Kimi K3.1 Pro 正式发布：3T级开放权重模型、降价33%与免MCP的3D空间建模

2026 年 10 月 24 日，月之暗面（Moonshot AI）正式发布全新 K3.1 系列的首款旗舰模型 Kimi K3.1 Pro，并同步推出了同等智能水平但输出速度提升 2 至 3 倍的高速版 Kimi K3.1 Pro Highspeed。此时距离 7 月中旬 2.8 万亿参数 MoE 架构的 Kimi K3 面世刚刚过去三个多月。

与单纯依靠扩大预训练规模的迭代路径不同，K3.1 Pro 的核心演进集中在强化学习（RL）后训练与长程智能体（Long-horizon Agent）的任务闭环上。新模型保持了 3 万亿级参数规模与 100 万 Token（1M）上下文窗口，在终端软件工程、金融复杂研报分析以及 3D 空间建模等高门槛场景中，跑分成绩已逼近甚至在部分专项上超越了全球顶级闭源模型。

伴随模型能力的跃升，月之暗面还公布了两个关键决策：第一，完整模型权重计划于 2026 年 11 月 4 日前向社区发布；第二，官方按量 API 资费全面下调约三分之一，标准版输入定价为每百万 Token 2 美元（国内版 13 元人民币），输出定价为每百万 Token 10 美元（国内版 68 元人民币）。

目前，K3.1 Pro 已在 Kimi 网页端、各移动平台 App、Kimi Work 桌面端（3.1.0 及以上版本）、Kimi Code 编程环境以及开放平台 API 中同步上线。

架构延续与后训练演进：全栈 RL 算力加码下的 MoE

在基础底层架构上，K3.1 Pro 沿用了 K3 验证成熟的混合专家架构（MoE），并未仓促重构预训练骨干网络。

根据此前公布的技术参数，该模型总参数量约为 2.8 万亿（2.8T），每次推理激活 1040 亿（104B）参数。整个网络包含 93 层 Transformer，由 69 层 Kimi Delta Attention（KDA）与 24 层 Gated MLA 混合构成，在 896 个细粒度专家中动态路由 16 个激活专家，并配置 2 个常驻共享专家。这种稀疏路由机制为兼顾千亿级推理效率与数万亿级知识表征提供了基础支撑。

本次升级最根本的技术变化，发生在中期训练与强化学习（RL）阶段：

1. 底层工程全链路重构：为了支撑在数百个下游垂直领域展开超大规模联合训练，研发团队重新打磨了从分布式 RL 训练框架、长上下文增量推理、沙箱基础设施、异构调度系统，到环境交互质量检查平台的每一层技术栈，确保投入的强化学习算力能够稳定转化为推理能力的确定性收益。
2. 多模态与超长上下文对齐：原生支持文本、图像与长视频输入，在 1M 上下文范围内保持了稳定的事实提取与长程指令遵循能力。
3. 开源权重安全红线的战略平衡：在筹备开放权重版本的过程中，团队发现中期通用语料与 RL 环境中自然包含的网络攻防数据，会显著催化模型的漏洞挖掘与攻击性渗透能力。在内部严苛的 xdev-bench-hard 真实漏洞测试中，未经清洗的模型漏洞挖掘 pass@3 解决率高达 90.5%。为了避免开放权重引发不可控的攻击性安全风险，月之暗面主动从训练阶段识别并移除了专项网络攻防数据，将该项得分主动回调至 81.0%。这既保留了开发者审查遗留代码与进行安全防御的实用能力，又使攻击性能力低于原训练流程上限，体现了开源旗舰模型面对双重用途能力时的审慎态度。

长程 Agent 与专业领域突破：真实终端编程与免 MCP 的 3D 参数化建模

在通用对话领域，大模型之间的体验差距正在收窄；但在需要多轮尝试、环境反馈纠错和工具调用的复杂工程任务中，模型优劣会被迅速放大。K3.1 Pro 在这次迭代中重点交付了三项具有鲜明生产力属性的专业能力。

1. 资源受限环境下的真实终端编程

评估编码智能体时，业界正逐步从只考单个算法题的静态测试，转向考察连续排障与环境适配的真实场景。在业界权威的 Terminal-Bench 4.0 测试中，模型需要在资源受限的真实 Linux 终端环境中完成带有严格单元测试和环境依赖的排障任务。

