Kimi 发布 K3.1 Pro 与 K3.1 Pro Highspeed

推出 Kimi K3.1 Pro

我们推出 Kimi K3.1 Pro。这是全新 K3.1 系列的首款模型，也是我们迄今为止能力最强的 3T 级开放权重模型，具备 1-million-token 上下文窗口。它在编程、3D 创作、金融研究及其他智能体能力方面均实现了显著提升。

我们还将发布 Kimi K3.1 Pro Highspeed，其速度达到 K3.1 Pro 的 2-3×，交互响应更迅速。

Kimi K3.1 Pro 和 Kimi K3.1 Pro Highspeed 现已上线 Kimi.ai、Kimi Work、Kimi Code 和 Kimi API。完整模型权重将最迟于 Nov 4 发布。

拓展开放智能的前沿

Kimi K3.1 Pro 是 Kimi K3 的后训练版本，使用了大幅增加的后训练计算资源。为了支持在数百个下游领域开展大规模联合 RL，我们优化了技术栈的每一层——包括 RL 框架、长上下文推理、训练效率、沙箱基础设施、rollout 调度，以及用于环境质量检查的共享平台——确保每增加一份 RL 计算资源，都能获得稳定、可预测的回报。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 达到或接近最强的专有模型。在使用严格的任务专项测试评估编码智能体处理现实且资源受限的终端任务能力的 Terminal-Bench 4.0 上，K3.1 Pro 得分 65.7%，领先 GPT-6 Astra（58.2%），略低于 Claude Opus 5.5（66.4%）。在测试编码智能体多步执行、工具使用以及跨不同工程领域端到端问题解决能力的内部基准 Kimi Code Bench 3.0 Long-horizon 上，K3.1 Pro 得分 61.2%，高于 K3 的 55.95%。

编程

K3.1 Pro 覆盖编程工作的全部范围，从真实代码库中的快速修复到完整项目构建。它还为游戏和网页体验带来更考究的视觉风格，并懂得如何使用恰当的工具进行构建。

K3.1 Pro 能够有效适用于 Unity、Unreal Engine 和 Godot 等游戏引擎，并将这些引擎与网页搜索和 3D 生成相结合，打造完整的体验。其前端页面、交互式 Three.js 场景和 3D 资产在视觉构图、排版、动画和精致度方面均表现出色。下方示例均由 K3.1 Pro 端到端创建：

K3.1 Pro 的长程编程能力也通过大规模强化学习得到进一步增强。 在一次内部测试中，它基于 human-atlas 构建了一个集成训练和评估流程的人体行走动力学模拟器；human-atlas 是一个开源人体解剖模型，包含 296 个骨骼组件（包括软骨）和 402 个肌肉组件。在 167 项任务和 420 次独立审查中，它分析实验结果、诊断问题，并迭代优化行走控制器，使模拟人体从几秒内就会倒地，变为以交替步态持续行走 11.2 秒。当奖励塑形未能改善手臂运动时，K3.1 Pro 并非只是持续调整奖励：它对模拟器的动力学进行了开环探测，识别并修正了肩部肌肉力矩臂计算中的 36 处错误，随后重新训练了控制器。

3D 建模与设计

K3.1 Pro 擅长 3D 创作和空间推理。 在 BenchCAD 上，该基准测试通过生成 CAD 代码来考察从多视图渲染图进行 3D 重建的能力；K3.1 Pro 在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%) 的表现。它可以根据文字简述、草图或参考图像推断形状、比例和空间关系，从而创建可用的 3D 模型。它对现有资产库和模型集的理解也更加深入。

K3.1 Pro 尤其擅长参数化建模，涵盖机械零件、建筑模型、可配置产品和定制家具。 无需 MCP 连接器，它也能为 Blender 和 CAD 软件等工具编写并运行脚本，以构建和优化资产、编辑组件，以及调整几何结构、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 现已上线于 kimi.ai 和 Kimi 应用——您可以在线预览和编辑您的 3D 模型，将它们下载后用于 3D 打印，或导出为视频或 Live Photos，以便在任何地方分享。

