Kimi K3.1 Pro 发布：Terminal-Bench 反超 GPT-6 Astra，权重 11 月 4 日见

Sat, 24 Oct 2026 13:20:00 +0800

10 月 24 日，Moonshot 正式发布 Kimi K3.1 系列的前两个模型：K3.1 Pro 和 K3.1 Pro Highspeed。API 已经上线，Pro 是多模态推理模型，带 1M token 的上下文窗口（context window，即模型一次能读进来的文本长度）；Highspeed 是配套的提速版，面向对延迟敏感的场景。官方明确承诺：完整模型权重（open weights，指把模型参数文件放出来供人自行部署）将在 11 月 4 日前放出。

先把信息来源说清楚：发布事实以 Kimi 官方博客和 Simon Willison 的笔记为准；Terminal-Bench 4.0 的分数目前主要见于 AI Weekly 等媒体的援引，写作时我尽量标了口径，最终以官方博客更新为准。社区侦察的部分来自 Twitter 截图，可信度参差，下文会逐条说。

这次发了什么

K3.1 Pro 的定位是 K3 的后训练升级版，官方说法是「最能打的 3T 级开放权重模型」，主打 coding agent（编程智能体）和 agentic（智能体化）场景。Kimi 官网给的使用场景写得挺直白：复杂编程项目、3D 建模、金融研究。1M 上下文这个数字不算新，K3 就有，但配合新的 thinking effort 分级，同一句话给模型「想多久」的空间就不一样了，这个后面说到侦察链再展开。

同发的 Highspeed 值得单独一提，官方口径是速度做到 Pro 的 2-3 倍。旗舰配提速版的打法，DeepSeek 用过（V4.1-Flash），OpenAI 和 Anthropic 也在各自产品线上实践过。道理不复杂：代理场景里大部分调用不需要满血推理，延迟和价格敏感的任务走高速版，难任务才上 Pro。双版本分线这件事，今年基本成了默认配置。

Terminal-Bench 4.0：换了个考场

按 AI Weekly 援引的官方口径，K3.1 Pro 在 Terminal-Bench 4.0 上拿到 65.7%，GPT-6 Astra 是 58.2%，差了 7 个多点。不过第一名仍然是 Claude Opus 5.5 的 66.4%，K3.1 Pro 咬得很近但没过线。顺带一提，官方脚注里写着这项评测用的是 Claude-Code harness 跑的——拿竞争对手的架子测自家模型，这个细节挺诚实。

这个数字该怎么看，我觉得考场比分数重要。SWE-bench 这类基准（benchmark，即标准化测试集）的问题这几年被翻来覆去讲：题目见过太多次，刷分空间越来越大。Terminal-Bench 考的是另一件事：给模型一个真实的终端环境，让它装依赖、跑命令、调环境变量、修到测试通过为止。这更接近 coding agent 日常工作里最繁琐的那部分，也更难靠背题拿分。

当然，7 个点的领先放在单一基准上说明不了全部。SWE-bench Pro 上各家互有胜负，不同 harness（支架，指包裹模型的工具链和执行环境）跑出来的名次都可能翻盘。但至少说明一件事：在「真终端干活」这个赛道上，第一梯队不再只属于闭源头部。这是 K3 以来 Moonshot 一直想证明的事，这次算是又往前挪了一步。

复盘：一场提前一周开演的发布会

这次发布最有意思的部分，其实发生在官宣之前整整一周。

10 月 20 日前后，Twitter 上的模型侦察账号（@AiBattle_、@aitrackerbot 等）陆续发现：一个 SGLang 的 pull request 在提交 7 分钟内被关闭，但测试数据已经被人截走，里面显示 DeepInfra 在 10 月 18 日就部署了一个运行中的 Kimi-K3.1 实例；配置里还有 thinking effort（思考力度）分级，泄露截图的版本对不上，一说从 none 到 max 有七档，一说四档默认 max；图片输入支持倒是各方说法一致。

换句话说，基础设施先泄了题，社区侦察账号接棒放大，悬念攒了整整一周，等官方官宣的时候，只需要补上分数和日期。对 Moonshot 来说这一周是免费的预热期，各路博主把「K3.1 要来了」讲了一遍又一遍。中文圈的推法更直接：「Kimi K3.1 和 GLM-5.5，两大国产模型蓄势待发，就看谁先扔王炸」——智谱 GLM-5.5 也在路上，这种对决叙事对国产模型是最好的话题。

