月之暗面发布 Kimi K3.1 Pro：3T 级开源权重模型，100 万 token 上下文

隆重推出 Kimi K3.1 Pro

我们隆重推出 Kimi K3.1 Pro，这是我们全新 K3.1 系列的首个模型，也是我们迄今为止能力最强的 3T 级开放权重模型，拥有 100 万 token 的上下文窗口。它在编程、3D 创作、金融研究及其他智能体能力方面均有显著提升。

我们还同步发布 Kimi K3.1 Pro Highspeed，其速度是 K3.1 Pro 的 2-3 倍，交互响应更为迅捷。

Kimi K3.1 Pro 与 Kimi K3.1 Pro Highspeed 即日起在 Kimi.com, Kimi Work, Kimi Code以及 Kimi API上线。完整模型权重将于 11 月 4 日前发布。

推进开放智能的前沿

Kimi K3.1 Pro 是 Kimi K3 的后训练版本，其后训练算力大幅增加。为了在 数百个下游领域实现大规模联合强化学习，我们优化了技术栈的每一层——强化学习框架、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——从而使每一份强化学习算力的增量都能带来稳定、可预期的回报。因此，K3.1 Pro 在每个领域都取得了持续一致的提升。

在编程、智能体和知识基准测试中，K3.1 Pro 达到或接近最强专有模型的水平。在 Terminal-Bench 4.0，该基准使用严格的任务专属测试，在贴近真实、资源受限的终端任务上评估编程智能体， K3.1 Pro 得分为 65.7%，领先于 GPT-6 Astra（58.2%），并略微落后于 Claude Opus 5.5（66.4%）。而在 Kimi Code Bench 3.0 Long-horizon这一内部基准上，K3.1 Pro 得分为 61.2%，高于 K3 的 55.95%.

编程

K3.1 Pro 覆盖了完整的编程工作范围，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了更考究的视觉风格，并懂得如何用合适的工具来构建它们。

K3.1 Pro 可在各类游戏引擎上高效工作，例如 Unity、Unreal Engine 和 Godot，并将它们与网络搜索和 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 资产在构图、排版、动画和精致度上表现更为出色。以下示例均由 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增强。 在一项内部测试中，它在 human-atlas，这是一个开源的人体解剖模型，包含296个骨骼组件（含软骨）和402个肌肉组件。在167次任务和420次独立评审中，它分析实验结果、诊断问题，并迭代改进行走控制器，使模拟人从几秒内就瘫倒，进步到能以交替步态连续行走11.2秒。当奖励塑形未能改善手臂运动时，K3.1 Pro并没有一味继续调整奖励：它对模拟器的动力学进行了开环探测，发现并纠正了肩部肌肉力臂计算中的36处错误，然后重新训练了控制器。

3D建模与设计

K3.1 Pro在3D创作和空间推理方面表现出色。 在 BenchCAD，该基准通过 CAD 代码生成来测试基于多视角渲染的 3D 重建能力， K3.1 Pro 在使用工具时得分 92.7%，接近 Claude Opus 5.5（96.2%） 和 GPT-6 Astra（95.9%）的表现。根据文本简报、草图或参考图像，它能够推断形状、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合也有更强的掌握能力。

K3.1 Pro 尤其擅长参数化建模，从机械零件和建筑模型到可配置产品和定制家具。 在没有 MCP 连接器的情况下，它可以为 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，并调整几何形状、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 制作 现已在 kimi.com 和 Kimi 应用上线——在线预览和编辑你的 3D 模型，下载可直接用于 3D 打印的模型，或将其导出为视频或实况照片，随时随地分享。

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 上取得了最先进的结果（64.4）， 该基准通过检索、跨文档核验和多步数值推理，在真实财务文档上测试复杂的财务数据分析能力。K3.1 Pro 在 Frontier Finance 上也优于 K3，该基准衡量从筛选到盈利分析的全流程投资工作流支持能力。

K3.1 Pro 在我们所有内部金融基准上也均有显著提升：

• 财务建模 评估真实建模任务中的公式联动、财务逻辑和最终工作簿质量。K3.1 Pro 较 K3 提升 7.2 分。
• 财务研究 评估模型能否在证据和截止时间约束下产出可审计的研究。K3.1 Pro 较 K3 提升 11.6 分。
• 商业运营 评估在模拟商业环境中的长期管理与决策能力。K3.1 Pro 的表现约为 K3 的 4.2 倍。

