Kimi K3.1 Pro 與 K3.1 Pro Highspeed 推出

介紹 Kimi K3.1 Pro

我們推出 Kimi K3.1 Pro，我們新 K3.1 系列的第一款模型，也是迄今為止最強大的 3T 類開放權重模型，擁有 100 萬 token 的上下文視窗。它在程式碼、3D 創作、金融研究以及其他代理能力方面帶來顯著提升。

我們還推出 Kimi K3.1 Pro Highspeed，其速度比 K3.1 Pro 高 2-3 倍，提供更流暢的互動。

Kimi K3.1 Pro 與 Kimi K3.1 Pro Highspeed 今日可於 Kimi.ai、Kimi Work、Kimi Code 與 Kimi API 取得。完整模型權重將於 11 月 4 日發布。

推進開放式智慧的前沿

Kimi K3.1 Pro 是 Kimi K3 的後訓練版，擁有更大規模的後訓練運算資源。為了在 數百個下游領域 中實現大規模聯合強化學習，我們優化了堆疊中的每一層——RL 框架、長上下文推理、訓練效率、沙盒基礎設施、展開排程，以及共享環境品質檢查平臺——以確保每一次 RL 運算的提升都能帶來穩定、可預測的回報。結果，K3.1 Pro 在每個領域都取得持續的提升。

在程式碼、代理以及知識基準測試中，K3.1 Pro 與最強大的專有模型相匹配或接近。在 Terminal-Bench 4.0 上，該測試使用嚴格的任務特定測試評估程式碼代理在真實、資源受限的終端任務中的表現，K3.1 Pro 得分 65.7%，高於 GPT-6 Astra (58.2%)，僅落後於 Claude Opus 5.5 (66.4%)。在 Kimi Code Bench 3.0 Long-horizon 上，我們的內部基準測試程式碼代理在多步驟執行、工具使用以及跨多個工程領域的端到端問題解決能力，K3.1 Pro 得分 61.2%，高於 K3 的 55.95%。

程式碼

K3.1 Pro 覆蓋程式碼工作的全範圍，從實際程式碼庫的快速修復到完整專案構建。它還為遊戲和網頁體驗帶來更精心的視覺風格，並知道如何使用合適的工具來構建它們。

K3.1 Pro 在 Unity、Unreal Engine 和 Godot 等遊戲引擎上都能有效運作，將它們與網路搜尋和 3D 生成結合，創造完整體驗。其前端頁面、互動式 Three.js 場景以及 3D 資產呈現更強的構圖、排版、動畫和精緻度。以下示例全程由 K3.1 Pro 完成：

K3.1 Pro 的長期編碼能力也透過大規模強化學習得到加強。 在一次內部測試中，它在 human-atlas 之上構建了一個整合訓練與評估流程的人類行走動力學模擬器，該模擬器是一個開源的人體解剖模型，包含 296 個骨骼元件（包括軟骨）以及 402 個肌肉元件。 在 167 次任務和 420 次獨立審查中，它分析實驗結果、診斷問題並反覆最佳化行走控制器，使模擬人類從幾秒內崩潰，變為持續交替步伐行走 11.2 秒。 當獎勵塑造無法改善手臂運動時，K3.1 Pro 並非僅持續調整獎勵，而是對模擬器動力學進行開環探測，發現並修正了肩部肌肉力矩臂計算中的 36 個錯誤，然後重新訓練控制器。

3D 模型與設計

K3.1 Pro 在 3D 創作與空間推理方面表現優異。 在 BenchCAD 上，該測試透過 CAD 程式碼生成從多視角渲染進行 3D 重建，K3.1 Pro 以工具模式得分 92.7%，接近 Claude Opus 5.5 (96.2%) 與 GPT-6 Astra (95.9%) 的表現。從文字簡介、草圖或參考影像，它能推斷形狀、比例與空間關係，建立可用的 3D 模型，同時對現有資產庫與模型集合有更深的掌握。

K3.1 Pro 尤其擅長引數化建模，涵蓋機械零件、建築模型、可配置產品及定製傢俱。 在無 MCP 聯結器的情況下，它能為 Blender、CAD 軟體等工具編寫並執行指令碼，構建與最佳化資產、編輯元件、調整幾何、材質與場景佈局。

