Kimi K3.1 Pro 评测整理：Agent 能力跃升，长上下文与基准分数怎么看
信息核验日期：2026 年 10 月 24 日。本文综合 Moonshot 官方技术博客、Kimi API 平台与 Artificial Analysis 独立评测。官方基准属于厂商报告，Artificial Analysis 的分数来自其自己的测试体系；它们都不能替代你在实际工作流中的复测。
Kimi K3.1 Pro 是 Moonshot 于 10 月 23 日推出的 K3.1 系列首个模型。它的发布重点并非只扩大上下文窗口，而是把强化后的长程 Agent 能力用于代码、3D 创作与金融研究。现阶段公开评测呈现出一个较清晰的轮廓：终端 Agent 和自动化工作流进步显著，3D 与金融文档任务也有亮点；但综合榜单领先不等于所有知识、推理任务都领先。
先看结论
- 值得重点关注的方向：多步编码、终端操作、长流程自动化，以及需要视觉输入或工具辅助的 3D/CAD 工作。
- 第三方综合表现：Artificial Analysis Intelligence Index 为 55 分，发布时排第 4；该机构报告 Agent 类评测提升明显。
- 官方比较结果：Moonshot 报告 Terminal-Bench 4.0 为 65.7%，高于其列出的 GPT-6 Astra 58.2%，略低于 Claude Opus 5.5 的 66.4%。
- 成本观察：Moonshot API 页面列出的标准版价格为每百万输入 Token 2 美元、输出 10 美元、缓存命中 0.20 美元。实际任务账单仍受缓存、输出长度、重试和工具调用影响。
- 主要限制：部分醒目的成绩来自内部基准或不同 Harness 拼接的比较表；当前还不能仅凭发布资料确定 GPT88 中的模型 ID、线路、价格和额度。
公开评测：Agent 进步最突出
Artificial Analysis 在 10 月 23 日的评测文章中给 K3.1 Pro 的 Intelligence Index 55 分，比 Kimi K3 Max 的 44 分高 11 分。发布时它排在 Claude Opus 5.5、Claude Sonnet 5.5 和 Muse Wonder Full 之后。这个综合分数适合做同一评测体系内的横向定位，不应解释为模型在每个任务都排名第四。
更有解释力的是具体任务：Artificial Analysis 报告 K3.1 Pro 在 Terminal-Bench 4.0 得到 67%，Kimi K3 为 13%；AutomationBench-AA 从 58% 升至 73%。GDPval-AA 得分为 1,846 Elo，较 K3 提高 312 Elo。它们共同指向一个判断：K3.1 Pro 的主要跃升在于调用工具、推进多步骤任务并完成端到端工作的 Agent 表现。
Moonshot 技术博客给出的 Terminal-Bench 4.0 成绩是 65.7%，不是 67%。这两个数字来自不同评测报告或运行配置，不要平均或混写。Moonshot 说明其 Terminal-Bench 使用 Claude Code Harness；对比模型成绩则取自官方排行榜或各自发布报告中的最高值。Harness、模型设置与来源不同，比较只能作为参考。
| 评测维度 | 公开结果 | 如何解读 |
|---|---|---|
| Artificial Analysis Intelligence Index | 55 分，发布时第 4；Kimi K3 为 44 | 综合指标进步明显，但不是通用任务的单一排名 |
| Terminal-Bench 4.0 | Moonshot 报告 65.7%；Artificial Analysis 报告 67% | 都显示终端 Agent 能力强；测试口径应分别看待 |
| AutomationBench-AA | 73%，Kimi K3 为 58% | 对 SaaS 自动化工作流是正向信号，不保证业务流程直接成功 |
| GDPval-AA v2.1 | 1,846 Elo，较 Kimi K3 高 312 | 衡量真实工作产出类任务，仍受评测数据与评分方式影响 |
| OfficeQA Pro v2 | Moonshot 报告 64.4 | 金融文档分析有优势；这是厂商发布的比较结果 |
3D 与金融任务也值得单独看
