Article · Original
The article text is unavailable in this language; an existing version is shown.
IT之家 11 月 5 日消息，按照 10 月 24 日发布时给出的承诺，月之暗面（Moonshot AI）今日在 Hugging Face 平台开放了 Kimi K3.1 Pro 的模型权重。
在 Arena 运营的 Agent Arena 智能体排行榜中，Kimi K3.1 Pro（Max）位列开放权重模型第一、全部参评模型第 13 位，并在工作、编程与聊天三个类别中均居开放模型首位。
Agent Arena 的评测方式与传统的成对盲测不同。它不要求用户对两个回答投票，而是从真实用户的智能体会话中提取信号，包括用户对任务的明确确认、表扬与投诉、纠正指令以及 Shell 命令执行错误等，再通过 Arena 称为“因果追踪”的随机化推断方法估算各模型相对于平均水平的净改进率。
Kimi K3.1 Pro 此次排名基于全球用户超过 1.75 万次真实长周期智能体任务会话，净改进率为 +5.1%，较上一代 K3（Max）的 +0.9% 提升 4.2 个百分点。
分项指标呈现出更具体的改善幅度。衡量 Shell 命令执行可靠性的 Bash Reliability 从 K3 的-4.5%（第 13 名）升至 +7.9%，在开放模型中排名第一；反映用户满意度的 Praise vs Complaint 指标从 +1.3% 升至 +7.7%；衡量模型根据用户反馈调整执行方向的 Steerability 指标达到 +6.5%，同样居开放模型首位。用户明确确认任务完成的 Confirmed Success 为 +3.9%，开放模型第四。
Kimi K3.1 Pro 采用混合专家架构，总参数量 2.8 万亿，单次推理激活约 1040 亿参数，支持约 100 万 Token 上下文窗口。
与 K3 相比，K3.1 Pro 以 K3 为基座进行了大规模联合强化学习后训练，覆盖数百个下游领域，并将部分全注意力层替换为门控稀疏注意力层，以降低长上下文建模的开销。
值得一提的是，开源权重的“可下载”与“可本地运行”之间存在显著距离。2.8 万亿参数以 BF16 精度存储的权重文件约 5.6TB，即使采用 INT4 量化也仍需约 1.4TB，单机消费级显卡基本不具备部署可能。
在终端智能体基准 Terminal-Bench 4.0 上，K3.1 Pro 得分 65.7%，高于 GPT-6 Astra 的 58.2%，与 Claude Opus 5.5 的 66.4% 相差不到 1 个百分点。
BenchmarkKimi K3.1 Pro
(max)Claude Fable 5.1
(max, w/ fallback)GPT-6 Astra
(max, w/ fallback)Claude Opus 5.5
(max, w/ fallback)DeepSeek-V4.1-Flash-1017
(max)GLM-5.3
(max)
Coding
Terminal-Bench 4.065.757.958.266.442.341.8
Terminal-Bench-Science 0.138.140.068.163.315.78.1
SWE Marathon v1.151.745.642.546.340.042.5
BenchCAD w/o tools72.860.6—73.041.2—
BenchCAD w/ tools92.792.695.996.281.6—
Program Bench31.553.550.065.029.119.0
DeepSWE v1.175.567.474.174.277.066.9
PostTrain Bench v1.236.544.641.943.830.534.5
Kimi Code Bench 2.0 (Internal)77.1———76.161.7
Kimi Code Bench 3.0 Long-horizon (Internal)61.258.866.558.551.545.5
Agentic
HLE-Full w/ tools70.065.657.267.758.862.5
BrowseComp92.1—91.590.8——
BioMysteryBench80.681.678.981.980.079.6
CharXiv (RQ) w/ python93.492.792.893.885.6—
MMMU-Pro w/ python90.088.487.889.882.5—
GDP.pdf w/ python85.783.885.583.973.0—
ChartoGraphy w/ python90.288.491.089.083.0—
BabyVision w/ python95.495.196.697.792.5—
ZeroBench_main w/ python (pass@5)63.059.058.061.051.0—
Agents' Last Exam (ALL)43.2—41.842.637.726.2
Agents' Last Exam (CLI)44.2—44.240.736.029.4
Automation Bench-AA73.359.468.569.566.662.2
GDPval-AA v2.1 (Elo-score)184617541573186617461650
AA-Briefcase v1.1 (Elo-score)167816721569180315701507
APEX-Agents69.468.664.773.569.856.6
OfficeQA Pro v264.454.554.462.240.431.1
OfficeQA Pro67.468.666.2—62.458.6
Frontier Finance58.660.845.056.754.557.5
Harvey Legal Agent23.719.1——21.0—
HANDBOOK.md44.638.8—41.528.920.8
OSWorld V2.179.680.775.881.869.3—
Business Operation (Internal)37.830.732.3—8.918.6
DECK-Arena (Internal, Elo-score)1456—1423125312311119
Design Bench (Internal, Elo-score)957—1076927863718
Kimi Hallu Bench Hard w/ tools (Internal, lower is better)8.323.35.515.023.322.6
Reasoning & Knowledge & Multimodal
GDP.pdf34.627.634.230.617.211.2
HLE-Full51.157.653.659.842.643.0*
HLE-Diamond39.455.165.860.921.625.1*
GPQA-Diamond94.293.796.193.992.291.7
CharXiv (RQ)89.088.890.092.177.0—
MMMU-Pro84.186.386.987.780.6—
ZeroBench_main (avg@5 / pass@5)29.8 / 39.023.0 / 35.043.2 / 52.035.0 / 43.011.8 / 23.0—
PerceptionBench68.363.077.672.147.7—
Kimi Hallu Bench w/o tools (Internal, lower is better)5.411.44.26.813.114.8
Cyber Security
ExploitBench74.783.010091.0—54.4
ExploitGym20.730.442.434.5—15.0
xdev-bench-hard (Internal)81.0———85.757.1
相关阅读：
《Kimi K3.1 Pro 正式发布：月之暗面最强 3 万亿级模型，编程智能体测评超 GPT-6》
《Kimi 就会员使用 K3.1 Pro 出现限流等问题致歉，为所有订阅会员进行重置》