以下列出 K3.1 Pro 為品牌影片、遊戲與互動網頁體驗所建立的 3D 資產示例：

3D Make 現已在 kimi.ai 與 Kimi 應用程式上線 — 線上預覽與編輯您的 3D 模型，下載即可 3D 列印，或匯出為影片或 Live Photos 以便隨處分享。

財務

憑藉更強的推理與代理能力，K3.1 Pro 能完成完整財務工作流程的端到端交付。K3.1 Pro 在 OfficeQA Pro v2（64.4）上達成領先成果， 該測試通過檢索、跨檔案驗證與多步數值推理，在真實財務檔案上測試複雜的財務資料分析。K3.1 Pro 亦在 Frontier Finance 上優於 K3，該測試衡量從篩選到盈利分析的完整投資工作流程支援。

K3.1 Pro 在我們所有內部財務基準測試中亦有顯著提升：

• Financial Modeling 評估公式連結、財務邏輯與最終工作簿品質於實際建模任務中。K3.1 Pro 相較 K3 提升 7.2 分。
• Financial Research 評估模型是否能在證據與截止限制下產生可審計研究。K3.1 Pro 相較 K3 提升 11.6 分。
• Business Operation 評估在模擬商業環境中的長期管理與決策。K3.1 Pro 的表現約為 K3 的 4.2 倍。

財務分析與投資研究需要高度的事實準確性。為瞭解決這個問題，我們針對 K3.1 Pro 的 事實準確性 在實際任務與具挑戰性的提示上進行了針對性改進。在 Kimi Hallu Bench Hard bench（內部基準，設計用於壓力測試事實準確性）中，其聲稱層幻覺率從 K3 的 23.4% 降至 8.3%，且至少含有一項事實錯誤的回覆比例僅為前者的 42.4%。（此評估為事實準確性的壓力測試，示例故意設計以探測模型易錯情境。報告的比率並不代表日常使用中的總體錯誤率。）

以下案例說明 K3.1 Pro 在實務上如何處理財務建模、投資分析與以來源為基礎的研究：

網路安全

隨著 K3.1 Pro 的能力提升，我們相應地投入更多精力去了解網路安全能力的來源以及我們能控制的程度。因此，我們分析並評估了 K3.1 Pro 的漏洞研究能力，並在訓練過程中採用針對性控制，以降低潛在濫用風險，同時保持一般實用性。

識別與移除網路安全相關資料。 在開發過程中，我們觀察到漏洞研究效能隨著後續訓練規模擴大而持續提升。追蹤此趨勢的來源，我們發現網路安全相關內容被嵌入於一般中期訓練語料庫，且網路安全相關任務亦存在於 RL 環境混合中——這是廣泛資料訓練的自然副產品。在內部模型的初步實驗中，我們發現若在中期訓練或 RL 階段未進行資料移除，後續的網路安全能力將大幅提升。這些發現為我們提供了具體的控制槓桿。對於 K3.1 Pro 的開放權重發布，我們在兩個訓練階段都識別並移除了網路安全相關資料，同時保留了模型實用所需的一般程式碼編寫任務。我們將繼續在每個訓練階段適當施加控制，其中網路安全相關資料的識別與限制即為一例。

評估與結果。 資料清理後，我們在 xdev-bench-hard 上評估了 K3.1 Pro，這是我們內部精心策劃、基於原始碼的漏洞發現與利用任務基準，已校準以在目前能力水平上提供有意義的區分。大多數任務忠實重現了近期公開的漏洞，例如 Linux 核心、Node.js、JavaScriptCore、Exim 和 VirGL 等軟體，且已啟用緩解措施。每項任務提供易受攻擊的原始碼、一個簡短的錯誤提示以及相對應的二進位檔；代理程式必須開發利用程式，在獨立沙盒中達成任意程式碼執行，並檢索一個秘密字串以進行自動驗證。我們報告 pass@3 為隨機子集執行的結果，未設定硬性超時或輸出 token 限制。

