Kimi K3.1 Pro 深度解读：2.8 万亿参数拿下开源第一，单价降三成，单任务却没便宜

一句话总结：月之暗面 10 月 23 日发布的 Kimi K3.1 Pro 用 2.8 万亿参数、104B 激活、100 万上下文把开源模型推到 AA 智能指数第 4 位，定价从 K3 的 $3/$15 降到 $2/$10，但因为它每任务要写 5.5 万输出 Token，第三方算出的单任务成本仍是 $1.98，和上一代持平。降价的是单价，不是交付。

一、这次升级没有动架构，动的是后训练

先摆一个容易误读的点。K3.1 Pro 名字里带 Pro，参数从 K3 的规模继续往上，看起来像新一代基座，实际上月之暗面自己在发布文里写得很直白：这是 K3 的后训练版本，架构没变，变的是强化学习那一段的规模。

具体做法是把 RL 的覆盖范围从少数几个领域铺到"数百个下游领域",为此重写了 RL 框架、长上下文推理、训练效率、沙箱基础设施和调度系统。官方的说法是让每一份新增算力都转化成稳定回报。这话听着像公关，但对照跑分看，方向确实成立：AA 智能指数从 K3 的 44 分跳到 55 分，11 分的涨幅在同一个基座上属于相当大的后训练收益。

架构沿用 K3 的配置：896 个专家、每 token 选中 16 个加 2 个共享，原生精度是 MXFP4 权重配 MXFP8 激活，从 SFT 阶段就这么训。多模态走 MoonViT-V2 编码器，吃文本、图像和视频。

我最想强调的一点是：这套配置意味着你没法用"模型变强了"来解释价格。架构一模一样，能力来自后训练，那么成本结构该变的只有推理侧的输出长度和后训练摊销。

二、规格和定价，一张表看完

标准版三个价格相对 K3 的 $3/$15/$0.3 全部下调三成三。Highspeed 是双倍价格换两到三倍出字速度，这个换算我认为是划算的：如果你的场景是交互式编码或者实时补全，等待时间比 token 账单更贵。

官方没有公布权重许可证。K3 用的是自定义协议，不是 Apache 也不是 MIT。想自建的人得等条款出来再决定，这一点比跑分重要得多。

三、跑分要分三层读，因为三个数不是一回事

Terminal-Bench 4.0 这张表是最容易被拿去做标题的。官方自报 65.7%，Claude Opus 5.5 是 66.4%，GPT-6 Astra 是 58.2%。差 0.7 分，媒体就写"逼近"。

但 Footnote 里藏了两件事。测试跑在 Claude Code 的 harness 里，推理强度开到 max。harness 的选择对这类智能体基准的影响大得惊人：AA 用自家 harness 独立测同一个模型，Terminal-Bench 4.0 拿到 67%，比官方还高；而 K3 在 AA 的 harness 下只有 13%，官方口径里 K3 是 88.3%（那是更简单的 2.1 版）。同一家公司两代模型，换个测法分数能从 13 变到 88，这说明榜单之间根本不能横向比。

第三方唯一独立的数是 AA 智能指数 55 分。全球第 4，开源第一，前面是 Opus 5.5 的 58、Sonnet 5.5 的 56 和 Muse Wonder Full 的 56。这个位次比"开源第一"这个标签更有意义：开源模型第一次挤进前四，和闭源头部的差距缩小到 3 分以内。

图 1：Kimi K3.1 Pro 与两个闭源头部在两项终端任务基准上的对比。数据来自月之暗面发布文（自家 harness、max 推理强度），Terminal-Bench-Science 一项差距最大

四、真正的短板在科学任务上，不在编程上

编程这一项已经很能打了：BenchCAD 带工具 92.7%，Opus 5.5 是 96.2%，Astra 是 95.9%；OfficeQA Pro v2 拿到 64.4，官方称 SOTA；内部 Kimi Code Bench 3.0 长程项从 55.95% 涨到 61.2%。

弱的是 Terminal-Bench-Science：38.1%。同一个榜上 Opus 5.5 是 63.3%，Astra 是 68.1%。差 25 个点，这不是噪声能解释的量级。

我的解读是：这个模型的强项集中在"软件工程的动作序列"上，写代码、跑命令、改文件、看报错再来一遍，这类循环它做得很好；一旦任务要求它理解实验设计、判断一个物理量是否合理、或者从数据里推出机制，能力就断崖。3D 创作和金融研究这两个宣传重点，本质上也是既有工具链的动作编排，不是科学推理。

如果你的业务是跑实验、读论文、做数值分析，这个模型现在不该进你的第一顺位。它适合的是把需求变成能跑的东西。

五、降价三成，为什么每任务成本没降

这是我最想算清楚的一笔账。

AA 给出的单任务成本是 $1.98，和 K3 基本持平。原因不在价格，在输出长度：K3.1 Pro 每个任务平均要写 55K 输出 token，K3 是 48K，多了 14%。三成三的单价降幅，被一成四的冗长几乎吃干净。

