十月二十四日凌晨，月之暗面把 Kimi K3.1 Pro 放了出来。
三个月前 K3 发布时，站内写过它进 OpenAI 企业账单那条线，讲的是中国开源模型怎么在采购清单上换位置。这次不同：K3.1 Pro 不是新基座，是 K3 的后训练版本。 骨架没动，参数从 2.8 万亿这一档继续往上堆的说法并不成立——它还是 2.8 万亿总参数、1040 亿激活、100 万 token 上下文，只是把强化学习那一环的算力大幅加上去，然后把训练铺到了几百个下游领域。
结果是智能指数从 K3 那一档跳到 55，在 Artificial Analysis 榜单上排全球第四、开源第一，比上一代高了 11 分。终端测试追到只差 Claude Opus 5.5 零点七个百分点。
这组数字值得拆开看，因为它回答了一个比跑分更重要的问题：当基座不再换代，靠后训练还能榨出多少。
这次没换骨架，只多练了一轮
后训练不是一个新词。预训练是把海量文本读一遍，学语言和世界知识；后训练是在这上面做定向打磨，包括监督微调、偏好对齐、以及用强化学习让模型在具体任务上反复试错。
K3.1 Pro 走的是第三条路加重注：把强化学习的算力大幅提高，同时把训练环境从几个通用领域铺到几百个下游领域——写代码、做三维模型、跑财务模型，各有一套环境。
这件事的难点不在加算力，在加完之后能不能稳住。月之暗面自己的说法是，为了让每一份新增的算力都转成稳定回报，他们把技术栈的每一层都动了一遍：强化学习框架、长上下文推理、训练效率、沙箱基础设施、调度系统，还有一个专门做环境质量检查的共享平台。
翻译成人话：真正花时间的是「怎么让几百个训练场同时开工还不互相打架」。 这句话对做过自动化的人不陌生——模型能力的瓶颈，越来越常在工程侧而不是算法侧。
分数怎么看：赢一个、输一个、还有两个是自己出的卷子
先把口径分清，这是判断任何模型发布的第一步。
第三方口径只有一个：Artificial Analysis 智能指数 55 分，全球第四。这个榜单是独立机构跑的，可以横向比。
厂商口径有三个。终端基准 Terminal-Bench 4.0 拿 65.7%，超过 GPT-6 Astra 的 58.2%，和 Claude Opus 5.5 的 66.4% 差 0.7 个百分点。这项测试考的是编程智能体在真实终端环境里完成受限任务的能力，每道题都有专项验收，比较难注水，是目前最值得看的一项。
内部长程代码基准 61.2%，上一代 K3 是 55.95%。这项是自家出的卷子，只能做纵向对比。
Office QA Pro v2 和 SpreadsheetBench v2 两项拿了全球最佳，官方说超过 Opus 5.5、Fable 5.1 和 GPT-6 Astra。同样是厂商引用的第三方基准，但没有给出逐项明细，先记着，别当定论。
一条经验：厂商发布会里最该记住的往往不是最高分，而是「差多少」。 65.7 对 66.4 这个零点七，比任何一个「全球第一」都更能说明它现在的真实位置——它已经在同一个台阶上，但还没站到最上面。
顺带一句，同步推出的 Kimi K3.1 Pro Highspeed 版本，官方说同等智能、输出速度是标准版的二到三倍。对做批量任务的人来说，这个版本有时比标准版更实用，因为瓶颈常常是等。
三维建模是这次真正的长板
发布稿里最不像通稿的一段，是三维。
给一段文字、一张草图或者一张参考图，模型自己推断物体的形状、比例和空间关系，然后去操作专业建模软件，做出可用的三维模型，再搭成完整的交互场景。官方点名的场景是机械零件、建筑模型、定制家具，支持在线预览和编辑，做好的模型可以直接下载去三维打印。
这里有个容易混的地方。站内此前介绍过 Luma AI 和 Meshy 的生成式三维，那类工具产出的是网格资产——你描述一个物体，它给你一个模型文件。K3.1 Pro 走的不是同一条路：它产出的是「会操作软件的那双手」，能按软件的操作逻辑一步步建模，还能在中途改。
差别在于可控性。生成式三维给你一个结果，不满意就重抽；操作软件的方式给你一个过程，不满意可以只改那一步。做定制家具、做零件改型这类活，后者的价值大得多。
发布里给的两个案例也说明了这个取向：用 Unreal Engine 5.8 搭云海之上的东方神话天宫，用 Godot 4.7.2 从零做一个含五个探索区域、两阶段 Boss 战的 3D 动作冒险游戏，两个都是端到端交付。
长任务跑得动，才是智能体的门槛
比建模更能说明问题的，是那个解剖学仿真。