在 xdev-bench-hard 上，未採用這些風險降低措施（訓練中期未移除與網路安全相關的資料，且未對 RL 環境進行網路安全過濾）的檢查點能以 pass@3 解決 90.5% 的問題；最終 K3.1 Pro 達到 81.0%。比較顯示，資料移除相較於同一訓練流程會明顯降低網路安全能力。與此同時，K3.1 Pro 相較於前一版本有顯著提升，說明更強的通用編碼與長期除錯能力，即使在針對性資料移除後，仍能泛化到網路安全任務。K3.1 Pro 的網路安全能力仍落後於已公開至少三個月的前沿專有模型。我們將持續改進內部基準，使評估在模型能力不斷提升時仍具參考價值。

開放權重原則。 這些評估構成我們開放權重發布決策的框架。首先，我們的目標是不發布會將網路安全能力推向絕對前沿的開放權重。K3.1 Pro 的攻擊性網路安全能力，按設計低於我們管線可產生的水平，且仍落後於前沿專有模型。其次，我們打算逐步提升開放權重中可用的網路安全能力。我們相信以非歧視性方式提供 K3.1 Pro，能幫助需要雙重用途能力以進行防禦的人士。當一個強大的模型被開放並在使用者掌控的基礎設施上執行時，更多團隊能夠審核其維護的程式碼——包括很少接受專門安全審查的遺留系統。我們相信讓這種能力逐步擴散，而非集中於少數專有系統，最終能提升所有軟體的安全性。

可用性

Kimi K3.1 Pro 今日在 Kimi 產品系列全面推出：於 Kimi.ai、Kimi 行動應用、Kimi Work 與 Kimi Code，以及透過 Kimi API。

完整模型權重將於 2026 年 11 月 4 日發布。

Kimi Enterprise 管理員 可為其組織啟用 K3.1 Pro；啟動時預設為關閉。

每個渠道的詳細資訊：

• Kimi Agents： 從行動應用商店下載或更新至最新的 Kimi 應用，支援 iOS、Android 與 HarmonyOS，或前往 kimi.ai。
• 使用 Kimi K3.1 Pro 進行工作： 下載最新的 Kimi Work 桌面應用，版本 3.1.0 或更高，適用於 Windows 與 Apple silicon Mac。
• 使用 Kimi K3.1 Pro 進行編碼： 執行 Kimi Code，並使用 /model 指令選擇 Kimi K3.1 Pro。
• 使用 Kimi API 進行建置： 前往 Kimi API 平臺 並選擇 kimi-k3.1-pro / kimi-k3.1-pro-highspeed。API 客戶可使用零資料保留。
• 將 Kimi 帶入您的組織： Kimi Business 提供企業級資料隱私與成員管理，並將個人與組織帳號完全分離。前往定價頁面並選擇「取得 Kimi Business」以訂閱給您的團隊。

基準

腳註

除非另有說明，以下所有 Kimi K3.1 Pro 結果均以 reasoning effort 設為 'max'、temperature = 1.0、top-p = 0.95 取得。

