Moonshot AI 在 2026 年 10 月 23 日發布 Kimi K3.1 Pro：這是 Kimi K3 的大規模後訓練（post-training）升級版，3T 級參數、100 萬 token 上下文，Terminal-Bench 4.0 拿下 65.7%，贏過 GPT-6 Astra 的 58.2%，只小輸 Claude Opus 5.5 的 66.4%。獨立評測機構 Artificial Analysis 給它智力指數 55 分、全球第 4，是史上分數最高的（即將）開源權重模型。
換句話說，過去一年「開源模型差前沿三個月」的默契，在這一刻被壓到只剩 3 分——而且這 3 分的差距，是對上目前最強的專有模型。更耐人尋味的是官方在技術部落格裡自己承認：他們主動把資安攻擊相關的訓練資料拿掉，讓模型的漏洞挖掘能力從 90.5% 降到 81.0%。
這篇整理四件事：官方公布的每一個數字、API 到底多少錢、怎麼取得，以及官方與第三方說法不一致的地方。
這次發布了什麼：不是新底座，是「同一個大腦換一種訓練法」
官方的定位寫得很清楚：K3.1 Pro 是 Kimi K3 的 post-trained 版本，底座架構沒換，換的是後訓練的算力與方法。
| 項目 | 內容（官方說法） |
|---|---|
| 模型定位 | K3.1 系列第一款，3T 級（3T-class）開放權重模型 |
| 參數量 | 官方僅寫「3T 級」；第三方整理為 2.8 兆總參數、1,048 億激活參數、896 個專家、每 token 啟用 16 個 |
| 上下文 | 1,048,576 token（100 萬），支援文字與圖像輸入 |
| 訓練方式 | 大幅加大後訓練算力，跨數百個下游領域做聯合強化學習（joint RL），並重做 RL 框架、長上下文推論、沙箱與 rollout 排程 |
| 版本 | K3.1 Pro 與 K3.1 Pro Highspeed（速度 2–3 倍，價格翻倍，能力相同） |
| 權重 | 完整權重承諾 2026 年 11 月 4 日前釋出 |
「同一個底座、只換後訓練」這件事在成本上很關鍵：它意味著 Moonshot 沒有重跑一次預訓練，而是把所有資源壓在後訓練與 RL 環境上。官方說法是「讓每一單位 RL 算力都有穩定、可預期的回報」，翻譯成白話就是：與其燒錢練更大的模型，不如把現有模型在幾百個真實任務上練到會做事。
硬指標：官方自測全表
以下是官方技術部落格公布的數字，除了 Artificial Analysis 那幾項之外，其餘都是廠商自測：
| 基準測試 | Kimi K3.1 Pro | 對照組 | 測什麼 |
|---|---|---|---|
| Terminal-Bench 4.0 | 65.7% | GPT-6 Astra 58.2%、Claude Opus 5.5 66.4% | 真實終端機環境下的 coding agent 任務，用嚴格任務測試評分 |
| Kimi Code Bench 3.0 Long-horizon | 61.2% | 自家 K3 55.95% | 多步執行、工具使用、端到端解題（內部基準） |
| BenchCAD（帶工具） | 92.7% | Claude Opus 5.5 96.2%、GPT-6 Astra 95.9% | 多視角渲染圖轉 CAD 程式碼的 3D 重建 |
| BenchCAD（不帶工具） | 72.8% | — | 單次生成、無工具輔助 |
| OfficeQA Pro v2 | 64.4（SOTA） | — | 真實財務文件的檢索、跨文件驗證與多步數值推理 |
| Kimi Hallu Bench Hard（幻覺率） | 23.4% → 8.3% | 前代 K3 為 23.4% | claim 層級的事實錯誤率（壓力測試，非日常錯誤率） |
| Business Operation | 約 K3 的 4.2 倍 | — | 模擬商業環境的長流程決策 |
| Financial Modeling | +7.2 分（對 K3） | — | 公式連結、財務邏輯、工作簿品質 |
| Financial Research | +11.6 分（對 K3） | — | 在證據與截止日約束下產出可稽核的研究 |
要注意 Terminal-Bench 4.0 的比較基準：K3.1 Pro 是用 Claude-Code harness 測的，官方也註明其他模型的分數取自各自技術報告或官方排行榜的「最大值」。不同 harness 之間的分數不能直接當成模型實力的等號，這是所有 agent benchmark 的通病。
獨立評測：AA 55 分、全球第 4
Artificial Analysis 的數字比較有參考價值，因為它是第三方統一測的：
- 智力指數 55 分（前代 K3 為 44 分），在 215 個模型裡排第 4
