Kimi 正式推出 K3.1 Pro，作为其新 K3.1 系列的首发模型。该版本在编码、3D 创建、金融研究及其他代理能力方面实现了实质性提升。同步上线的还有 Kimi K3.1 Pro Highspeed（高速版），提供基础版 2-3 倍的推理速度。
目前，Kimi K3.1 Pro 和 K3.1 Pro Highspeed 已在 Kimi.ai、Kimi Work、Kimi Code 及 Kimi API 平台提供服务。完整模型权重将于 2026 年 11 月 4 日发布。
强化学习优化与基准表现
Kimi K3.1 Pro 基于 Kimi K3 进行训练后优化，显著增加了训练后计算量。为实现数百个下游领域的大规模联合强化学习（RL），团队对 RL 框架、长文本推断、培训效率、沙箱基础设施、调度机制及环境质量检查共享平台进行了全栈优化，确保 RL 计算的增量能转化为稳定且可预测的性能收益。
在编码、代理及知识类基准测试中，K3.1 Pro 的表现已接近或持平最强专有模型。具体数据如下：
- Terminal-Bench 4.0：针对资源受限终端任务的编码代理评估中，K3.1 Pro 得分 65.7%，高于 GPT-6 Astra (58.2%)，略低于 Claude Opus 5.5 (66.4%)。
- Kimi Code Bench 3.0 Long-horizon：内部多步执行、工具使用及端到端问题解决测试中，K3.1 Pro 得分为 61.2%，较前代 K3 的 55.95% 有明显提升。
Coding 能力增强
K3.1 Pro 覆盖了从代码库快速修复到完整项目构建的全流程。其在游戏引擎（Unity, Unreal Engine, Godot）中的集成能力得到加强，能够结合网络搜索与 3D 生成技术构建完整体验。前端页面、交互式 Three.js 场景及 3D 资产在构图、排版、动画和细节处理上更为成熟。
通过大规模强化学习，K3.1 Pro 的长视野编码能力显著提升。在一项内部测试中，该模型在开源人体解剖模型 Human-atlas（包含 296 个骨骼部件、软骨及 402 个肌肉部件）之上，构建了具备集成训练和评估管道的人类行走动力学模拟器。在 167 次任务和 420 次独立评估中，模型通过分析实验结果诊断问题并迭代改进步行控制器。当奖励塑造无法改善手臂运动时，K3.1 Pro 并未单纯调整奖励参数，而是对模拟器动力学进行开环探测，发现并修正了肩肌动力-手臂计算中的 36 处错误，随后重新训练控制器。
3D 建模与设计
K3.1 Pro 在 3D 创建和空间推理方面表现强劲。在 BenchCAD 基准测试（基于 CAD 代码生成的多视图 3D 重建）中，启用工具后的 K3.1 Pro 得分为 92.7%，接近 Claude Opus 5.5 (96.2%) 和 GPT-6 Astra (95.9%)。模型能够从文本简报、草图或参考图像中推断形状、比例及空间关系，生成可用的 3D 模型，并更好地利用现有资产库。
在机械部件、建筑模型及定制家具等参数化建模场景中，K3.1 Pro 无需 MCP 连接器即可为 Blender 和 CAD 软件编写并运行脚本，以构建资产、编辑组件及调整几何结构、材料和场景布局。用户可通过 Kimi 3D Make 界面预览、在线编辑 3D 模型，下载用于 3D 打印的文件，或导出视频及实时照片。
金融研究与准确性
K3.1 Pro 强化了推理与代理能力，能够端到端执行复杂财务工作流程。通过检索、交叉文档验证和多步数理推理，模型在 OfficeQA Pro v2 基准测试中取得 64.4 分的领先成绩，该测试旨在评估真实财务文件下的复杂数据分析能力。此外，在 Frontier Finance 投资工作流程支持测试中，K3.1 Pro 也优于前代 K3。
内部基准数据显示 K3.1 Pro 的具体改进幅度：
- 金融建模：公式连接、逻辑及工作簿质量提升 7.2 分。
- 金融研究：证据截止限制下的可审计性提升 11.6 个百分点。
- 商业运营：模拟环境中的长远管理决策性能约为 K3 的 4.2 倍。
针对事实准确性，K3.1 Pro 在 Kimi Hallu Bench Hard 压力测试中将声明级幻觉率从 K3 的 23.4% 降至 8.3%，含至少一个事实错误的答案占比仅为前身的 42.4%。
网络安全控制策略
随着模型能力提升，Kimi 对网络攻击能力的来源进行了分析，并在训练期间实施针对性控制措施以降低滥用风险。开发过程中发现，未删除中期训练集合及 RL 环境中的网络相关数据会导致下游网络能力大幅增加。因此，在 K3.1 Pro 开放权重版本中，团队从两个训练阶段识别并移除了与网络攻击直接相关的数据，同时保留通用编码任务以维持模型实用性。
在 xdev-bench-hard 评估中（涵盖 Linux 内核、Node.js、JavaScriptCore 等近期公开漏洞的复现），未实施风险降低措施的中间检查点解决了 90.5% 的问题，而最终发布的 K3.1 Pro 达到 81.0%。尽管有所降低，K3.1 Pro 的网络能力仍显著高于前代 K3 (33.3%)，但落后于至少三个月前公开的前沿专有模型（如 GPT-5.6 Sol 解决 100 个问题）。
