Moonshot AI 发布 Kimi K3.1 Pro：2.8T 总参数、104B 激活、1M 上下文
Moonshot AI Releases Kimi K3.1 Pro: A 2.8T Total/104B Active Params (MoE) Model with 1M Context - MarkTechPost
Moonshot AI 发布 K3.1 系列首个模型 Kimi K3.1 Pro，采用 MoE 架构，总参数 2.8T、激活 104B，支持 1M token 上下文窗口。该模型已在 Kimi.ai、Kimi Work、Kimi Code 和 OpenAI 兼容的 Kimi API 上线，API 定价为每百万 token 输入 2 美元、输出 10 美元，低于 K3 的 3 美元和 15 美元。Moonshot 自报 Terminal-Bench 4.0 得分 65.7%，SWE-Marathon 51.7 领先其图表中所有模型，但 Terminal-Bench Science 0.1 仅 38.1，落后 GPT-6 Astra 的 68.1；开放权重预计 2026 年 11 月发布。
正文 · AI 翻译
在 Google 上添加为首选来源
Moonshot AI 刚刚发布了 Kimi K3.1 Pro，这是其 K3.1 系列的首个模型。Kimi K3.1 Pro 是一款 3T 级开放权重*模型，拥有 100 万 token 上下文窗口。Moonshot 团队将其定位为在编程、智能体和知识基准测试中与最强专有模型竞争。对开发者而言，其 API 定价低于 K3，且开放权重尚未提供。*开放权重预计于 2026 年 11 月发布。
TL;DR
规模：总计 2.8T，激活参数 104B（MoE），100 万 token 上下文。
运行平台：目前通过 Kimi API 运行。对于 K3，Moonshot 建议使用 64 个以上加速器的超级节点，采用 MXFP4 权重和 MXFP8 激活。不是单 GPU 模型。
性能：在终端编程方面接近专有前沿水平；在科学终端任务上落后。
最佳：SWE-Marathon 51.7，领先 Kimi 图表中的所有模型（自报）。
最差：Terminal-Bench Science 0.1 为 38.1，而 Kimi 图表中 GPT-6 Astra 为 68.1。
什么是 Kimi K3.1 Pro？
Kimi K3.1 Pro 是 Kimi K3 的后训练版本，后训练算力大幅增加。Moonshot 团队在数百个下游领域进行了联合强化学习。为支持这一点，Moonshot 团队优化了 RL 框架、长上下文推理、沙箱基础设施和 rollout 调度。
TEXTTABLELAYOUT你的 PDF 解析器真的解析正确了吗？omni_parse_bench · 对文本、表格和布局评分 · 开源在 GitHub 上 Star→赞助
基础 K3 架构使用 Kimi Delta Attention（KDA）和 Attention Residuals（AttnRes）。它通过 Stable LatentMoE 框架激活 896 个专家中的 16 个。根据快速入门文档，该模型通过 API 接受文本、图像和视频。
Moonshot 团队还发布了 Kimi K3.1 Pro Highspeed。根据 Moonshot 官方博客，它的运行速度快 2 到 3 倍。
Kimi K3.1 Pro 在基准测试中表现如何？
以下所有数字均为 Moonshot 在最大推理强度下自报，大多使用 Claude Code 测试框架。
编程：在 Terminal-Bench 4.0 上，K3.1 Pro 得分为 65.7%。在 Kimi 图表中，这仅落后于 Claude Opus 5.5 的 66.4%。在 SWE-Marathon 上它以 51.7 领先，超过 Opus 5.5 的 46.3。在内部基准 Kimi Code Bench 3.0 Long-horizon 上，它得分为 61.2，高于 K3 的 55.95。