Moonshot 报告 K3.1 Pro 在 BenchCAD 的带工具测试中得分 92.7%，接近其表中 Claude Opus 5.5 的 96.2% 和 GPT-6 Astra 的 95.9%。不带工具时，K3.1 Pro 为 72.8%，与 Opus 5.5 报告的 73.0%接近。官方说明这里使用了从 17,900 个 Vision2Code 样本中随机抽取的 1,000 个子集；带工具测试由 Claude Code Harness 执行。这个成绩说明模型在结构理解和 CAD 代码生成方面值得实测，但不能直接推出复杂产品设计无需人工检查。
金融方向方面，Moonshot 报告 OfficeQA Pro v2 得分 64.4，并称内部 Financial Modeling、Financial Research 相比 K3 分别提高 7.2 和 11.6 分。内部测试可帮助理解厂商的训练重点，但复现性和跨机构可比性弱于有公开数据、统一脚本与透明评分规则的基准。涉及财务决策时，仍需要可追溯来源、计算复核与专业人员确认。
规格、版本和价格
Moonshot 将 K3.1 Pro 描述为 3T 级模型、支持 1M Token 上下文和原生视觉理解。Artificial Analysis 页面给出的参数更具体：总参数约 2.8T，推理时激活 104B。两种说法并不冲突，“3T 级”是量级描述，2.8T 是更精确的总参数数字。
Moonshot API 平台当前列出的价格如下：
| API 计价项 | Kimi K3.1 Pro |
|---|---|
| 输入 | $2 / 百万 Token |
| 输出 | $10 / 百万 Token |
| 缓存写入 | $2 / 百万 Token |
| 缓存命中 | $0.20 / 百万 Token |
官方 API 页面还列出 Highspeed 版本，输入和输出单价约为标准版的两倍，缓存命中单价相同。它主打更快响应，但最终是否划算取决于等待时间是否有实际业务成本。价格会变化，接入前请以 Kimi API 平台实时价格为准；Moonshot 官方价格也不能代表 GPT88 或其他网关的收费。
K3.1 Pro Highspeed 与标准版使用不同产品 ID。Moonshot API 文档使用 kimi-k3.1-pro 和 kimi-k3.1-pro-highspeed。Kimi Code 文档也描述了相应的代码产品模型 ID。第三方代理可能做了名称映射，应以所用服务的模型列表和接入说明为准。Kimi Code 文档指出这两个模型需要开启 thinking；这项要求不应自动外推到所有兼容 API 客户端。
评测的边界与风险
当前公开资料需要注意四点：
- Moonshot 对多数发布成绩采用厂商自测，并在比较表中引用其他模型各自报告或排行榜成绩。官方脚注披露了不少 Harness 和样本信息，但仍不是所有模型在同一环境、同一时点的完整复测。
- Artificial Analysis 提供了独立指标和评测，但其结果只代表该机构的评测体系。某个 Agent 基准大幅提升，不代表聊天、写作、数学、中文知识等能力都会同比提升。
- 1M 上下文是能力上限，不代表长输入一定被完整、准确地利用。应测试关键信息召回、跨文档引用、延迟、缓存和真实费用。
- Moonshot 表示完整权重计划在 2026 年 11 月 4 日前发布。核验日时，权重尚未公开；计划日期不是已经开放的证明。需要自托管的团队应等权重与许可实际可用后，再评估硬件、吞吐和量化方案。
适合怎样的工作流
K3.1 Pro 值得先纳入以下候选：
- 有测试、编译或其他机器验收条件的代码 Agent；
- 能将每一步操作、工具调用和结果保存在日志里的终端任务；
- 长文档检索、交叉引用、金融资料整理等需要大量上下文的流程；
- 有人工审核环节的 CAD、3D 原型和空间理解工作。
对会修改生产系统、账户权限或资金状态的 Agent，不应因为基准分高就直接授予执行权限。先提供只读或沙箱环境，再以确定性检查和人工授权约束外部副作用。对于事实或数字敏感的研究任务，应保留原始来源并独立核算。
一套可复现的上手评测
用团队真实且已脱敏的任务集做 A/B 对照，至少记录以下数据：
| 项目 | 记录方式 |
|---|---|
| 成功率 | 按预先写好的验收条件判定，而不是由模型自评 |
| 返工 | 人工修改分钟数、重试次数、失败后的恢复率 |
| 延迟 | 首字延迟与完整任务耗时分开记录 |
| 成本 | 输入、输出、缓存、工具费用和人工复核合计 |
| Agent 过程 | 工具调用是否正确、是否遵守边界、是否留下可审计结果 |
