Kimi K3.1 Pro 与 0.7 分的差距：在 11 月 4 日权重落地前读懂发布数据表

关键要点

• Kimi K3.1 Pro 在 Terminal-Bench 4.0 上得分 65.7%——比供应商在同一 harness 上为 Claude Opus 5.5 测得的 66.4% 低 0.7 分，比 58.2% 的 GPT-6 Astra 高 7.5 分（Moonshot 发布文章）。
• 声明级幻觉率从 K3 的 23.4% 降至 K3.1 Pro 的 8.3%——低于 Opus 5.5 的 15.0%——且压力测试的警示标注印在同一段落里（发布文章）。
• API 定价已在平台自有页面上完成核验：每 MTok $2.00/$10.00，缓存输入 $0.20——公布的 90% 缓存折扣——缓存写入按 TTL 另行计费，$2.00（5 分钟）或 $4.00（1 小时）（Kimi API 定价）。
• Moonshot 在开放权重发布之前，从两个训练阶段——mid-training 语料与 RL 环境混合——都移除了网络攻击数据（发布文章，网络安全一节）。
• 完整权重由供应商确认将于 11 月 4 日交付；在此之前 Artificial Analysis 仍将该模型标注为专有（2.8 万亿参数），权重许可证尚未命名（Artificial Analysis 模型页）。

同一条发布页上的两个数字决定了本篇分析的大部分：65.7 与 66.4。Kimi K3.1 Pro 是 Moonshot K3.1 系列的首个模型，被公司称为"迄今最强的 3T 级开放权重模型"，拥有 100 万 token 上下文窗口——它在 Terminal-Bench 4.0 上得 65.7%，同一张表还印出 Claude Opus 5.5 的 66.4%（由 Moonshot 在自家 harness 上测得）与 GPT-6 Astra 的 58.2%（发布文章）。这次发布以自己险败的那一行开篇。该表还印出声明显级幻觉率从 K3 的 23.4% 降至 K3.1 Pro 的 8.3%、一张逐行核对无误的定价页，以及 11 月 4 日的完整权重日期。本文以买方的方式阅读这次发布：表已确定什么——能力等级、价格、工作负载匹配——哪些只能由权重回答——许可证、校准、复现——以及 11 月 4 日当天要执行的五查审计，沿用权重日方法，把该审计延伸到一次"表先于权重"到来的发布。

它为自己印下的比较基准

Terminal-Bench 4.0 的三行就是披露本身。 K3.1 Pro 65.7，Claude Opus 5.5 66.4——由 Moonshot 在自家 harness 上测量，表的脚注将 Opus 的得分归源到 Anthropic 系统卡以说明比较基准来源——GPT-6 Astra 58.2。0.7 分的差距落在任何合理的噪声范围内，这正是要点：没有买方应因这样的差距更换技术栈，但这张表消除了假装模型领先 Anthropic 旗舰的诱惑。这一区分在采购语境中很重要。领先 OpenAI 旗舰 7.5 分是一列真实的能⼒数据；宣称与 Anthropic 前沿打平或超越则是独立指数会当场反驳的捏造——Artificial Analysis 的综合指数把 K3.1 Pro 排在 Intelligence Index 55，215 个模型中的第 4 名，处于与专有头部相同的前沿簇内。供应商自己的脚注把比较基准追溯到一手来源——Astra 引 OpenAI 页面，Opus 5.5 引 Anthropic 系统卡——这张表的出处可查证，而不是口头断言。

带工具的得分印了两次，差距本身就是教训。 在 BenchCAD（通过 CAD 代码生成测试 3D 重建）上，K3.1 Pro 带工具得 92.7，接近 Opus 5.5 的 96.2 与 GPT-6 Astra 的 95.9——不带工具为 72.8，对照 Opus 5.5 的 73.0（发布文章）。公布的得分中有 19 分依赖工具 harness。幻觉测评上同样如此：带工具 8.3%，不带工具 5.4%。知道自己的 serving 栈给所有调用挂工具的团队应读带工具列；评估模型独立行为的团队应读另一列。把两列都印出来，正是让选择变得可读的披露。

