Moonshot AI 正式釋出 Kimi K3.1 Pro，這是其 K3.1 系列的首款模型。該模型被定位為 3T 級別的開放權重模型，上下文視窗達到 100 萬 token，官方希望它在程式設計、智慧體（agentic）與知識類基準上正面挑戰最強的閉源模型。對開發者而言，它的 API 價格低於上一代 K3，但所謂“開放權重”目前還只是承諾——權重預計要到 2026 年 11 月才會真正放出。
從規格看，K3.1 Pro 是混合專家（MoE）架構，總引數 2.8T，每個 token 啟用 104B 引數。它並非單卡可跑的小模型：Moonshot 針對 K3 給出的部署建議是使用 64 塊以上加速器組成的超級節點，權重採用 MXFP4、啟用採用 MXFP8。基座 K3 使用 Kimi Delta Attention（KDA）與 Attention Residuals（AttnRes），透過 Stable LatentMoE 框架在 896 個專家中啟用 16 個；按照快速上手指南，API 可接受文本、影像與影片輸入。
K3.1 Pro 是在 K3 基礎上做後訓練得到的版本，後訓練算力大幅提升。團隊在數百個下游領域上聯合進行強化學習，併為此最佳化了強化學習框架、長上下文推理、沙箱基礎設施與 rollout 排程。除標準版外，Moonshot 還推出 Kimi K3.1 Pro Highspeed，官方稱其執行速度快 2 到 3 倍。
基準成績全部由 Moonshot 自行報告，採用最大推理強度，多數在 Claude Code 測試框架下完成。程式設計方面，K3.1 Pro 在 Terminal-Bench 4.0 上取得 65.7%，在官方對比圖中僅次於 Claude Opus 5.5 的 66.4%；在 SWE-Marathon 上以 51.7 反超 Opus 5.5 的 46.3；在內部基準 Kimi Code Bench 3.0 Long-horizon 上得 61.2，高於 K3 的 55.95。
科學類任務則是明顯短板。Terminal-Bench Science 0.1 上 K3.1 Pro 只有 38.1，而同一張對比圖中 GPT-6 Astra 為 68.1、Opus 5.5 為 63.3，差距超過 25 個百分點。在需要工具的 BenchCAD 測試中它拿到 92.7，落後於 Opus 5.5 的 96.2 與 GPT-6 Astra 的 95.9；不使用工具時為 72.8，與 Opus 5.5 的 73.0 幾乎持平。金融方向上，OfficeQA Pro v2 報告了 64.4 的最優成績，Frontier Finance 為 58.6，內部金融測試中建模提升 7.2 分、研究提升 11.6 分。
幻覺控制也有改進。在內部壓力測試 Kimi Hallu Bench Hard 上，斷言級幻覺率從 K3 的 23.4% 降至 8.3%，約合官方所稱的 65% 降幅，但仍高於 GPT-6 Astra 在同一測試上的 5.5%。
網路安全方面，針對開放權重版本，Moonshot 在中訓練與強化學習階段剔除了與網路攻擊相關的資料。在內部 xdev-bench-hard 上，未經過濾的檢查點在 pass@3 下可解出 90.5%，而實際釋出的 K3.1 Pro 為 81.0%。官方表示，該模型在進攻性網路任務上仍落後於前沿閉源模型。
開發者目前可透過 Kimi.ai、Kimi Work、Kimi Code 以及 Kimi API 使用該模型，API 標識為 kimi-k3.1-pro 與 kimi-k3.1-pro-highspeed，介面相容 OpenAI。標準版價格為每百萬 token 輸入 2 美元、輸出 10 美元，快取命中為 0.20 美元；Highspeed 版本為輸入 4 美元、輸出 20 美元。相比之下，K3 的定價是 3 美元與 15 美元。
使用上還有若干硬性約束：思考模式始終開啟，推理強度可選 low、high、max（預設 max）；temperature 固定為 1.0，top-p 固定為 0.95；輸出預設 131,072 token，最高可到 1,048,576；賬戶需至少充值 1 美元才能解鎖訪問；視覺輸入不接受公開圖片 URL，需使用 base64 或已上傳的檔案 ID。
主要侷限同樣清晰：權重尚未公開，因此現在無法自託管；2.8T 的體量意味著多節點、超級節點級別的服務部署；科學密集型的終端任務落後對手 25 分以上；多項“領先”來自內部基準；此外，Moonshot 曾提醒在測試框架中丟棄推理歷史會導致輸出不穩定，K3.1 Pro 文件也要求回傳完整的 assistant 訊息。