編碼基準

1. Terminal-Bench 4.0。Kimi K3.1 Pro 使用 Claude-Code harness 進行評估。DeepSeek-V4.1-Flash-1017 的資料來源為發布部落格（https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017）。其餘所有分數採用其部落格文章或官方 Terminal-Bench 4.0 排行榜所報告的最高值（https://www.tbench.ai/）。
2. Terminal-Bench Science 0.1。Kimi K3.1 Pro 使用 Claude-Code harness 進行評估。我們對 DeepSeek-V4.1-Flash-1017 的內部評估得分為 9.3；然而，舊版 DeepSeek-V4.1-Flash 在官方 Terminal-Bench Science 上得分 15.7，因此此處報告 15.7；其餘所有分數均來自官方 Terminal-Bench Science 排行榜（https://www.terminal-bench-science.ai/）。
3. DeepSWE v1.1。Kimi K3.1 Pro 使用 Claude-Code harness 進行評估。所有分數均取自各模型各自的技術報告。GPT-6 Astra（https://openai.com/index/gpt-6-astra/）。Claude Opus 5.5 與 Claude Fable 5.1（https://www.anthropic.com/claude-opus-5-5-system-card 與 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）。
4. SWE-Marathon v1.1。Kimi K3.1 Pro 使用 Claude-Code harness 進行評估。DeepSeek-V4.1-Flash-1017 使用 ClaudeCode harness 進行評估。其餘所有分數均取自官方 SWE-Marathon 排行榜（https://www.swe-marathon.org/）。
5. PostTrainBench。Kimi K3.1 Pro 與 DeepSeek-V4.1-Flash-1017 在 v1.2 內部評估時使用 Claude-Code harness 並以 H20 GPU 取代 H100 GPU。為了穩定評估，所有評審模型都以最高努力使用 DeepSeek-V4.1-Flash-1017，這與官方 GPT-5.6-Terra（xhigh）評審在測試中最為接近。其他分數來自官方排行榜（https://posttrainbench.com/）。
6. ProgramBench（二元分數）。我們報告二元分數而非原始 ProgramBench 分數：若任務的 ProgramBench 分數 ≥95%，則該任務得 1 分，否則得 0。Kimi K3.1 Pro 使用 Claude-Code harness 進行評估。DeepSeek-V4.1-Flash-1017 與 GLM-5.3 的分數取自發布部落格（https://huggingface.co/deepseek-ai/DeepSeek-…）；其餘所有分數來自 Vals ProgramBench 排行榜（https://www.vals.ai/benchmarks/programbench）。
7. Internal Coding Bench：Kimi Code Bench 2.0 與 Kimi Code Bench 3.0 Long-horizon。Kimi K3.1 Pro 使用 Claude-Code harness 進行評估；其餘所有模型以最大努力設定進行評估。請注意，專有模型測試可能涉及某些回退行為。
8. BenchCAD。對於開源模型，我們在完整 17,900 案例 Vision2Code 資料集隨機抽取 1,000 案例子集，並以最大推理努力進行評估。帶工具結果使用 Claude Code harness；不帶工具結果使用官方 BenchCAD 提示和評分流程的單次生成。Claude Fable 5.1 與 Claude Opus 5.5 的分數取自 Claude Opus 5.5 System Card；GPT‑6 Astra 的帶工具分數取自其 official report。GPT‑6 Astra 尚未報告不帶工具分數，標記為 “—”。

Agentic 基準測試

1. BioMysteryBench dataset 取自 官方 v11 版本，以 Kimi K3 為評分模型。我們使用 Kimi Code 評估 Kimi K3.1 Pro，使用 Claude Code 評估 GLM-5.3 與 DeepSeek-V4.1-Flash-1017，並以 Codex 評估 GPT-6 Astra。Claude 模型的分數直接取自其官方系統卡。
2. Our Agents’ Last Exam dataset 取自 官方 v1.1 版本，包含 122 個任務，其中 86 個為 CLI 任務，環境影像與官方 Hugging Face 版本對齊。我們還對繞過任務明確要求的執行（例如直接在網路上搜尋答案而非在 Wireshark 進行必要分析）給予零分。DeepSeek 以 Claude Code 評估，Kimi 以 Kimi Code 評估。其餘結果皆取自官方基準網站。
3. OfficeQA Pro、OfficeQA Pro v2。GPT-6 Astra 以 Codex 評估，其餘模型則以 Claude Code 評估。每項任務會給代理整個 PDF 資料庫，所有 PDF 均以影像呈現，無法取得機器可讀文字。我們觀察到部分外部模型在執行過程中會線上上檢索參考答案；因此對這些任務給予零分。
4. Frontier Finance 以官方財務代理 v2 harness 進行評估。
5. HANDBOOK.md 以基於 OpenHands 的官方 harness 進行評估，評估任務取自基準早期開源 v1 版本。
6. Harvey Legal Agent 在 1,251 個公開任務資料集上使用 Artificial Analysis 的 Stirrup harness 評估，表現以全通率報告（即所有評分標準皆通過的任務比例）。
7. OSWorld V2.1 以官方 OSWorld v2 倉庫中的 Kimi Agent harness 進行評估，GPT-6 Astra 的分數則取自 Muse Wonder 的技術報告。
8. DECK-Arena 評估在實際查詢下的簡報生成，Design Bench 則透過直接與參考影像少量示例提示進行圖形設計；兩者皆在 python-pptx、pptxjs 以及 Kimi 自家 DSL 的 harness 中執行，並結合搜尋與影像生成，使用以 10,000+ 人工判斷校準的自動評分器。
9. MCP Atlas。所有模型在 500 個公開子集上以 100 回合限制進行評估，評分者為 Gemini 3.1 Pro。
10. BrowseComp。採用 Claude 模型卡中使用的上下文壓縮策略，於 200K 令牌時觸發。我們允許最多 500 步；若在完成任務前達到此限制，將強制代理提供答案，並進行評分。所有 BrowseComp 執行以 temperature=1.0、top-p=1.0 進行。
11. GDPval-AA v2.1、AA-Briefcase v1.1 與 AutomationBench-AA 分數引用自 https://artificialanalysis.ai/，Apex Agents 分數引用自 https://www.mercor.com/apex/apex-agents-leaderboard/
12. GDP.pdf w/ python、ZeroBench w/ python 與 ChartoGraphy w/ python 的結果平均取五次執行。其他多模態基準（w/ python）平均取四次執行。對於 GDP.pdf w/ python：每個原始 PDF 檔案被送到沙盒，模型可使用 IPython 工具處理它。最終回覆以 Gemini-3.5-Flash（中等推理努力）和官方評分提示對每個評分標準進行評分。我們報告任務宏觀平均評分通過率：對於每個任務，我們平均五次獨立執行中通過的評分標準比例，然後將這些任務級別分數平均分配到所有任務。