独立一列为工作量定价，而且不便宜。 Artificial Analysis 的综合行——测于 Kimi 的 API——补上了能力表省略的副作用：Intelligence Index 每任务 $2.11，输出速度 57.5 token/秒，对照 82.3 的中位数，以及 150M 输出 token 的冗长度（对照 87M 中位数）。冗长度就是账单——Sonnet 5.5 的省力经济学分析早已孤立出同一个机制：用更多 token 思考的代理，思考成本更高。对常开工作负载，较慢的输出速度是交互延迟税；3.07s 的 time-to-first-token 好于 3.90s 的中位数，略有缓解。Moonshot 对这笔税的答案是第二个档位：K3.1 Pro Highspeed 提供 2–3× 于 K3.1 Pro 的速度，同一交互类别，在定价页上标价 $4.00/$20.00 每 MTok。

幻觉减半，并标注为压力测试

先给诚实的数字，再给诚实的标签。 在 Kimi Hallucination Benchmark Hard 数据集上——由事实核查代理对刻意编入易错点、去标识化的实用提示评估声明级幻觉率——K3.1 Pro 的比率从 K3 的 23.4% 降至 8.3%，而包含至少一处事实错误的响应占比降到前代的 42.4%（发布文章）。带工具列上，K3.1 Pro 的 8.3% 低于 Opus 5.5 的 15.0%，远低于 GLM-5.3 的 22.6% 与 DeepSeek-V4.1-Flash-1017 的 23.3%，只有 GPT-6 Astra 的 5.5% 在前。而发布文章在同一节自带警示：该评测是对事实准确性的压力测试，样例刻意探测模型易错场景，报告的比率"不代表日常使用中的总体错误率"。不带这条标签引用 8.3% 的买方，是在错误转述供应商。

面向文档密集型工作的运营解读依然强劲。 OfficeQA Pro v2——经检索、跨文档核验与多步数值推理完成的财会文档分析——为 K3.1 Pro 报出声明性的业界最优 64.4，供应商内部财务基准相对 K3 在财务建模上提升 7.2 分、财务研究上提升 11.6 分，长周期业务运营达 4.2× 倍数（发布文章）。对一个报价对账或发票审计代理而言，在压力评测上把声明级错误率减半、同时印出警示，区分的正是"每次开放式检索都需要验证层"与"只在对抗性提示下才需要验证层"的两种模型。常开代理经济学接着为其余部分定价。

定价页面承诺了什么

成本模型需要的每一个数字都在平台自有定价页上，本周已核对。 kimi-k3.1-pro 按每 MTok $2.00 入 / $10.00 出计费，缓存输入 $0.20；Highspeed 档把两个牌价翻倍，保持同一 $0.20 缓存价；K3 系全部模型配 1,048,576 token 上下文窗口（Kimi API 定价）。计费为按量即付、不按上下文长度分档，而且——改变算术的那一行——缓存写入按 TTL 单独计费：5 分钟档每 MTok $2.00，1 小时档每 MTok $4.00。API 对重复的请求前缀自动启用 context caching，默认 5 分钟 TTL。一次 1 小时缓存写恰好是输入价格的两倍；一次 5 分钟写与输入同价。长生命周期代理会话应买便宜档并重算，而不是假设只有一个缓存成本。

缓存价是排在 flash 档旁的第三行公开数据——但处于不同规模级别。 MiniMax M3.1 Flash 把缓存输入挂在每 MTok $0.015（发布日解读），DeepSeek 的 1017 快照在其观测缓存命中率下折算约合 $0.017 的有效输入（$0.017 代理）。Kimi 的 $0.20 绝对值高出十倍——而且这是旗舰规模的一行（Artificial Analysis 统计 2.8T 总参数），不是 flash 档产品，公开折扣为 90%。中型买方应执行的比较是按自己工作负载命中率算每任务成本，而不是逐 token 牌价。

这张表还带着迁移时钟。 K2 系列模型于 2026 年 10 月 31 日对新用户关闭，平台计划在 12 月底前全部退役（定价公告）——平台上的每个 K2 部署都继承了一场带截止日期的 K3.1 迁移。还有一个成本杠杆写在平台文档里：推理努力按请求配置为 low、high 或 max（默认 max），thinking 无法被完全关闭——努力，而非开关，才是按任务的成本控制（K3.1 Pro quickstart）。

