Kimi K3.1 Pro 深度解读：AA 全球第 4，Terminal-Bench 追到 Opus 5.5 门口

一句话总结：月之暗面 10 月 24 日发布 Kimi K3.1 Pro，仍是 2.8 万亿参数、1040 亿激活的开源最大模型，AA 智能指数从 K3 的 43.6 涨到 55.1、全球第 4、开源第一，Terminal-Bench 4.0 拿到 65.7% 只比 Claude Opus 5.5 低不到 1 个百分点，权重承诺 11 月 4 日前放出。

三个月前 K3 发布时，大家讨论的是「开源模型能不能打」。这次 K3.1 Pro 出来，问题变成了「还差多少」。

答案给得很具体：Terminal-Bench 4.0 上，K3.1 Pro 65.7%，Claude Opus 5.5 是 66.4%，GPT-6 Astra 是 58.2%。差 0.7 个百分点，基本可以算同一档了。

规格：参数没变，能力重训

参数没动，提升全部来自后训练。官方说这版大幅增加了后训练算力，把强化学习扩展到数百个下游领域，同时重构了 RL 框架、长上下文推理、训练效率和沙箱调度。

这句话翻译成人话：不是模型变聪明了，是它在真实任务上被练得更会干活了。

两个分数，两个含义

AA 智能指数 55.1。 这是第三方盲测的综合分，比 K3 的 43.6 高了 11.5 分。同期的开源对手是小米 MiMo-V2.6-Pro 46.3、智谱 GLM-5.3 44.8，K3.1 Pro 直接把开源第一拉开近 10 分。

Terminal-Bench 4.0 是 65.7%。 这个测试考的是「在终端里把活干完」的能力，跑的是真实命令、真实文件、真实报错。65.7 意味着它已经能独立处理绝大多数多步骤命令行任务，和 Opus 5.5 的 66.4 只差 0.7 分。

内部还有一项长程代码基准：K3.1 Pro 61.2%，K3 是 55.95%。这个提升幅度（5 个百分点）比综合分更能说明问题——长程任务正是 Agent 落地的瓶颈。

图 1：左边是 AA 指数代际对比，右边是 Terminal-Bench 4.0 的三方位置

官方演示里最值得看的不是分数

官方给的一个案例比跑分有说服力：让模型搭一套模拟人体行走的控制系统，要求它自己分析实验结果、定位问题、迭代控制器。

结果是从「走几步就倒」练到「连续行走 11.2 秒」，中途还修正了肩部肌肉力臂计算里的 36 处错误，并据此重新训练控制器。

这个案例的价值在于自我修正：不是答对一道题，是在失败反馈里持续改进。这也是这代模型把 RL 扩展到数百个下游领域的直接结果。

该不该现在上

现在上，理由两个：

1. 它的强项（代码、3D、金融、长程 Agent）正好是当前落地最缺的能力，Terminal-Bench 65.7 已经能进生产链路
2. 开源第一，价格是 GPT-6 Astra 的五分之一，性价比断层

等一等，理由也有两个：

1. 权重 11 月 4 日前才放，现在只有 API；自建要等社区适配（vLLM/SGLang 支持 KDA 架构需要时间）
2. 它是后训练版本，基准分数由厂商自报为主，第三方复现要几周

我的建议：有 API 需求现在就用，想自建等 11 月中旬。K3 的教训是权重刚放出那两周框架适配很乱，别赶第一批。

和 K3 的关系

K3 不会立刻过时。两者同参数规模，K3 的权重已经在手、社区跑通、价格可能随新版下调。做模型对比实验、做微调研究，K3 仍是更好的起点；做生产任务，K3.1 Pro 的后训练红利是实打实的。

顺带说一句背景：这次发布在月之暗面赴港 IPO、估值 500 亿美元的前夜。从「参数竞赛」转向「场景交付」，是这家公司今年最明显的变化。

常见问题

K3.1 Pro 是重新训练的模型吗？

不是，是 K3 的后训练版本。底座架构和参数规模不变，提升来自更大规模的后训练和 RL。

55.1 分在什么水平？

AA 智能指数全球第 4，开源模型第 1。前面三名是闭源模型（具体排名随榜单版本变化，以 AA 当期数据为准）。

权重什么时候能用？

官方承诺 11 月 4 日前放出完整权重。放出后还需要推理框架适配，实际可用时间通常晚一到两周。

价格具体多少？

官方只给了「约为 GPT-6 Astra 的五分之一」这个相对说法，具体单价要等 API 定价页更新。K3 目前是 $3/$15，可作参考。

和 Qwen3.8-Max、Step5 怎么选？

要长程代码和终端任务选 K3.1 Pro；要多模态全能和 1M 上下文稳定性选 Qwen3.8-Max；要金融和单任务成本选 Step5。

结语

K3.1 Pro 是国产开源模型第一次在硬指标上贴到闭源旗舰：0.7 个百分点的差距，基本属于「同一档、各有胜负」。这对整个开源阵营是标志性事件。

但别急着下结论说「开源追平闭源」。Terminal-Bench 只测终端任务，通用推理、多模态、工具调用还有距离。真正的判断要等 11 月权重放出、第三方复现之后。

参考资料

• Kimi K3.1 Pro 发布报道（每日经济新闻） - 发布时间、参数、Terminal-Bench 与 AA 排名出处
• Kimi K3.1 Pro 性能与定价分析（北京日报） - 价格约为 GPT-6 Astra 五分之一、行走控制案例
• Kimi K3 模型卡（Hugging Face） - 架构与许可证参考
• Artificial Analysis 智能指数 - 第三方盲测口径