金融

凭借更强的推理和智能体能力，K3.1 Pro 能够端到端交付完整的金融工作流。K3.1 Pro 在 OfficeQA Pro v2 (64.4) 上取得了最先进的结果，该基准测试通过检索、跨文档核验和多步数值推理，测试对真实金融文档中复杂财政数据的分析能力。K3.1 Pro 在 Frontier Finance 上的表现也优于 K3；该基准测试衡量从筛选到盈利能力分析的完整投资工作流支持能力。

K3.1 Pro 在我们所有内部金融基准测试上也均有显著提升：

• 财务建模评估实际建模任务中的公式关联、财务逻辑和最终工作簿质量。K3.1 Pro 比 K3 高出 7.2 分。
• 财务研究评估模型能否在证据和截止时间限制下产出可审计的研究。K3.1 Pro 比 K3 高出 11.6 分。
• 业务运营评估模拟商业环境中的长程管理和决策能力。K3.1 Pro 的表现约为 K3 的 4.2 倍。

财务分析和投资研究对事实准确性有很高要求。为此，我们有针对性地改进了 K3.1 Pro 在现实任务和高难度提示上的事实准确性。在 Kimi Hallu Bench Hard 基准测试中，这项旨在严格检验事实准确性的内部基准测试显示，其断言级幻觉率从 K3 的 23.4% 降至 8.3%，而至少包含一个事实错误的回答占比仅相当于前代模型相应比率的 42.4%。（该评估是对事实准确性的压力测试，示例经过刻意设计，用于探查模型容易出错的情形。所报告的比率并不代表日常使用中的整体错误率。）

以下案例展示了 K3.1 Pro 在实际中如何处理财务建模、投资分析和以信源为基础的研究：

网络安全

随着 K3.1 Pro 的能力不断提升，我们也相应投入了更多精力来了解网络安全能力从何而来，以及其中有多少能够被我们控制。因此，我们分析并评估了 K3.1 Pro 的漏洞研究能力，并在训练期间采取有针对性的控制措施，以降低潜在滥用风险，同时保持其通用实用性。

识别并移除网络安全相关数据。 在开发过程中，我们观察到，随着后训练规模扩大，漏洞研究表现稳步提升。追踪这一趋势的来源时，我们发现网络安全相关内容被嵌入通用中期训练语料库中，网络安全相关任务也存在于 RL 环境组合中——这是在广泛数据上训练的自然副产品。在内部模型的初步实验中，我们发现，如果不在中期训练或 RL 阶段移除数据，下游网络安全能力将大幅提升。这些发现为我们提供了一个具体的控制手段。在开放权重发布 K3.1 Pro 时，我们从两个训练阶段中识别并移除了网络安全相关数据，同时保留了保持模型实用性所需的通用编程任务。我们将继续在每个训练阶段采取适当的控制措施，其中网络安全相关数据的识别与限制就是一个例子。

评估与结果。 数据清理后，我们使用 xdev-bench-hard 对 K3.1 Pro 进行了评估。这是我们内部的基准测试，包含由专家筛选、基于源代码的漏洞发现与利用任务，并经过校准，以便在我们当前的能力水平上提供有意义的区分度。大多数任务忠实复现了近期公开披露的软件漏洞，例如 Linux 内核、Node.js、JavaScriptCore、Exim 和 VirGL 中的漏洞，并启用了相应的缓解措施。每个任务都会提供存在漏洞的源代码、简短的漏洞提示以及相应的二进制文件；智能体必须开发漏洞利用程序，在独立的沙箱中实现任意代码执行，并获取一段秘密字符串以供自动验证。我们报告在随机选取的运行子集上的 pass@3，未设置硬性超时或输出 token 上限。