财务分析与投资研究要求高度的事实准确性。为此，我们针对 K3.1 Pro 在真实任务和挑战性提示上的 事实准确性 进行了有针对性的改进。在 Kimi Hallu Bench Hard 基准（一个旨在对事实准确性进行压力测试的内部基准）上，其声明级幻觉率从 K3 的 23.4% 降至 8.3%，而包含至少一处事实错误的回答占比仅为前代模型的 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，以探查模型容易出错的场景。所报告的比率不代表日常使用中的整体错误率。）

以下案例展示了 K3.1 Pro 在实践中如何处理财务建模、投资分析和基于来源的研究：

网络安全

随着 K3.1 Pro 的能力不断增强，我们也相应地投入了更大比例的努力，去理解网络能力从何而来，以及我们能在多大程度上控制它。因此，我们分析并评估了 K3.1 Pro 的漏洞研究能力，并在训练过程中施加了有针对性的控制措施，以降低潜在的滥用风险，同时保持其通用性。

识别并移除与网络相关的数据。 在开发过程中，我们观察到随着后训练规模的扩大，漏洞研究能力稳步提升。追溯这一趋势的来源，我们发现网络相关的内容已嵌入到通用中期训练语料中，且网络相关的任务也出现在强化学习环境组合中——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，如果在中期训练或强化学习阶段都不移除数据，下游网络能力将大幅提升。这些发现为我们提供了一个具体的控制杠杆。对于 K3.1 Pro 的开源权重发布，我们在两个训练阶段都识别并移除了网络相关数据，同时保留了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施加适当的控制，其中网络相关数据的识别与限制就是一个例子。

评估与结果。 经过数据清洗后，我们在 xdev-bench-hard 上评估了 K3.1 Pro。xdev-bench-hard 是我们的内部基准，由专家精心策划、基于源代码的漏洞发现与利用任务组成，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披露的软件漏洞，涉及 Linux 内核、Node.js、JavaScriptCore、Exim 和 VirGL 等软件，且启用了缓解措施。每个任务提供存在漏洞的源代码、简短的缺陷提示以及相应的二进制文件；智能体必须开发出利用程序，在独立的沙箱中实现任意代码执行，并获取一个秘密字符串以供自动验证。我们报告随机运行子集上的 pass@3，不设硬性超时或输出 token 限制。

在 xdev-bench-hard 上，未采取这些风险降低措施的检查点——即中期训练时未移除网络相关数据、也未对网络相关的强化学习环境进行过滤——在 pass@3 下解决了 90.5% 的问题；而最终的 K3.1 Pro 达到 81.0%。这一对比表明，相对于同一训练流程原本会产出的结果，数据移除显著降低了网络能力。与此同时，K3.1 Pro 较其前代有大幅提升，这表明更强的通用编程能力和长程调试能力即使在有针对性的数据移除之后，仍能泛化到网络任务上。K3.1 Pro 的网络能力仍落后于已公开可用至少三个月的前沿专有模型。我们将持续演进内部基准，以便在模型能力不断进步的同时，评估仍能保持信息量。

开放权重原则。 这些评估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拓展网络能力绝对前沿的开放权重。K3.1 Pro 的进攻性网络能力在设计上低于我们流水线所能达到的水平，并且仍落后于前沿专有模型。其次，我们打算逐步提升开放权重中可用的网络能力。我们认为，以非歧视性的方式提供 K3.1 Pro，有利于那些需要两用能力用于防御目的的人。当一个能力强大的模型是开放的，并且运行在用户自己控制的基础设施上时，更多的团队就能获得审计其维护代码的手段——包括那些很少接受专门安全审查的遗留系统。我们相信，让这种能力逐步扩散——而不是将其集中在少数专有系统中——最终会让所有软件更加安全。

可用性

Kimi K3.1 Pro 今日在 Kimi 全系产品上线：包括 Kimi.com 和 Kimi 移动应用、Kimi Work 和 Kimi Code，以及通过 Kimi API.