推理 & 知識 & 多模態基準

1. GDP.pdf。每份 PDF 以頁面影像提供，最大邊長調整為 1,152 畫素，並交錯插入 Docling 提取的文字，按頁面順序排列。回覆以 Gemini-3.5-Flash Medium 與官方評分提示對每個評分標準進行評分。我們報告完全評分回覆中的嚴格通過率。
2. HLE 與 HLE-Diamond 評估一般知識與推理能力。我們報告完整評估集的準確率，HLE 為 2,500 題，HLE-Diamond 為 1,000 題。對於以星號 (*) 標記的模型，準確率僅針對文字子集問題報告。
3. GDP.pdf、ZeroBench 與 ChartoGraphy 的結果平均取五次執行。其他多模態基準平均取四次執行。GDP.pdf 的 GLM-5.3 Max 與 DeepSeek-V4.1-Flash-1017 Max 分數來自 https://artificialanalysis.ai/。
4. MMMU-Pro 按照官方協議評估，保留原始輸入順序，並將影像預置於文字輸入前。
5. Kimi Hallucination Benchmark 評估在內部挑戰性、去識別化提示集（來自實務工作任務）上的事實準確性。我們報告由事實核查代理人評估的主張層級幻覺率。

網路安全基準

1. ExploitBench。Kimi K3.1 Pro 以官方 ExploitBench harness 在 300 轉數預算下評估。我們報告 pass@5 最大能力分數：對於每個環境，5 次種子中最佳執行，按達到的 16 個能力旗標數量計分，其中達成任意程式碼執行即算達到所有 16 個能力。GPT-6 Astra 分數取自 https://openai.com/index/gpt-6-astra/；Claude Opus 5.5 與 Claude Mythos 5.1 分數取自 https://www.anthropic.com/claude-opus-5-5-system-card；GLM-5.3 分數取自 https://z.ai/blog/glm-5.3。
2. ExploitGym。Kimi K3.1 Pro 以 KimiCode harness 在每個任務 6 小時實際時間預算下評估。GPT-6 Astra 分數取自 https://openai.com/index/gpt-6-astra/；Claude Opus 5.5 與 Claude Mythos 5.1 分數取自 https://www.anthropic.com/claude-opus-5-5-system-card（6 小時預算下）；GLM-5.3 分數取自 https://z.ai/blog/glm-5.3。
3. xdev-Bench-hard：Kimi K3.1 Pro 以 KimiCode harness 評估。GLM-5.3 與 DeepSeek-V4.1-Flash-1017 以 Claude Code harness 評估。