月之暗面发布新一代旗舰模型Kimi K3.1 Pro，总参数规模达2.8万亿，采用混合专家（MoE）架构，每次激活1040亿参数，支持100万Token上下文窗口。这是K3系列的首个模型，公司称其为迄今能力最强的3万亿级参数模型，并计划在11月4日前开放完整模型权重。同步推出的高速版Kimi K3.1 Pro Highspeed智能水平与标准版相当，输出速度约为标准版的2至3倍。两款模型已通过Kimi官网、App、Kimi Work、Kimi Code及API对外提供服务。

与侧重通用能力的上一代模型不同，K3.1 Pro把重点放在编程、3D建模、金融分析和智能体执行复杂任务上。它并非从头训练，而是基于Kimi K3进行后训练，大幅增加后训练算力，并围绕强化学习框架、长上下文推理、训练效率、沙箱基础设施和任务调度系统做了优化，以支撑数百个下游领域的大规模联合训练。月之暗面认为，这条路线关键在于把更大规模的强化学习投入转化为复杂任务中的持续执行能力，而不只是提升单轮问答表现。

基准测试方面，在编程智能体测试Terminal-Bench 4.0中，Kimi K3.1 Pro获得65.7%的评估得分，高于OpenAI的GPT-6 Astra的58.2%，与Anthropic的Claude Opus 5.5的66.4%仅有微弱差距。在内部Kimi Code Bench 3.0 Long-horizon测试中，新模型得分为61.2%，高于上一代K3的55.95%。需要指出，这些成绩来自不同测试体系，部分为内部基准，不同模型的测试环境、工具配置和评估方法存在差异，分数不能直接等同于所有实际工作场景中的能力排名。

编程能力的展示延伸到了端到端项目。案例包括使用虚幻引擎、Unity和Godot开发游戏，生成网页、Three.js交互场景和3D资产。其中一个案例在虚幻引擎5.8中构建云海之上的东方神话天宫，柱廊通过Blender程序化建模，源模型包含3600万三角形，并使用Nanite和Lumen渲染。另一个基于Godot的3D动作冒险游戏包含五个可探索区域、程序化地形与村庄、第三人称战斗、两阶段Boss战、昼夜循环和快速传送等功能。模型还完成了浏览器内3D机械臂展示页面，生成2317个零件和268条动态走线。

更复杂的仿真任务中，模型基于开源人体解剖学模型构建人类行走动力学仿真器，在167项任务、420次独立评审中持续调整行走控制器，最终让仿真人体连续行走11.2秒。当调整奖励机制无法改善手臂运动时，模型转而检查仿真器动力学，定位并修正了肩部肌肉力臂计算中的36处错误，再重新训练控制器。这类案例体现长程智能体的一个方向：模型不仅要生成方案，还要根据实验反馈定位问题并多轮改进。不过演示案例本身不代表模型在所有同类任务中都能稳定复现相同表现。

3D创作与空间推理是另一重点。在BenchCAD基准测试中，该模型借助工具获得92.7%的成绩，接近Claude Opus 5.5的96.2%和GPT-6 Astra的95.9%。BenchCAD考察模型能否根据多视角渲染图生成CAD代码重建3D模型。月之暗面称，模型能根据文字描述、草图或参考图片推断物体结构，直接编写并运行Blender、CAD等专业工具脚本，完成参数化建模、几何调整、材质修改和场景布局，无需依赖MCP连接器。展示案例包括在Blender中构建机场室内雨林场景、使用FreeCAD和Python生成包含2100个实体的涡扇发动机模型，以及设计可直接3D打印的台灯。Kimi官网和App已上线3D Make功能，支持在线预览编辑、下载用于3D打印或导出视频和实况照片。

金融研究是重点突破方向。在OfficeQA Pro v2基准测试中，Kimi K3.1 Pro获得64.4分，公司称达到当前最优水平。该测试侧重基于真实金融文档的复杂数据分析，涉及信息检索、跨文档核对和多步骤数值推理。在公司内部测试中，新模型财务建模较K3提升14%，金融研究提升20%，商业运营得分约为K3的4.2倍。应用案例包括生成英伟达财务模型、制作宁德时代投资委员会报告，以及一份数据和引用均可追溯至一手来源的量子计算行业研究报告。

金融场景对准确性要求极高。在内部Kimi Hallu Bench Hard测试中，新模型单项事实陈述错误率从K3的23.4%降至8.3%，包含至少一处事实错误的回答比例降至前代的约42.4%。公司特别说明，该测试刻意选取高难度易错场景，结果不代表日常使用中的整体错误率。

商业化方面，标准版Kimi K3.1 Pro的API输入价格为每百万Token缓存命中1.3元、缓存未命中13元，输出价格68元；高速版价格为标准版的两倍。公司还推出Kimi Hosted Agents托管智能体服务，为企业和开发者提供云端运行环境，支持长时间任务执行和多智能体协作。

开放权重前，月之暗面披露了网络安全评估：在准备开放权重时，已从中期训练和强化学习阶段识别并移除网络攻防相关数据，以限制模型的漏洞研究能力。在自研xdev-bench-hard测试中，未经数据移除处理的模型得分为90.5%，最终版为81.0%。公司称针对性数据清理降低了漏洞研究能力，但更强的通用编程和长周期调试能力仍可能迁移至网络安全任务。这折射出开放权重模型的两难：开放有助于本地部署、代码检查和防御性安全研究，但能力增强也要求开发者评估其在网络攻防等双重用途场景中的潜在风险。随着完整权重即将开放，市场接下来要观察的是，基准测试中的优势能否在真实项目中持续兑现，以及开发者能否以可接受的部署成本把模型能力转化为稳定可靠的生产力。