完整模型权重将于 2026 年 11 月 4 日发布。

Kimi 企业版管理员 可为其组织启用 K3.1 Pro；发布时该访问权限默认关闭。

各渠道详情：

• Kimi 智能体： 请从移动应用商店下载或更新最新版 Kimi 应用，支持 iOS、Android 和 HarmonyOS，或访问 kimi.com.
• 使用 Kimi K3.1 Pro： 下载最新版 Kimi Work 桌面应用，版本 3.1.0 或更高，适用于 Windows 和 Apple 芯片 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 构建： 访问 Kimi API 平台 并选择 kimi-k3.1-pro / kimi-k3.1-pro-highspeed。API 客户可享受零数据保留。
• 将 Kimi 引入您的组织： Kimi Business 提供企业级数据隐私和成员管理，个人账户与组织账户完全分离。访问定价页面并选择“获取 Kimi Business”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为“max”、temperature = 1.0、top-p = 0.95 的条件下获得。

编程基准测试

1. Terminal-Bench 4.0。Kimi K3.1 Pro 使用 Claude-Code 测试框架进行评估。DeepSeek-V4.1-Flash-1017 的数据取自其发布博客（https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017）。其余所有分数均取其在博客文章或官方 Terminal-Bench 4.0 排行榜（https://www.tbench.ai/).
2. Terminal-Bench Science 0.1。Kimi K3.1 Pro 使用 Claude-Code 测试框架进行评估。我们对 DeepSeek-V4.1-Flash-1017 的内部评估得分为 9.3；不过，较早版本 DeepSeek-V4.1-Flash 在官方 Terminal-Bench Science 上得分为 15.7，因此我们在此报告 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 测试框架进行评估。所有分数均取自各模型对应的技术报告。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 ）以及 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 测试框架进行评估。DeepSeek-V4.1-Flash-1017 使用 ClaudeCode 测试框架进行评估。其余所有分数均取自官方 SWE-Marathon 排行榜（https://www.swe-marathon.org/).
5. PostTrainBench。Kimi K3.1 Pro 和 DeepSeek-V4.1-Flash-1017 在内部基于 v1.2 版本进行了评估，使用 Claude-Code 测试框架和 H20 GPU，而非 H100 GPU。为保证评估稳定，所有评判模型均使用 DeepSeek-V4.1-Flash-1017 并以最大努力程度运行，该配置在测试中与官方 GPT-5.6-Terra（xhigh）评判模型最为匹配。其他分数来自官方排行榜（https://posttrainbench.com/).
6. ProgramBench（二元分数）。我们报告的是二元分数而非 ProgramBench 原始分数：若某任务的 ProgramBench 分数 ≥95%，则该任务得分为 1，否则为 0。Kimi K3.1 Pro 使用 Claude-Code 测试框架进行评估。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. 内部编码基准：Kimi Code Bench 2.0 和 Kimi Code Bench 3.0 Long-horizon。Kimi K3.1 Pro 使用 Claude-Code 测试框架进行评估；所有其他模型均在其最大努力设置下进行评估。请注意，专有模型的测试可能涉及一些回退行为。
8. BenchCAD。开放模型由我们在从完整的 17,900 个案例的 Vision2Code 数据集中随机抽样的 1,000 个案例子集上以最大推理努力程度进行评估。带工具的结果使用 Claude Code 测试框架；不带工具的结果使用官方 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 的带工具分数取自其 官方报告. GPT‑6 Astra has not reported a without-tools score and is marked “—”.

