10月24日，月之暗面发布Kimi K3.1 Pro，这是K3.1系列的第一个模型，也是其迄今能力最强的3万亿级参数模型，支持100万上下文。新模型主打编程、3D创作、金融研究等复杂专业任务。与此同时，同步推出高速版模型 Kimi K3.1 Pro Highspeed，同等智能下输出速度约为2~3倍。在推进智能前沿向更多细分场景深入探索的同时，月之暗面也强调降低了新模型的网络攻击能力。

大规模RL带来全面提升

据悉，K3.1 Pro并非一个全新架构模型，而是K3的后训练版本，官方表示，新模型大幅增加了后训练算力，为了支撑数百个下游领域的大规模联合训练，新模型优化了RL框架、长上下文推理、训练效率、沙箱基础设施、调度系统等技术栈的每一层，使得K3.1 Pro在所有领域都获得了大规模RL带来的全面提升。

在代码、Agent和知识类基准上，K3.1 Pro达到或接近最强闭源模型的水平。

在评估真实环境里资源受限的终端任务表现的Terminal-Bench 4.0基准测试中，K3.1 Pro得分达到65.7%，领先于GPT-6 Astra的58.2%，仅略低于Opus 5.5的66.4%。在涵盖多步骤执行、工具使用和端到端问题解决的内部基准测试Kimi Code Bench 3.0 Long-horizon上，K3.1 Pro的得分达到61.2%，高于K3的55.95%。

在GDPval-AA v2.1测试中，K3.1 Pro(1846)的得分超过Fable 5.1(1754)与GPT-6 Astra(1573)，低于Opus 5.5(1866)。在‌Agents' Last Exam测试中，K3.1 Pro的得分超过了GPT-6 Astra、Opus 5.5。

月之暗面表示，通过大规模RL训练，K3.1 Pro的长程编码能力也得到了充分的增强。在一项内部测试中，K3.1 Pro基于包含296个骨骼组件(含软骨)和402个肌肉组件的开源人体解剖学模型，构建了一套集成训练与评估流程的人类行走动力学仿真器。

OpenCode联合创始人Frank Wang对K3.1 Pro给予了高度评价，认为K3.1 Pro是其目前使用过的最出色的Coding模型之一，K3.1 Pro会主动探索代码库、理解项目指令，并在充分掌握上下文后才开始修改代码。输出清晰、有条理，执行过程透明，指令遵循能力尤其令人印象深刻。即使上下文超过600K tokens，也没有感受到明显的能力退化。

在另一项主打的3D创作与空间推理领域，K3.1 Pro也表现不俗。在BenchCAD 基准测试中，K3.1 Pro借助工具得分92.7%，接近Claude Opus 5.5的96.2%和GPT-6 Astra的 95.9%。

据悉，K3.1 Pro能熟练使用 Unity、Unreal Engine、Godot 等游戏引擎，并结合网络搜索与3D生成，做出完整的体验。也可以直接编写并运行 Blender、CAD 等专业建模工具的脚本，完成素材的构建与细化。与此同时，kimi.com和Kimi app已同步上线3D Make功能，支持在线预览和编辑3D模型，做好的模型可以直接下载去3D打印。

在金融领域，K3.1 Pro能够端到端交付完整的金融工作流，在考察基于真实金融文档进行复杂财务数据分析的基准测试OfficeQA Pro v2中得分64.4，取得了当前最优成绩(SoTA)，在衡量模型对完整投资工作流的支持能力的基准测试Frontier Finance中的表现也较K3进一步提升。在Financial Modeling、Financial Research、Business Operation三个内部基准测试上，K3.1 Pro的表现也全面超越了K3。其中，在模拟商业环境中考察长程经营管理与决策能力的Business Operation测试上，K3.1 Pro得分约为K3的4.2倍。

新模型发布日起，可通过kimi.com、Kimi App、Kimi Work、Kimi Code和Kimi API (platform.kimi.com)，使用K3.1 Pro和K3.1 Pro Highspeed模型。标准版价格为每百万Token输入1.3 元(命中缓存)和13元(未命中缓存)，输出68元。高速版模型K3.1 Pro Highspeed输出速度约2~3倍，价格为标准版2倍。