在 xdev-bench-hard 上，未采取这些风险降低措施的检查点——训练中期不移除网络安全相关数据，也不筛选网络安全相关 RL 环境——在 pass@3 下解决了 90.5% 的问题；最终版 K3.1 Pro 达到 81.0%。比较结果表明，相较于同一训练流程原本能够产出的水平，数据移除显著降低了网络安全能力。与此同时，K3.1 Pro 相比其前代模型大幅提升，这表明更强的一般编程和长时程调试能力即使在经过有针对性的数据移除后，仍能泛化至网络安全任务。K3.1 Pro 的网络安全能力仍落后于至少已公开可用三个月的前沿专有模型。我们将继续完善内部基准，以确保随着模型能力不断进步，评估仍能提供有价值的信息。

开放权重原则。这些评估结果构成了我们开放权重发布决策的依据。首先，我们的目标是不发布会延伸网络安全能力绝对前沿的开放权重。按照设计，K3.1 Pro 的进攻性网络安全能力低于我们的训练流程所能产出的水平，也仍落后于前沿专有模型。其次，我们打算逐步提高开放权重所提供的网络安全能力。我们认为，以非歧视性的方式提供 K3.1 Pro，有助于那些需要将双重用途能力用于防御目的的人。当一个能力强大的模型开放并运行在用户控制的基础设施上时，更多团队便有了审查其维护代码的手段——其中包括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，而不是将其集中在少数专有系统中，最终会让所有软件都更加安全。

可用性

Kimi K3.1 Pro 今天在 Kimi 产品家族中推出：可通过 Kimi.ai、Kimi 移动应用、Kimi Work 和 Kimi Code 使用，也可通过 Kimi API 访问。

完整模型权重将于 Nov 4, 2026 前发布。

Kimi Enterprise 管理员可以为所在组织启用 K3.1 Pro；发布时默认关闭访问权限。

各渠道详情：

• Kimi Agents：从移动应用商店下载或更新最新版的 Kimi 应用，该应用支持 iOS、Android 和 HarmonyOS；也可以访问 kimi.ai。
• 使用 Kimi K3.1 Pro：下载最新版的 Kimi Work 桌面应用，版本为 3.1.0 或更高版本，适用于 Windows 和 Apple silicon Mac。
• 使用 Kimi K3.1 Pro 编写代码：运行 Kimi Code，并使用 /model 命令选择 Kimi K3.1 Pro。
• 使用 Kimi API 进行构建：访问 Kimi API Platform，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保护和成员管理，并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”，即可为您的团队订阅。

基准测试

脚注

除非另有说明，下文报告的所有 Kimi K3.1 Pro 结果均在推理强度设置为 'max'、temperature = 1.0、top-p = 0.95 的情况下获得。