Agentic benchmarks

1. BioMysteryBench dataset is drawn from the official v11 release, with Kimi K3 as the judge model. We evaluate Kimi K3.1 Pro with Kimi Code, GLM-5.3 and DeepSeek-V4.1-Flash-1017 with Claude Code, and GPT-6 Astra with Codex. Scores for the Claude models are taken directly from their official system cards.
2. Our Agents’ Last Exam dataset is drawn from the official v1.1 release, comprising 122 tasks, including 86 CLI tasks, with environment images aligned with the official Hugging Face release. We additionally assign a score of zero to runs that bypass the task’s stated requirements, such as retrieving answers online instead of performing the required analysis in Wireshark. DeepSeek and Kimi are evaluated using Claude Code and Kimi Code, respectively. All other results are taken from the official benchmark website.
3. OfficeQA Pro, OfficeQA Pro v2. GPT-6 Astra is evaluated with Codex, while all other models are evaluated with Claude Code. Each task provides the agent with the entire PDF corpus, with all PDFs rendered as images and no machine-readable text available. We observed instances in the trajectories of certain external models where they retrieved reference answers online; Consequently, we assigned a score of zero to these tasks.
4. Frontier Finance is evaluated with the official finance agent v2 harness.
5. HANDBOOK.md is evaluated using the official harness built on OpenHands, with evaluation tasks drawn from the benchmark’s early open-source v1 release.
6. Harvey Legal Agent is evaluated on a public dataset of 1,251 tasks using Artificial Analysis’s Stirrup harness, with performance reported as the all-pass rate (i.e., the percentage of tasks that pass all rubric criteria).
7. OSWorld V2.1 is evaluated with the Kimi Agent harness in the official OSWorld v2 repo, while GPT-6 Astra's score is taken from Muse Wonder's technical report.
8. DECK-Arena evaluates presentation generation on real-world queries, while Design Bench covers graphic design via direct and reference-image few-shot prompting; Both run models across python-pptx, pptxjs, and Kimi's in-house DSL in a harness with integrated search and image generation, using an automated grader calibrated on 10,000+ human judgments.
9. MCP Atlas. All models are evaluated on the 500-task public subset with a 100-turn limit, using Gemini 3.1 Pro as the judge.
10. BrowseComp. We adopt the context-compaction strategy used in the Claude model cards, triggered at 200K tokens. We allow a maximum of 500 steps; if this limit is reached before a task is completed, we force the agent to provide an answer, which is then judged. All BrowseComp runs are conducted with temperature=1.0 and top-p=1.0.
11. GDPval-AA v2.1, AA-Briefcase v1.1 and AutomationBench-AA scores are cited from https://artificialanalysis.ai/, Apex Agents scores are cited from https://www.mercor.com/apex/apex-agents-leaderboard/
12. GDP.pdf w/ python, ZeroBench w/ python and ChartoGraphy w/ python are averaged over five runs. Other multimodal benchmarks (w/ python) are averaged over four runs. For GDP.pdf w/ python: Each original PDF file is sent to the sandbox, where the model can use IPython tool to process it. Final responses are graded against each rubric criterion using Gemini-3.5-Flash (medium reasoning effort) and the official judging prompt. We report the task-macro mean rubric pass rate: for each task, we average the fraction of rubric criteria passed over five independent runs, then average these task-level scores equally across all tasks.

Reasoning & Knowledge & Multimodal benchmarks

1. GDP.pdf. Each PDF is provided as page images resized to a longest edge of 1,152 pixels, interleaved with Docling-extracted text in page order. Responses are graded against each rubric criterion using Gemini-3.5-Flash Medium and the official judging prompt. We report the strict pass rate among fully scored responses.
2. HLE and HLE-Diamond evaluate general knowledge and reasoning capabilities. We report accuracy on the full evaluation sets, with 2,500 questions for HLE and 1,000 questions for HLE-Diamond. For models marked with an asterisk (*), accuracy is reported on the text-only subset of questions.
3. GDP.pdf, ZeroBench and ChartoGraphy are averaged over five runs. Other multimodal benchmarks are averaged over four runs. GDP.pdf scores of GLM-5.3 Max and DeepSeek-V4.1-Flash-1017 Max is cited from https://artificialanalysis.ai/.
4. MMMU-Pro is evaluated following the official protocol, preserving the original input order and prepending images to the text input.
5. Kimi Hallucination Benchmark evaluates factual accuracy on an internal set of challenging, de-identified prompts drawn from practical work tasks. We report the claim-level hallucination rate assessed by fact-checking agents.

Cybersecurity benchmarks

1. ExploitBench. Kimi K3.1 Pro is evaluated with the official ExploitBench harness under the 300-turn budget. We report the pass@5 max capability score: for each environment, the best run across 5 seeds, scored by the number of capability flags reached out of 16, where achieving arbitrary code execution counts as achieving all 16 capabilities. The GPT-6 Astra score is taken from https://openai.com/index/gpt-6-astra/; the Claude Opus 5.5 and Claude Mythos 5.1 scores are taken from https://www.anthropic.com/claude-opus-5-5-system-card; the GLM-5.3 score is taken from https://z.ai/blog/glm-5.3.
2. ExploitGym. Kimi K3.1 Pro is evaluated with the KimiCode harness under a 6-hour wall-clock budget per task. The GPT-6 Astra score is taken from https://openai.com/index/gpt-6-astra/; the Claude Opus 5.5 and Claude Mythos 5.1 scores are taken from https://www.anthropic.com/claude-opus-5-5-system-card at the 6-hour budget; the GLM-5.3 score is taken from https://z.ai/blog/glm-5.3.
3. xdev-Bench-hard: Kimi K3.1 Pro is evaluated with the KimiCode harness. GLM-5.3 and DeepSeek-V4.1-Flash-1017 are evaluated with the Claude Code harness.

Try K3.1 Pro