Kimi 表示，其开放权重原则旨在不扩大网络攻击能力的绝对边界，并逐步提高防御性双重用途能力的可获取性，认为让安全审核能力扩散至更多团队有助于整体软件生态的安全。
可用性与接入方式
Kimi K3.1 Pro 现已通过以下渠道提供服务：
- Kimi Agents：iOS、Android 及 HarmonyOS 应用商店更新至最新版本，或访问 kimi.ai。
- Kimi Work：Windows 和 macOS 桌面客户端需更新至 3.1.0 及以上版本。
- Kimi Code：运行 Kimi Code 并通过
/model命令选择 Kimi K3.1 Pro。 - Kimi API：在 API 平台选择
kimi-k3.1-pro或kimi-k3.1-pro-highspeed。API 客户支持零数据保留选项。 - Kimi Business：企业管理员可为组织启用 K3.1 Pro，默认关闭访问权限，提供企业级数据隐私及账户隔离。
基准测试说明
除非另有规定，上述 Kimi K3.1 Pro 结果均在“最大”推理强度设置下获得，温度参数设为 1.0，top-p 设为 0.95。
编码基准详情
- Terminal-Bench 4.0：使用 Claude-Code harness 测试。DeepSeek-V4.1-Flash-1017 分数取自发布博客，其余取自官方排行榜最高值。
- Terminal-Bench Science 0.1：使用 Claude-Code harness 测试。DeepSeek-V4.1-Flash-1017 内部评估为 9.3，旧版在官方榜单为 15.7，其余取自官方科学排行榜。
- DeepSWE v1.1：使用 Claude-Code harness 测试。分数取自各车型技术报告，包括 GPT-6 Astra、Claude Opus 5.5、Claude Fable 5.1、DeepSeek-V4.1-Flash-1017 及 GLM-5.3。
- SWE-Marathon v1.1：使用 Claude-Code harness 测试。其他分数取自官方 SWE-Marathon 排行榜。
- PostTrainBench：Kimi K3.1 Pro 和 DeepSeek-V4.1-Flash-1017 在 v1.2 上使用 H20 GPU 进行内部评估，评审模型统一使用 DeepSeek-V4.1-Flash-1017 以对齐官方 GPT-5.6-Terra (xhigh) 标准。
- ProgramBench：报告二进制分数（≥95% 得 1 分，否则 0 分）。使用 Claude-Code harness。DeepSeek-V4.1-Flash-1017 和 GLM-5.3 分数取自发布博客，其余取自 Vals ProgramBench 排行榜。
- 内部编码板：Kimi Coding Bench 2.0 和 3.0 Long-horizon 使用 Claude-Code harness 测试，其他模型以最大努力设置评估。
- BenchCAD：在 1,000 例子集上以最大推理强度评估。带工具结果使用 Claude Code harness，不带工具采用单次生成。Claude Fable 5.1 和 Opus 5.5 分数取自系统卡，GPT-6 Astra 带工具分数取自官方报告。
代理基准详情
- BioMysteryBench：数据集源自官方 v11，Kimi K3 作为评审模型。Kimi K3.1 Pro 使用 Kimi Code，GLM-5.3 和 DeepSeek-V4.1-Flash-1017 使用 Claude Code，GPT-6 Astra 使用 Codex 评估。
- Agent Last Exam：数据集源自官方 v1.1，包含 122 个任务。DeepSeek 和 Kimi 分别使用 Claude Code 和 Kimi Code 评估，其余取自官方基准网站。
- OfficeQA Pro / v2：GPT-6 Astra 使用 Codex，其他模型使用 Claude Code。PDF 文件呈现为图像，无机器可读文本。若观察到外部模型在线检索参考答案，则该项记为零分。
- Frontier Finance：使用官方 Finance Agent v2 harness 评估。
- HANDBOOK.md：使用 OpenHands 构建的官方套件评估，任务来自早期开源 v1 版本。
- Harvey Legal Agents：使用人工分析的 Stirrup harness 对 1,251 个任务进行评估，报告全通过率。
- OSWorld V2.1：使用 Kimi Agent harness 评估，GPT-6 Astra 分数取自 Muse Wonder 技术报告。
- DECK-Arena：评估现实世界查询及图形设计，运行于 python-pptx, pptxjs 和 Kimi 内部 DSL 中，使用校准后的自动分级器
