU-Pro w/ python90.088.487.889.882.5—
GDP.pdf w/ python85.783.885.583.973.0—
ChartoGraphy w/ python90.288.491.089.083.0—
BabyVision w/ python95.495.196.697.792.5—
ZeroBench_main w/ python (pass@5)63.059.058.061.051.0—
Agents' Last Exam (ALL)43.2—41.842.637.726.2
Agents' Last Exam (CLI)44.2—44.240.736.029.4
Automation Bench-AA73.359.468.569.566.662.2
GDPval-AA v2.1 (Elo-score)184617541573186617461650
AA-Briefcase v1.1 (Elo-score)167816721569180315701507
APEX-Agents69.468.664.773.569.856.6
OfficeQA Pro v264.454.554.462.240.431.1
OfficeQA Pro67.468.666.2—62.458.6
Frontier Finance58.660.845.056.754.557.5
Harvey Legal Agent23.719.1——21.0—
HANDBOOK.md44.638.8—41.528.920.8
OSWorld V2.179.680.775.881.869.3—
Business Operation (Internal)37.830.732.3—8.918.6
DECK-Arena (Internal, Elo-score)1456—1423125312311119
Design Bench (Internal, Elo-score)957—1076927863718
Kimi Hallu Bench Hard w/ tools (Internal, lower is better)8.323.35.515.023.322.6
Reasoning & Knowledge & Multimodal
GDP.pdf34.627.634.230.617.211.2
HLE-Full51.157.653.659.842.643.0*
HLE-Diamond39.455.165.860.921.625.1*
GPQA-Diamond94.293.796.193.992.291.7
CharXiv (RQ)89.088.890.092.177.0—
MMMU-Pro84.186.386.987.780.6—
ZeroBench_main (avg@5 / pass@5)29.8 / 39.023.0 / 35.043.2 / 52.035.0 / 43.011.8 / 23.0—
PerceptionBench68.363.077.672.147.7—
Kimi Hallu Bench w/o tools (Internal, lower is better)5.411.44.26.813.114.8
Cyber Security
ExploitBench74.783.010091.0—54.4
ExploitGym20.730.442.434.5—15.0
xdev-bench-hard (Internal)81.0———85.757.1

相關閱讀:

來源:IT之家·人工智慧 · ithome.com

來源: aihot (aihot.news)
開啟原文

讀者討論

理性交流 · 即時討論