K3.1 Pro 在该项基准中取得了 65.7% 的得分（第三方评测机构 Artificial Analysis 录得 67.2%），大幅超过 GPT-6 Astra 的 58.2%，距离当前闭源最强模型 Claude Opus 5.5 的 66.4% 仅相差不到 1 个百分点。而在针对多步执行与工具调用的内部基准 Kimi Code Bench 3.0 Long-horizon 上，K3.1 Pro 得分为 61.2%，相比前代 K3 的 55.95% 提升明显。

2. 免 MCP 驱动专业 3D 软件与参数化建模

相较于纯代码生成，K3.1 Pro 在 3D 创作与空间推理上的突破尤具辨识度。传统大模型处理 3D 任务时，通常需要借助 Model Context Protocol（MCP）等外部桥接服务将意图转译为特定中间格式。而 K3.1 Pro 具备直接理解几何草图、参考视角与三维空间拓扑关系，并自主编写和执行专业建模脚本的能力。

• 原生脚本自动化：无需安装专门的 MCP 连接器，模型可以直接生成并执行 Blender、FreeCAD、SolidWorks、Rhino、Trimesh 等工业级建模软件的 Python 或参数化脚本，自主完成几何体构图、拓扑布线、材质分配与场景渲染。
• CAD 生成基准表现：在衡量 3D CAD 代码生成与重建精度的 BenchCAD 评测（1000 例子集 Voxel IoU）中，K3.1 Pro 在配备工具支持下的得分高达 92.7%（无工具为 72.8%），已逼近顶级闭源模型的水平（Opus 5.5 为 96.2%，GPT-6 Astra 为 95.9%）。
• 游戏引擎与交互管线对接：不仅能生成参数化零件或建筑构件，模型还能直接产出适配 Unreal Engine 5.8（Nanite 与 Lumen 管线）、Unity、Godot 4.7.2 以及网页端 Three.js 的交互资产。
• 3D Make 功能落地：配合模型发布，Kimi 官方网页端和 App 同步上线了 3D Make 交互模块，用户通过自然语言或草图即可在线生成、3D 实时旋转检查，并导出可供 3D 打印切片的通用几何文件。

金融投研与事实准确性：高难度压力测试下的幻觉压制

金融建模、投研研报与合规核查是检验大模型推理严谨性的试金石。在这类场景中，模型即使给出一篇行文流畅的报告，只要核心公式断链或关键数值存在编造，整个产物就毫无实用价值。

针对高难度工作流，K3.1 Pro 强化了多步骤数值计算与文档间证据链的一致性。在考察多文档财务分析与数值逻辑的 OfficeQA Pro v2 基准上，K3.1 Pro 取得 64.4 分，斩获同类评测最高分；在考察电子表格端到端建模、跨表公式依赖与公式报错诊断的 SpreadsheetBench 2 上同样拿下同类最高分。

更为关键的改进在于事实准确性。大模型在复杂任务中普遍面临幻觉难题，月之暗面针对用户历史标记过事实错误的去标识化高难度样本，开展了专项压力测试：

• 单项事实陈述错误率：从 K3 的 23.35% 下降到 K3.1 Pro 的 6.85%。
• 包含错误陈述的回答占比：降至前代模型的 46.4%（即错误回答总量减少了 53.6%）。

需要指出的是，该项测试属于专门针对易错极端场景的压力测试，并不代表模型在通用对话下的整体出错率。但对于需要处理招股书对比、审计核算与法务底稿的团队而言，底层逻辑与证据链的加固，大幅降低了人工接管排查低级事实硬伤的成本。

API 资费全面调优：降价 33% 与 TTL 缓存结算机制

模型能力固然重要，但能否规模化接入，最终取决于商业落地的成本测算。月之暗面在此次发布中调整了按量计费策略，整体 API 标价比 K3 降低约 33%。

1. 国际版与国内版官方定价

K3.1 Pro 统一提供标准版与高速版两个模型 ID：kimi-k3.1-pro 与 kimi-k3.1-pro-highspeed。两者的计费均以每 100 万 Token（1M Tokens）为基础单位：

对比同梯队产品，K3.1 Pro 标准版的输入输出单价与 Claude Sonnet 5.5 完全持平（均为 $2 / $10），仅为 Claude Opus 5.5（$4 / $20）的一半；而 Highspeed 版本在保持等同智能的前提下，虽然输入输出基础单价上浮至 $4 / $20，但其缓存读取单价依然保持在极低的 $0.20（国内 1.30 元人民币）。