- 前三名是 Claude Opus 5.5（58）、Claude Sonnet 5.5（56）、Muse Wonder Full（56）——K3.1 Pro 與後兩者同分
- 輸出速度 77.1 tokens/秒，在 186 個模型裡排第 106，比同價位中位數（約 81 t/s）慢一點
- 成本效率：每完成一個智力指數任務約 2.11 美元
- 冗長度：跑完整套指數測試吐了 1.5 億個輸出 token（中位數約 8,700 萬），被標為「very verbose」——平均每個任務約 5.5 萬輸出 token
最後一項值得畫線。它很會做事，但話很多：如果你按 output token 計費，冗長度直接反映在帳單上。
資安章節：官方自己承認「刻意調弱」
這是這次發布最不像宣傳稿、卻最值得看的一段。Moonshot 在技術部落格裡花了整節解釋他們怎麼處理模型的漏洞研究能力：
- 後訓練規模變大之後，他們發現模型的漏洞挖掘能力也跟著線性上升。
- 追查來源，發現賽博（cyber）相關內容混在預訓練中段語料裡，RL 環境池裡也有賽博任務。
- 於是他們在 mid-training 與 RL 兩個階段主動移除賽博相關資料，但保留通用編碼任務。
- 用內部基準 xdev-bench-hard（Linux kernel、Node.js、JavaScriptCore、Exim、VirGL 等真實漏洞、需實際拿到任意程式執行才能過關）驗證：
| 版本 | xdev-bench-hard（pass@3） |
|---|---|
| 未做資料清洗的 checkpoint | 90.5% |
| 最終發布的 K3.1 Pro | 81.0% |
| 前代 Kimi K3 | 33.3% |
官方的原則是三句話：不發布會推進全球攻擊性網安能力絕對前沿的權重；攻擊能力要低於已公開三個月以上的前沿專有模型；但要把能力「漸進式」放出來，因為防禦方也需要能在自己基礎設施上跑模型來審計老舊系統。
這個邏輯你信不信是另一回事，但它至少是可被檢驗的：等 11 月 4 日權重真的釋出，任何人都能拿 xdev-bench-hard 或 ExploitBench 去對答案。目前這些數字全部是廠商自測，沒有第三方複驗。
價格與取得方式：比 K3 便宜 33%，但要小心兩個坑
| 項目 | K3.1 Pro | K3.1 Pro Highspeed | 前代 K3 |
|---|---|---|---|
| 輸入 | $2.00 / 1M tokens | $4.00 / 1M tokens | $3.00 |
| 輸出 | $10.00 / 1M tokens | $20.00 / 1M tokens | $15.00 |
| 快取命中 | $0.20 / 1M（9 折→實際 90% 折扣） | 同樣 $0.20 | $0.30 |
（價格為每百萬 token 美元，2026-10-23 查詢）
同級對照：Simon Willison 指出這個價位與 GPT-6.1 Sol 相同、是 Claude Opus 5.5 的一半。
取得管道：
kimi.ai網頁與 iOS／Android／HarmonyOS App- Kimi Work 桌面版 3.1.0 以上
- Kimi Code：用
/model指令切換 - Kimi API：
kimi-k3.1-pro、kimi-k3.1-pro-highspeed（API 客戶可申請 Zero Data Retention） - Kimi Enterprise：管理員可開，預設關閉
一個實際的成本試算（每天 1,000 次呼叫、每次輸入 2 萬 token、輸出 2 千 token）：
| 情境 | 每日 | 每月（30 天） |
|---|---|---|
| K3.1 Pro 標準價 | $60 | $1,800 |
| K3.1 Pro + 90% 快取命中 | $27.6 | $828 |
| Highspeed | $120 | $3,600 |
| 同工作量比 Claude Opus 5.5（$4／$20） | $120 | $3,600 |
差距幾乎全部來自「快取有沒有吃到」。Kimi API 會自動對重複的請求前綴啟用 context cache（預設 TTL 5 分鐘），所以把系統提示、工具定義、長文件放在前面、變動內容放後面，是這個價位上最有效的省錢手法。
第三方保留意見：四個還沒被驗證的地方
把官方說法放到一邊，目前外部能查到的疑慮有四類：
1. 分數全是自測。 Terminal-Bench 65.7%、BenchCAD 92.7%、OfficeQA 64.4 都出自官方部落格，評測框架（harness）也由官方指定。第三方（OrcaRouter、LinkLoot、The Next Web 等）都提醒：agent benchmark 高度依賴 scaffolding，跨實驗室的分數不等於真實體感差距。