内部测试里，团队给了一个开源的、包含 296 个骨骼组件（含软骨）和 402 个肌肉组件的人体解剖学模型，让模型搭一套训练与评估流程，做出人类行走动力学仿真器。
模型的做法不是一次写对，是持续分析实验结果、定位问题、迭代控制器：从最初几步之内就倒地，到能交替迈步、连续行走 11.2 秒，中间还修正了肩部肌肉力臂计算里的 36 处错误，然后重新训练控制器。
这一段的价值在「36 处错误」这个细节。 它说明模型不是碰巧调对了参数，而是能读自己的实验结果、判断哪里算错了、改完再跑一遍。这正是长程任务的核心能力——不是一次做对，是错了能自己发现。
这也解释了这个月另外两篇为什么跟它是一组的：EAGLE-4 那篇讲的是单次推理怎么变快，Vercel 那个持久化包讲的是任务断掉之后怎么接着跑，K3.1 Pro 补的是第三块——一次能跑多长、跑偏了能不能自己纠回来。三件事凑齐，智能体才谈得上交付。
价格这笔账，和权重那道门
官方给的价格参照是：约为 GPT-6 Astra 的五分之一，Claude Opus 5.5 的一半。
这个定价对两类人意义完全不同。
对靠接口接活的人，成本结构立刻变了。以前跑一遍长任务要掂量 token 账单，现在同样的预算可以多跑四五遍，多跑几遍恰好是长程任务最需要的——第一次跑不通，第二次换个思路。
对想跑本地权重的人，现在还不能下单。完整模型权重承诺在十一月四日之前发布，也就是说发布当天能用的是接口，不是权重。2.8 万亿参数的模型即便开放权重，家里那台机器也放不下，它更像是给有集群的团队准备的。
安全这块官方主动交代了两件事：对漏洞研究能力做了专项评估，并在训练中做针对性控制；从中期训练和强化学习两个阶段识别并移除了网络攻防相关数据，之后每个阶段继续这样做。同时立了两条原则——不发布推进网络攻防能力绝对前沿的开放权重，逐步提升开放权重里可用的攻防能力。评估结论是它的攻防能力仍落后于已公开至少三个月的前沿闭源模型。
这段自述值得肯定，但也别当保险。站内写过 Anthropic 实测 GLM-5.3 被抹掉安全防线只要 4400 美元，开放权重一旦出门，能力边界就不再由发布方定义。
现在换还是等：三类人的答案
第一类，用接口做编程和自动化的。 现在就可以试。终端测试 65.7 不是纸面数字，它对应的就是真实终端里的多步任务。做法是先挑一条你手上跑不顺的长任务，同一个提示词在旧模型和新模型上各跑三遍，比通过率和返工次数，别看单次速度。
第二类，做三维、游戏、定制件交付的。 这是最该试的一类，也是这次升级最实在的部分。建议从一个真实的小件开始：一段描述、一张草图，让它操作软件建出来，看它在中途改需求时会不会崩。别拿「生成一个模型」当验收，要拿「改三版还能对」当验收。
第三类，等本地权重的。 等到十一月四日之后再说。而且要想清楚：2.8 万亿这一档的权重，对个人设备基本没有意义，它服务的是有推理集群的团队。个人要在本地跑，看的是 12B 到 30B 那一段，站内有篇 JetBrains 开源 12B 编程模型讲的就是这条更现实的路。
关于「要不要为它换掉现有工具链」，可以对照 Kimi K3 进企业采购那条线和 K2.8 Preview 全量上线两篇一起看：Kimi 这一系列的打法一直不是「最强」，是「够用且便宜，还兼容现有配置」。
老达点评
一、这次发布最值钱的信息是「后训练还能涨」。 基座不换代、只加后训练，智能指数涨 11 分、终端测试追到差 0.7——这个幅度说明，未来一年模型能力的增量，会有相当一部分来自「怎么练」而不是「练多大」。对使用者是好事：不用等下一代，现有模型的迭代节奏会更快。
二、三维这条路选得聪明，但要看清它卖的是什么。 它卖的不是模型文件，是「会操作软件的过程」。这条路的商业价值更高，因为下游是设计、建筑、制造这些真付钱的行业；但验收也更难，你得会看过程，不能只看结果好不好看。
三、价格是这次最硬的竞争力，也是最容易被误读的。 五分之一的价钱买接近的能力，这个性价比对做批量任务的人是实打实的利好。但「便宜」不等于「成本低」——长任务跑得越久，token 消耗越多，真正的账要按任务算，不按单价算。
四、权重发布前，把它当接口用，别当基础设施用。 十一月四日是个承诺，不是既成事实；即便如期发布，2.8 万亿也不是给个人机器准备的。想押注这条线的小团队，现在最该做的是把任务跑通、把验收标准立起来，而不是先改架构。
想系统看这条线的走向，可以翻 AI 编程工具专题，那里按工具类型分过类；如果你更关心「怎么把模型接进自己的流程」，老达AI实践专题里的案例更贴地。至于这类开源模型到底该按什么标准挑，站内 DeepSeek 换内核那篇给的是另一套判断口径。