你已经能读懂的发布闸口

网络攻击数据的移除写明了机制，不只是口号。 Moonshot 观察到随 post-training 扩大，漏洞研究能力同步上升，追踪到 mid-training 通用语料中嵌入的网络内容与 RL 环境混合中的网络任务，并在初步实验中发现"若在 mid-training 或 RL 任一阶段不做数据移除，下游网络能力将大幅上升"。为开放权重发布，公司在保留通用编码任务的同时，从两个训练阶段移除了网络安全相关数据（发布文章，网络安全一节）。这与 GLM-5.3 分阶段发布——安全暂停之后放出权重（分阶段发布先例）——是同一闸口模式，但有一个结构性差异：K3.1 Pro 在发布当天就印出完整细节表并定下权重日期，中间没有分阶段暂停。

十月的开放权重发布现已构成三种可读的 playbook。MiniMax 在 API 发布四天后放出权重，并让许可文件承载购买条件——一条 $20M 收入线加署名。GLM-5.3 把发布闸在安全暂停之后。Kimi K3.1 Pro 则以"表先行"方式发布，安全闸提前施加、权重定于 11 月 4 日。变化的不是能力声明，而是哪些工件先落地——买方的审计必须跟着工件走。

直到 11 月 4 日仍悬而未决的事——以及要执行的审计

该表回答了能力、价格与负载匹配。它无法回答四件事，而五查权重日方法会以覆盖 MiniMax 的同一方式覆盖它们：

1. 许可证尚未命名。 MiniMax 的权重日把收入阈值与署名要求写进了商业自托管；K3.1 Pro 的条款仍是 11 月 4 日最大的未决项，任何自托管计划都不应在读完许可文件之前定价。
2. 不存在独立校准列。 Artificial Analysis 的综合指数度量能力（指数 55 时每任务 $2.11），而非"自信地错"的失败模式——即曝光 MiniMax flash 档 92.8% 错误属自信错误的 AA-Omniscience 级行（权重日审计）。在缺验证层的开放式事实检索上，那一列是这张表永远无法为自己印下的。
3. 第三方 harness 下的复现。 该综合指数已把 Terminal-Bench 4.0 作为十项评测之一运行；权重落地后，社区 harness 读数要么复现表上的 65.7，要么逼出一条 harness 脚注——MiniMax 的表格曾邀请过同一场对账。
4. 卡片级参数与 serving 配方。"3T 级"的说法与 Artificial Analysis 的 2.8T 统计，都需要模型卡自己的声明；vLLM 与 SGLang 类栈的 serving 配方，才是把一次下载变成可部署物的关键。

Artificial Analysis 仍把 K3.1 Pro 标为专有——一个将被 11 月 4 日交付取代的状态，也是买方在任何权重事件后数日内都应预期的表面滞后。

这张一分钟图表分离已定与未定：

两个面板正是这张表画出的分界：琥珀色一侧是 10 月 23 日已用可核验数字确定的内容，紫色一侧是只有 11 月 4 日权重才能回答的问题，珊瑚色条带是弥合差距的事件。

相关阅读

• 许可证中的 2000 万美元条款：权重日审计 MiniMax M3.1 Flash —— 本篇"表先行"解读所延伸的姊妹审计：五查方法，运行在权重先于表的发布上
• 推理经济学：为什么常开生产代理现在变得可负担 —— 把 Kimi 公布的缓存档位变成工作负载决策的每任务成本框架
• $0.017 代理：DeepSeek 1017 快照在不降价的情况下削减任务成本 —— 与 Kimi $0.20 并列的另一条缓存经济行：决定代理有效成本的是命中率，而非价目表

一个代表性构建

一家 400 人的 B2B 软件公司运行着一支代码评审与文档审计代理舰队——上周在其自有 MCP 前端的代码库与 ERP 集成上执行了约 12,000 项代理任务，并在混合模型池上计费。这份发布表本周移动了两个工作负载：Terminal-Bench 4.0 代理基准指向 K3.1 Pro（带工具 65.7 档）的长周期编码任务，其反复前缀流量恰好匹配 $0.20 缓存输入价与默认 5 分钟缓存 TTL；以及同样指向 K3.1 Pro 的财务文档审计运行（OfficeQA 类工作代理路径），在团队完成自己的 token 成本复核后，把推理努力固定在 high 而非默认 max。经过算术核算后，1 小时缓存写档被否决——输入价格的两倍，其会话重算比持有更便宜。11 月 4 日，平台团队在任何自托管计划之前执行五查审计：先读许可文件，然后参数、格式与配方、对照供应商表的 harness 差异、以及校准——即便 serving 继续运行在供应商 API 上，也保持已固定的 checkpoint。

申请限定范围构建。 一周发现期。您将得到系统清单、工作流地图与固定范围——无论是否与我们构建。