要说清楚的是，侦察链里的细节（DeepInfra 部署时间、七档还是四档）都来自推特截图，官方从未确认。当八卦看可以，当事实引用要小心。

倒计时开源：把承诺做成节拍器

11 月 4 日这个日期，才是这次发布里我最在意的部分。

去年说到国产模型开源，语境还停留在「放个权重证明我开放」。现在 Moonshot 把它变成了一个精确到日的倒计时：API 先上，收第一批真实用户和反馈；权重后放，让社区有时间准备评测和部署；中间十天，媒体的每一篇报道都会替它把「11 月 4 日」重复一遍。Simon Willison 在笔记里也专门记了这句承诺。他的读者里有多少人会为此设个日历提醒，不好说，但传播已经完成了。

对比另一边的闭源头部：模型发布即孤岛，API 之外你什么都拿不到，基准分数只能听厂商自己讲。开源倒计时把「信不信」的问题换成了「等不等」——等得起，因为日期是确定的。开源在 2026 年的这个用法，与其说是姿态，不如说是发布节奏的一部分，顺手还当了营销工具。

有人会觉得这对「真开源」是一种消解。我倒觉得无所谓，权重真放出来的那一刻，社区拿到的实际价值不会因为动机打折扣。倒计时机制反而给了外部一个验收节点：到时候放没放、放的是不是完整权重、评测跑出来和 API 版本差多少，全都有据可查。承诺越具体，越赖不掉。

现在该不该切过去

给个实操建议。

如果你的工作流重度依赖 coding agent（Claude Code、Codex 这类），K3.1 Pro 值得测，但建议等两天再动手：一是 11 月 4 日权重放出后，本地部署版本和 API 版本的表现差异会有社区实测数据，比现在单看官方口径可靠；二是各家第三方托管（OpenRouter 等）的价格和稳定性也需要几天沉淀。已经有 1M 上下文长文档分析、图片输入这类明确需求的，可以直接开个 API 试。

反过来说，主力链路已经稳定跑在 Claude Code 或 Codex 上的，没必要为了 7 个点的终端基准迁移。基准领先和日常顺手之间隔着工具链成熟度、上下文记忆、hooks 生态这些东西，迁移成本比多数人想的高。我倾向于认为，K3.1 Pro 真正的考验不在今天的榜单，11 月 4 日之后才是：当所有人都能在本地跑它、拿它换着 harness 测的时候，分数还剩多少。

写在最后

把这篇里的几个概念收拢一下，因为它们其实是一套东西。

侦察链在发布前：基础设施的部署痕迹先于公告暴露，社区账号完成放大，厂家顺势收下预热。倒计时开源在发布后：API 先收真实使用，权重按确定日期放出，把「信不信」变成「等不等」。而 Terminal-Bench 这类代理基准站在最后，负责裁决——侦察链制造的预期，倒计时发出的邀请，最后都要拿到基准和实测面前对账。

所以与其把这次发布看成「又一个模型放榜」，不如看成一次发布方式的演示：把一次性官宣拆成一段可以被公众持续检验的时间线。分数今天领先不代表什么，权重放出之后经不经得起第三方复测，才是 K3.1 Pro 真正的考试。

11 月 4 日见。

参考来源

Introducing Kimi K3.1 Pro - Kimi 官方博客
Introducing Kimi K3.1 Pro - Simon Willison
Moonshot releases Kimi K3.1 Pro and says it cut its … - TNW
Moonshot AI Releases Kimi K3.1 Pro, First Model in New K3.1 Series - Unite.ai
Kimi K3 - OpenRouter 模型页
AI News Today, October 24 - AI Weekly（Terminal-Bench 4.0 分数援引出处）
Twitter 社区侦察线索：@AiBattle_、@aitrackerbot（2026-10-20 前后推文，未获官方确认）

以上来源用于核实发布口径与社区反馈，其中基准测试分数以官方博客更新为准，社区侦察细节不等同于经过验证的事实。

Moonshot on 奇诺分享 | 重在分享