模型的思考默认是开着的。API 的 reasoning_effort 有 low / high / max 三档，默认 max。这意味着你按 token 付费时，付的钱里有一大块是看不见的推理过程。

我对这件事的判断比较直接：按 token 报价的时代基本结束了，接下来该按任务报价。你自己做选型时，别拿价目表比，拿一件真实任务跑十遍，把输入、输出、重试、失败全算进去，再除以成功次数。站里之前写过一篇真实压测的方法，口径可以直接搬过来用。

顺带提一个实操项：这个模型支持 prompt 缓存，命中价 $0.20，是输入价的十分之一。但缓存只认从第一个 token 开始完全一致的前缀，如果你的 prompt 把动态内容放在前面，这十分之一的价永远吃不到。改结构比砍 token 有效，具体做法在prompt caching 那篇里。

六、想自己部署，先算 1.56TB

权重格式是 MXFP4，K3 的发布版总共 1.56TB。K3.1 Pro 架构相同，仓库体积不会差太远，可以按 1.56TB 估。四比特在这里是原生精度，不是压缩后的妥协。

MoE 的特点是路由每个 token 都要选不同的专家，所以 2.8 万亿参数必须全部驻留显存，不能像稠密模型那样做部分卸载。vLLM 对 K3 给的最低配置是单节点 8 张 GB300 级 GPU，合计 2.3TB HBM3e。8 张 H200 的 1.13TB 连权重都装不下。

这就是开源和能用之间的差距。权重放出来和你跑得起来，中间隔着一整个机柜。之前那篇部署超大 MoE 的显存账算过类似的题，结论一样：除非你有稳定的高并发需求，否则 API 的每 token 价格就是你的成本下限。

七、有一个细节值得单独说：它主动砍了攻击性网络安全能力

月之暗面在发布说明里提到，这一版剔除了进攻性网络安全的训练数据，目的是让公开权重在黑客类任务上保持落后于前沿。

我认为这是今年最值得记的一个产品决策。过去开源模型的做法是能力全给，风险交给许可证和使用条款；这次是模型自己先降一档。代价很实际：安全研究、渗透测试、漏洞复现这些正当用途也会被一起削掉，用户在防御场景里会发现它不如闭源模型好使。

这条也解释了为什么 Mistral 在同一周把"防御性网络安全最强"当成卖点卖（那篇解读在这里）。两家在同一个能力维度上做了完全相反的选择，一个删一个卖。

FAQ

Kimi K3.1 Pro 和 K3 有什么区别？

架构完全一致，都是 2.8 万亿总参、104B 激活、896 专家、100 万上下文。区别在后训练：K3.1 Pro 的强化学习覆盖面扩到数百个领域，推理强度默认 max，AA 智能指数从 44 涨到 55。

权重什么时候放，能商用吗？

官方承诺 11 月 4 日前放出完整权重，具体日期可能滑动。许可证到写这篇时还没公布，K3 用的是自定义协议，建议等条款落地再规划自建。

100 万上下文是真的能用满吗？

技术上窗口是 1,048,576 token，API 也没有按长度分档计价。但长上下文的任务成本和延迟都会随长度上升，把整个代码库塞进去之前，先测一下首 token 延迟你能不能接受。

Terminal-Bench 65.7% 和第三方 67% 该信哪个？

两个都真，只是 harness 不同。官方跑在 Claude Code 环境、max 推理强度；AA 用自己的测试框架。这类基准的分数高度依赖脚手架，跨榜对比意义不大，看趋势比看绝对值靠谱。

Highspeed 版本贵一倍，值不值？

取决于你的等待成本。交互式编码、实时补全这类场景，2 到 3 倍出字速度值这个钱；离线批处理任务没必要，用标准版跑就行。

结语

K3.1 Pro 是今年开源阵营里最接近闭源头部的一次，但它证明的东西比较有限：后训练能把一个基座拉高 11 分，架构红利和后训练红利是两回事。它真正暴露的问题是定价逻辑——单价降三成、单任务不降，说明 token 计价和实际成本已经脱钩。

选型建议很明确：做软件工程、Agent 编排、3D 与设计工具链，值得排进候选；做科学计算、实验分析、需要模型讲清机制的活，暂时别指望它。

参考资料

• 月之暗面 Kimi 官方发布文 - K3.1 Pro 能力、跑分与权重时间表
• 证券时报 - 2.8 万亿参数蝉联最大开源模型，权重 11 月 4 日前发布
• Developers Digest - 定价、跑分口径与单任务成本拆解
• RunAIHome - 本地部署的显存与硬件测算
• Artificial Analysis - 独立智能指数与每任务成本