编程基准测试

1. Terminal-Bench 4.0。Kimi K3.1 Pro 使用 Claude-Code 测试框架进行评测。DeepSeek-V4.1-Flash-1017 取自发布博客（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 排行榜中报告的最高值（https://www.tbench.ai/）。
2. Terminal-Bench Science 0.1。Kimi K3.1 Pro 使用 Claude-Code 测试框架进行评测。我们内部对 DeepSeek-V4.1-Flash-1017 的评测得分为 9.3；但较旧版本 DeepSeek-V4.1-Flash 在官方 Terminal-Bench Science 上的得分为 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/）。
3. DeepSWE v1.1。Kimi K3.1 Pro 使用 Claude-Code 测试框架进行评测。所有分数均取自各模型各自的技术报告。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）。
4. SWE-Marathon v1.1。Kimi K3.1 Pro 使用 Claude-Code 测试框架进行评测。DeepSeek-V4.1-Flash-1017 使用 ClaudeCode 测试框架进行评测。所有其他分数均取自官方 SWE-Marathon 排行榜（https://www.swe-marathon.org/）。
5. PostTrainBench。Kimi K3.1 Pro 和 DeepSeek-V4.1-Flash-1017 在 v1.2 上使用 Claude-Code 测试框架和 H20 GPU（而非 H100 GPU）进行了内部评测。为确保评测稳定性，所有评审模型均使用 DeepSeek-V4.1-Flash-1017，并将其设为最大 effort；测试显示，这一设置与官方 GPT-5.6-Terra (xhigh) 评审模型最为匹配。其他分数均来自官方排行榜（https://posttrainbench.com/）。
6. ProgramBench（二元分数）。我们报告的是二元分数，而非原始 ProgramBench 分数：如果某项任务的 ProgramBench 分数 ≥95%，则得 1 分，否则得 0 分。Kimi K3.1 Pro 使用 Claude-Code 测试框架进行评测。DeepSeek-V4.1-Flash-1017 和 GLM-5.3 的分数取自发布博客（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）。
7. 内部编程基准：Kimi Code Bench 2.0 和 Kimi Code Bench 3.0 Long-horizon。Kimi K3.1 Pro 使用 Claude-Code 测试框架进行评测；所有其他模型均按其最大 effort 设置进行评测。注意，专有模型测试可能涉及某些回退行为。
8. BenchCAD。我们以最高推理强度，在从完整的 17,900-case Vision2Code 数据集中随机采样的 1,000-case 子集上评测开放模型。使用工具的结果采用 Claude Code 测试框架；不使用工具的结果采用官方 BenchCAD 提示词和评分流程进行单次生成。Claude Fable 5.1 和 Claude Opus 5.5 的分数取自Claude Opus 5.5 系统卡；GPT‑6 Astra 的使用工具分数取自其官方报告。GPT‑6 Astra 尚未报告不使用工具的分数，因此标记为“—”。

智能体基准测试

1. BioMysteryBench 数据集取自官方 v11 发布版本，并以 Kimi K3 作为裁判模型。我们使用 Kimi Code 评测 Kimi K3.1 Pro，使用 Claude Code 评测 GLM-5.3 和 DeepSeek-V4.1-Flash-1017，并使用 Codex 评测 GPT-6 Astra。Claude 模型的分数直接取自其官方系统卡。
2. 我们的 Agents’ Last Exam 数据集取自官方 v1.1 发布版本，包含 122 项任务，其中 86 项为 CLI 任务，环境镜像与官方 Hugging Face 发布版本一致。对于违反任务既定要求的运行，我们还会直接赋予 0 分，例如在网上检索答案，而不是在 Wireshark 中执行所要求的分析。DeepSeek 和 Kimi 分别使用 Claude Code 和 Kimi Code 进行评测。其他所有结果均取自官方基准测试网站。
3. OfficeQA Pro、OfficeQA Pro v2。GPT-6 Astra 使用 Codex 进行评测，所有其他模型均使用 Claude Code 进行评测。每项任务都会向智能体提供完整的 PDF 语料库，所有 PDF 均以图像形式呈现，且不提供机器可读文本。在某些外部模型的运行轨迹中，我们发现它们曾在线检索参考答案；因此，我们将这些任务的分数记为 0。
4. Frontier Finance 使用官方 finance agent v2 评测框架进行评测。
5. HANDBOOK.md 使用基于 OpenHands 构建的官方评测框架进行评测，评测任务取自该基准测试早期的开源 v1 发布版本。
6. Harvey Legal Agent 在一个包含 1,251 项任务的公开数据集上，使用 Artificial Analysis 的 Stirrup 评测框架进行评估；性能以全通过率报告（即通过所有评分标准项的任务百分比）。
7. OSWorld V2.1 使用官方 OSWorld v2 仓库中的 Kimi Agent 评测框架进行评测，而 GPT-6 Astra 的分数取自 Muse Wonder 的技术报告。
8. DECK-Arena 在真实世界查询上评测演示文稿生成，Design Bench 则通过直接少样本提示和参考图像少样本提示评测平面设计；两者均在集成搜索和图像生成的评测框架中，使用 python-pptx、pptxjs 和 Kimi 自研 DSL 运行各模型，并采用经过 10,000+ 次人工判断校准的自动评分器。
9. MCP Atlas。所有模型均在包含 500 项任务的公开子集上进行评测，轮次上限为 100，并以 Gemini 3.1 Pro 作为裁判模型。
10. BrowseComp。我们采用 Claude 模型卡中使用的上下文压缩策略，该策略在 200K tokens 时触发。最多允许 500 个步骤；如果任务尚未完成即达到此上限，我们会强制智能体给出答案，随后对该答案进行评判。所有 BrowseComp 运行均采用 temperature=1.0 和 top-p=1.0。
11. GDPval-AA v2.1、AA-Briefcase v1.1 和 AutomationBench-AA 的分数引自https://artificialanalysis.ai/；Apex Agents 的分数引自https://www.mercor.com/apex/apex-agents-leaderboard/
12. 使用 python 的 GDP.pdf、使用 python 的 ZeroBench 和使用 python 的 ChartoGraphy 的结果取五次运行的平均值。其他多模态基准（使用 python）的结果取四次运行的平均值。对于使用 python 的 GDP.pdf：每个原始 PDF 文件都会发送到沙箱，模型可在其中使用 IPython 工具进行处理。最终回复将依据每项评分标准，使用 Gemini-3.5-Flash（中等推理强度）和官方评判提示词进行评分。我们报告任务宏平均的评分标准通过率：对于每项任务，先对五次独立运行中通过的评分标准所占比例取平均，再对所有任务的这些任务级分数等权取平均。