科学：Terminal-Bench Science 0.1 是明显的差距。在 Kimi 图表中，K3.1 Pro 得分为 38.1，而 GPT-6 Astra 为 68.1，Opus 5.5 为 63.3。
3D 与 CAD：在使用工具的 BenchCAD 上，K3.1 Pro 得分为 92.7。Opus 5.5 得分为 96.2，GPT-6 Astra 为 95.9。不使用工具时，K3.1 Pro 得分为 72.8，接近 Opus 5.5 的 73.0。
金融：K3.1 Pro 在 OfficeQA Pro v2 上报告了最先进的 64.4 分。它在 Frontier Finance 上得分为 58.6。在内部金融测试中，相比 K3，它在建模方面提升 7.2 分，在研究方面提升 11.6 分。
幻觉：在内部压力测试 Kimi Hallu Bench Hard 上，声明级幻觉从 23.4%（K3）降至 8.3%。这大致相当于 Moonshot 所引用的 65% 降幅。在同一测试中，GPT-6 Astra 仍以 5.5% 保持更低水平。
Kimi K3.1 Pro 如何处理网络风险？
为开放权重发布，Moonshot 从中期训练和 RL 中移除了网络相关数据。在其内部 xdev-bench-hard 上，未经过滤的检查点在 pass@3 下解决了 90.5%。发布的 K3.1 Pro 解决了 81.0%。Moonshot 表示，它在攻击性网络任务上仍落后于前沿专有模型。
开发者如何访问 Kimi K3.1 Pro？
该模型已在 Kimi.ai、Kimi Work、Kimi Code 和 Kimi API 上线。API ID 为 kimi-k3.1-pro 和 kimi-k3.1-pro-highspeed。端点兼容 OpenAI。
K3.1 Pro 的定价为每百万 token 输入 2.00 美元、输出 10.00 美元。缓存命中费用为 0.20 美元。Highspeed 版本为输入 4.00 美元、输出 20.00 美元。K3 本身的定价为 3.00 美元和 15.00 美元。
快速入门中的实际限制：
思考模式始终开启。推理强度为低、高或最高（默认最高）。
温度 1.0 和 top-p 0.95 为固定值。
输出默认 131,072 个 token，最高可达 1,048,576。
最低充值 1 美元后即可解锁访问权限。
视觉输入不接受公开图片 URL。请使用 base64 或已上传的文件 ID。
与竞品模型相比如何？
*数据取自 Kimi 的对比图表；未在竞品自家页面上得到确认。
有哪些限制？
权重尚未公开，因此目前无法自行部署。
2.8T 的规模表明需要多节点、超级节点级服务。
在科学密集型终端任务上，落后 GPT-6 Astra 和 Opus 5.5 超过 25 分。
若干宣称的胜绩来自内部基准测试。
对于 K3，Moonshot 曾警告称，在测试框架中丢弃推理历史会导致输出不稳定。K3.1 Pro 的文档也要求返回完整的助手消息。
要点总结
Kimi K3.1 Pro：总参数 2.8T，激活 104B，上下文 1M。
Terminal-Bench 4.0 得分 65.7%，落后 Opus 5.5 0.7 分。
以 51.7 分领跑 SWE-Marathon；在 Terminal-Bench Science 上大幅落后（38.1）。
API 费用为每百万 token 2/10 美元，比 K3 更便宜。
开放权重预计于 2026 年 11 月发布。
Asif Razzaq网站 | + 文章简介 ⮌
Asif RazzaqYou.com 推出推理路由器：12 个开放权重模型，提供 99.9% 正常运行时间 SLA
Asif RazzaqGradium 开源 Phonon：一个 3100 万参数的 Apache 2.0 许可端侧 TTS 模型
$uv pip install omni-parse-bench✓文本✓表格✓布局→ 按页评分在 GitHub 上加星→赞助
相关文章更多来自作者
You.com 推出推理路由器：12 个开放权重模型，提供 99.9% 正常运行时间 SLA
Gradium 开源 Phonon：一个 3100 万参数的 Apache 2.0 许可端侧 TTS 模型