月之暗面表示，计划在11月4日前开放完整模型权重，允许外部开发者在自己的系统上运行和修改该模型。

新模型发布后，反响热烈。不过有部分订阅用户反馈，新模型上线后，在执行涉及多子智能体的任务时，出现了异常消耗和限流，任务尚未完成便已触达五小时滚动窗口的额度上限。

今日(10月26日)凌晨，Kimi智能助手发文回应新模型相关问题，对于近期Kimi会员使用K3.1 Pro时出现的限流及不必要的额度消耗致歉，并表示会为所有档位的订阅会员进行一次重置：所有有效期内的会员都将获得月度总额的25%作为补偿，相当于一周的用量。如果当前用量不足月度总额的25%，将重置为0。用量进度条会在今天结束前显示调整结果。同时调整配置，减少不必要的子Agent调用和输出长度，让同样的额度完成更多实际任务。

降低网络攻击能力

大模型在前沿智能的发展令人惊喜，但是各国政府、科技公司和安全研究人员日益担心，AI可能会使黑客攻击变得更容易，强大的前沿模型可以帮助用户发现程序漏洞，并自动化实施部分网络攻击。

今年以来，发生了不少前沿模型“越狱”事件，引发了各界对AI安全的担忧。今年7月，OpenAI的测试模型在安全评估中突破沙箱，自主入侵了开源AI平台Hugging Face以获取答案;差不多同一时间，Anthropic自查确认，Claude相关模型在测试中因配置原因曾接入真实互联网，未授权进入了机构生产系统;8月初，媒体引述美国网络安全研究机构Frontier Security的报告称，月之暗面旗下的Kimi K3模型成功从英国政府AI安全研究所的“沙盒”中“越狱”。业界纷纷呼吁对前沿模型建立更严苛的审查与隔离环境，部分模型厂商在推出新的前沿模型时也更关注AI安全管控。

K3.1 Pro在网络安全能力的管控是本次模型升级的一个亮点，模型发布博客文章在网络安全方面着墨颇多，这在同类文章中并不常见。在模型研发过程中，团队观察到，随着后训练规模提升，模型在漏洞研究相关能力上呈现持续增强的趋势。溯源分析显示，一部分网络攻防类内容混杂在中期训练的通用语料内，同时网络攻防相关内容也被纳入强化学习的环境集合中，若在中期训练和强化学习阶段均不移除相关数据，下游网络攻防能力将大幅增强。

月之暗面表示，在新模型训练过程中实施了关于安全能力的针对性控制，在准备发布K3.1 Pro开放权重版本时，从中期训练和两个训练阶段均识别并移除了网络攻防相关数据，同时保留了保障模型实用性所需的通用编程任务。

在其自研的xdev-bench-hard基准测试对K3.1 Pro测试显示，若中期训练和强化学习阶段均未对网络攻防相关数据进行移除或过滤，模型在pass@3指标上可解决90.5%的问题，而最终K3.1 Pro的得分则为81.0%。对比表明，数据移除有效降低了漏洞研究能力，官方表示，K3.1 Pro的网络攻防能力目前仍落后于已公开发布至少三个月的前沿闭源模型。

月之暗面在发布声明中阐述了开放权重发布背后的两项原则。首先，不发布那些推进网络攻防能力绝对前沿的开放权重。其次，计划逐步提升开放权重中可用的网络能力。并指出，开放权重模型可通过帮助更多组织检查和提升软件安全性，包括那些很少接受专门安全审查的遗留系统，以提升整体安全性，最终使得所有软件变得更加安全。

整体来看，国内外大模型的竞争，正逐步跳出单纯比拼参数规模的阶段。厂商在冲刺前沿智能能力的同时，也更加聚焦深耕细分场景、锚定产业落地。与此同时，安全前置管控也成为共识，K3.1 Pro在训练环节对高危能力做定向约束，正是这一趋势的体现。如何在开放创新与风险可控之间找到持续稳定的平衡，仍是行业探索的核心命题。