2. Highspeed 的 2–3 倍可能灌水。 有第三方抽測回報實際只有 1.6–1.75 倍，而且生成內容裡有 85–90% 是使用者看不到的 reasoning token——也就是說溢價主要花在「想」而不是「答」。此外工具呼叫與腳本執行時間完全不會變快。
3. Kimi Code 的靜默降級。 若把 Highspeed 的 model ID 打錯，系統不會報錯，而是直接退回不帶思考模式的舊模型 K2.8 Preview。這種「安靜地換一個比較笨的模型給你」是評測與生產環境最容易踩的雷。
4. 取樣參數被鎖死。 模型強制開啟思考、無法關閉；API 只接受 temperature=1.0；對話中途換模型或換 reasoning effort 會讓快取失效——最後一項直接影響上面的省錢算式。
Simon Willison 的做法可以參考：他用 llm openai endpoint 直接打 Moonshot 的 OpenAI 相容端點，把 low／medium／max 三段 reasoning 各跑一次「騎腳踏車的鵜鶘」測試，同時保留 stderr 的思考軌跡。想看實際輸出風格的人，這是最便宜的驗證方式（三題不到一塊台幣）。
對台灣開發者的實務判斷
適合馬上用：
- 長流程 coding agent（Terminal-Bench 65.7% 是真的接近前沿），特別是修既有 codebase、跑多步終端任務
- 參數化 3D／CAD 腳本生成（Blender、CAD 軟體腳本），BenchCAD 92.7% 是目前開源模型最高
- 財務文件 QA、法務文件審閱這類「必須少幻覺」的工作，claim 層級幻覺率從 23.4% 降到 8.3% 是有感的進步幅度
建議再等：
- 需要關掉思考、壓低延遲的產品（強制 thinking 是硬限制）
- 需要自架、資料不出境的場景 → 等 11 月 4 日權重釋出。在那之前 K3.1 Pro 只是「即將開源」，實際上仍是 API-only 的專有服務
- 需要極致便宜的批次處理 → 它的冗長度（每個任務 5.5 萬輸出 token）會讓帳單比規格上看起來貴
站內延伸閱讀
- Kimi K3 震撼發布！2.8 兆參數最大開源模型，編碼能力超越 Claude Opus 4.8：K3.1 Pro 的底座就是它，先看七月那一版才知道這次進步多少
- Claude Opus 5.5 正式發布：Artificial Analysis 智力指數 58 分登頂：目前唯一還壓在 K3.1 Pro 上面的模型，也是它定價的對標對象
- Gemini 4 Argon 正式發布：1M token 輸出、DeepSWE 77.9% 登頂：同樣是 1M 級上下文的競爭者，AA 分數 53
- Claude Sonnet 5.5 正式發布：Terminal-Bench 4.0 拿 70.6% 反超 Opus 5.5：Terminal-Bench 這條線上目前的天花板，用來校準 K3.1 Pro 的 65.7% 剛好
- Google 開源 TorchTPU：PyTorch 改一行 device=“tpu” 就能跑 TPU：想自己跑 3T 級模型的硬體前提，先看推論成本怎麼被改寫
資料來源與查證方法
- 官方技術部落格（一手）：https://www.kimi.ai/blog/kimi-k3-1-pro，2026-10-23 讀取；benchmark 數字、資安章節、釋出時程、可用管道皆出自此頁
- Artificial Analysis 模型頁：https://artificialanalysis.ai/models/kimi-k3-1-pro，2026-10-23 讀取；智力指數 55、排名 #4/215、77.1 t/s、1.5 億輸出 token、$2.11／任務
- Simon Willison 實測紀錄：https://simonwillison.net/2026/Oct/23/kimi-k31-pro/，2026-10-23；定價對照與 API 呼叫方式
- Kimi API 定價文件：https://platform.moonshot.ai/docs/pricing/chat，2026-10-23；1,048,576 token 上下文與快取計費說明
- 第三方整理與保留意見（Unite.AI、LinkLoot、AIHubMix、OrcaRouter 等，經 NotebookLM fast 研究彙整，10 個來源）：Highspeed 實測 1.6–1.75 倍、Kimi Code 靜默降級、強制思考與 temperature 限制
查證界線：本文所有 benchmark 數字除 Artificial Analysis 外均為 Moonshot 自報，未經第三方複驗；2.8 兆／104B 激活／896 專家等參數量為第三方整理，官方頁面僅寫「3T 級」。權重釋出與實際下載體驗，需等 11 月 4 日之後才能驗證。