推理 & 知识 & 多模态基准

1. GDP.pdf。每个 PDF 都以页面图像的形式提供，图像最长边调整为 1,152 像素，并按页面顺序与 Docling 提取的文本交错排列。回复将依据每项评分标准，使用 Gemini-3.5-Flash Medium 和官方评判提示词进行评分。我们报告完整评分回复中的严格通过率。
2. HLE 和 HLE-Diamond 用于评估通用知识与推理能力。我们报告完整评测集上的准确率，其中 HLE 包含 2,500 道题，HLE-Diamond 包含 1,000 道题。对于标有星号（*）的模型，准确率基于仅含文本的题量子集报告。
3. GDP.pdf、ZeroBench 和 ChartoGraphy 的结果取五次运行的平均值。其他多模态基准的结果取四次运行的平均值。GLM-5.3 Max 和 DeepSeek-V4.1-Flash-1017 Max 的 GDP.pdf 分数引自 https://artificialanalysis.ai/。
4. MMMU-Pro 按照官方协议进行评测，保留原始输入顺序，并将图像置于文本输入之前。
5. Kimi Hallucination Benchmark 在一组具有挑战性的去标识化提示词上评估事实准确性，这些提示词取自实际工作任务。我们报告由事实核查智能体评估的声明级幻觉率。

网络安全基准

1. ExploitBench。Kimi K3.1 Pro 使用官方 ExploitBench 评测框架，在 300 轮预算下进行评测。我们报告 pass@5 max 能力分数：对于每个环境，取 5 个随机种子中最佳的一次运行，根据达到的能力标志数量（共 16 项）计分，其中实现任意代码执行即视为达到全部 16 项能力。GPT-6 Astra 分数引自 https://openai.com/index/gpt-6-astra/；Claude Opus 5.5 和 Claude Mythos 5.1 分数引自 https://www.anthropic.com/claude-opus-5-5-system-card；GLM-5.3 分数引自 https://z.ai/blog/glm-5.3。
2. ExploitGym。Kimi K3.1 Pro 使用 KimiCode 评测框架，在每项任务 6 小时的挂钟时间预算下进行评测。GPT-6 Astra 分数引自 https://openai.com/index/gpt-6-astra/；Claude Opus 5.5 和 Claude Mythos 5.1 分数引自 https://www.anthropic.com/claude-opus-5-5-system-card，采用 6 小时预算；GLM-5.3 分数引自 https://z.ai/blog/glm-5.3。
3. xdev-Bench-hard：Kimi K3.1 Pro 使用 KimiCode 评测框架进行评测。GLM-5.3 和 DeepSeek-V4.1-Flash-1017 使用 Claude Code 评测框架进行评测。