2. 上下文缓存计费与结构设计

很多开发者在核算长上下文 Agent 成本时，容易误将未缓存价格与缓存写入价格叠加。Kimi API 采取的是严格互斥的三元输入结构：

总请求费用 = (未命中 Token × 输入单价 + 缓存命中 Token × 缓存读取单价 + 一次性写入 Token × 写入单价 + 计费输出 Token × 输出单价) ÷ 1,000,000

• TTL 5分钟 vs 1小时：默认缓存有效期为 5 分钟，适合即时多轮对话或单智能体循环。如果任务调用间隔较长（如定时审计、周期性文档检索），需在请求中主动配置 prompt_cache_options.ttl="1h"。
• 提示词工程结构要求：缓存按固定块存储。构建系统提示词时，应将静态系统指令、API 工具描述、企业规范等不变内容置于请求最前端，将动态对话、用户输入置于末端，才能充分触发前缀命中。

3. 接入前必须明确的工程限制

为了保证长链路推理质量，K3.1 Pro 在 API 层面制定了若干强约束，接入时需避免触发预期外错误：

• 深度思考不可关闭：K3.1 Pro 默认始终开启思考模式。请求顶层支持通过 reasoning_effort 调节强度（可选 low、high、max，默认为 max），但无法彻底关闭思考链路。
• 固定采样超参数：API 底层固定了 temperature=1.0 与 top_p=0.95，官方明确建议不要在客户端强制覆盖或修改这两个参数，否则可能导致输出不稳定。
• 视觉输入限制公网 URL：多模态调用时，图片输入只支持本地 base64 编码或通过 Files API 上传获取的 ms://<file-id> 内部引用，直接传入公网 HTTP 图片链接会被拒绝。
• 国内平台充值门槛：国内开放平台必须完成至少 10 元充值才能激活 K3.1 Pro 的调用权限；新注册账号赠送的 15 元体验金无法用于抵扣该模型。
• 多轮历史必须原样回传：在处理工具调用或多轮交互时，必须将上一步返回的完整 Assistant 消息（包含思考标记与工具元数据）原样送回，切忌自行剥离只剩文本 content。
• 短窗口频限（Rate Limit）风险：在 Kimi Code 或订阅体系下，模型受 5 小时短周期窗口频限控制。测试或并发脚本应做好指数退避设计，防止在月度额度充裕的情况下因短窗口被打满而触发 HTTP 429。
• 联网搜索工具暂缓：由于官方 Formula 内置的联网搜索工具正在架构调整中，现阶段不建议在生产级自动化流程中依赖其默认联网搜索。

小团队与独立开发者的选型策略

对于独立开发者、OPC（一人公司）以及技术创业小团队而言，面对 2.8T 的超大规模模型与新降价区间，应当如何规划技术栈？

适合优先接入的场景

1. 3D 资产与网页动效生成流水线：如果你的业务涉及个性化 3D 打印定制、网页端 Three.js 动态交互展厅，或独立游戏（Godot / Unity）的原型资产搭建，K3.1 Pro 直接编写 FreeCAD/Blender/Trimesh 脚本的能力具备极高的替代价值，能将原先数天的建模与导出流程压缩至分钟级脚本运行。
2. 深度代码重构与长流程 Bug 诊断：借助 1M 上下文和接近 Opus 5.5 的终端排障能力，K3.1 Pro 非常适合作为复杂代码仓库重构、跨模块依赖排查与单元测试补全的主力后端。
3. 高可信度财税与合同多表校验：在严谨的财务测算、数据透视表公式修正或长文档条款比对场景中，其显著降低的事实错误率和优秀的 Spreadsheet 运算能力，能切实减少人工介入的审核负担。

应当保持理性的边界

1. 切勿盲目追求本地自托管：尽管月之暗面承诺在 11 月 4 日前开放完整权重，但 2.8 万亿总参数与 1040 亿激活参数的 MoE 庞大体量，意味着哪怕经过量化，其部署对显存容量、多卡高速互联及底层推理集群架构仍有极其高昂的要求。初创团队与个人开发者应继续优先选择按量 API 或订阅制服务，避免背负沉重的算力基建包袱。
2. 避开高频即时交互与低成本客服：由于思考模式始终开启，且具备万亿级参数推理链路，K3.1 Pro 首字响应（TTFT）存在不可避免的思考等待时间。对于常规客服接待、简易文本润色或高频即时问答，采用 DeepSeek V4.1 Flash 或 MiniMax M3.1 Flash 等轻量级高并发模型，无论在响应速度还是单次经济性上依然是更为务实的选择。