| 长上下文 | 关键事实召回率、引用定位正确率和上下文长度分档 |
先在小样本离线评测和影子流量中运行，再让模型承担低风险、可回退的任务。把 K3.1 Pro 与当前生产模型使用相同输入、工具权限、预算和验收条件比较；不要只看单次演示、发布会案例或排行榜名次。
GPT88 接入前的核对
Moonshot 官方资料能确认其自有 API 的型号和价格，但不能证明 GPT88 已同步相同型号或定价。使用 GPT88 时，应先在控制台确认该型号已开放，并用当前 API Key 查询 GET /v1/models。只有模型列表返回预期 ID 后，再从低成本的非流式请求开始，逐步验证上下文、视觉输入、推理参数、工具调用、流式响应与计费。
本文新增了 Kimi K3.1 Pro 主推模型目录项。该目录说明模型用途，不代表账号已经获得调用权限，也不构成对 GPT88 实际路线、价格、SLA 或某一任务成功率的承诺。
从九个项目看模型的实际工作方式
NiceKate AI 的视频《Kimi K3.1 Pro 实测：9 个项目，看懂编码、写作与动画实力》没有把测试限制在单轮问答或单个代码题，而是把模型放进建模、动画、交互原型、资料整理和小说创作等不同项目中。公开视频页面列出的章节和简介包括：
| 时间 | 项目方向 | 主要观察点 |
|---|---|---|
| 00:00 | Pro 发布介绍 | 说明本次实测的模型与项目范围 |
| 01:12 | 房间建模、晾衣架广告、搓澡工业纪录片 | 从场景搭建到广告动效和视觉叙事的切换 |
| 04:38 | 3D 魔尺实验室、Mac Studio 建模 | 需求拆解、造型切换、关节操作、碰撞检测与产品建模 |
| 07:37 | 建筑还原、积木娃娃屋设计 | 参考图空间理解，以及零件清单、搭建手册和展示视频等交付物 |
| 11:49 | 短篇小说与逐段自评 | 长文本创作、分段批注和自我评审 |
| 14:58 | 兔子篮球舞 | 动作设计、节拍配合和动画表达 |
按视频简介展开后，可以把九个项目理解为九种不同的验收压力：房间建模和 Mac Studio 检查空间与物体结构；晾衣架广告、搓澡纪录片和兔子篮球舞检查镜头、动作与节奏；3D 魔尺把“看起来像”提高到造型切换、关节操作和碰撞检测；Three.js 建筑还原检查参考图中的布局、材质和家具关系；积木娃娃屋则进一步要求模型交付零件清单、42 步搭建手册、59 页 PDF 和展示视频；小说任务把生成延伸到逐段批注和自我评价。
这类项目组合比一张截图更有参考价值，因为它同时观察了“能否生成”和“能否交付”。但视频页面当前未提供可公开取得的完整字幕，下面的判断是根据标题、简介和章节整理，不是视频逐字稿；项目的具体提示词、失败次数、人工修改量和最终代码也不能仅从页面信息推出。
这类实测应该怎样读
- 先看需求是否可验收。 “做一个 3D 模型”过于宽泛；“支持造型切换、关节操作和碰撞检测”才有可检查的功能边界。
- 把视觉结果与工程结果分开。 一段录屏能证明某个时刻看起来正常，但不能证明刷新、交互、碰撞、导出和资源加载都稳定。
- 检查交付物是否完整。 零件清单、搭建步骤、PDF 和展示视频属于不同产物，应该分别核对内容、页数、链接、可读性和是否能复用。
- 把生成和审校拆成两轮。 小说的逐段批注和自评可以作为辅助审校，但不能替代事实核验、结构检查和人工终稿。
- 记录人工介入和环境。 Blender、Three.js、浏览器、渲染器、模型配置和提示词都会影响结果；如果没有统一起点，就不应把一次演示直接当成模型排名。
因此，这条视频更适合被看作一个“跨任务能力样本”：它展示 Kimi K3.1 Pro 能否在多种创作与开发任务之间切换，以及输出是否接近可继续编辑的项目。要做严谨比较，还需要保留相同的需求、输入素材、工具权限、模型参数和验收标准，并记录返工与成本。
来源
- Moonshot：Introducing Kimi K3.1 Pro（官方发布与基准脚注）
- Moonshot Kimi API Platform（官方模型名称及实时价格）
- Artificial Analysis：Kimi K3.1 Pro launch benchmarks（第三方 Intelligence Index、Agent 与成本评测）
- Kimi Code 最新动态（发布日、Thinking 模式与产品接入信息）
- NiceKate AI：Kimi K3.1 Pro 实测：9 个项目，看懂编码、写作与动画实力（视频简介与章节；整理时未取得公开字幕）