Kimi K3.1 Pro 建在 7 月发布的 K3 之后，通过后训练提升代码、3D 创作、金融、幻觉控制和网络安全能力。本文中的分数主要来自模型方公布的 Benchmark，个人案例只代表特定提示词和工具链下的结果，选型还得用自己的仓库复验。

Kimi K3.1 Pro 建立在 7 月发布的 K3 之后，通过后训练提升代码、3D 创作、金融、幻觉控制和网络安全相关能力。最吸引开发者的并不是“又多了一个旗舰模型”，而是它把代码 Agent、专业文档分析和可交付的创作结果放进同一条能力链路：能在终端任务里执行、能读跨文档数据、也能通过脚本驱动 Blender 和 CAD 等工具。

本文中的分数主要来自模型方公布的 Benchmark，个人案例只代表特定提示词、特定样例和特定工具链下的结果。选模型时，应把官方成绩当作候选信号，再用自己的仓库、业务文档和交付标准做复验。

代码：Terminal Bench 分数之外，还要看单位任务成本

Kimi K3.1 Pro 在 Terminal Bench 4.0 上的分数为 65.7。这个基准关注模型在终端环境中完成真实软件工程任务的能力，例如理解仓库、修改文件、运行命令、调试问题和验证结果。按照公布的对比，它在该项任务上超过 GPT-6 Astra，但仍低于 Opus 5.5。

单个跑分很难覆盖所有编码场景。Terminal Bench 更接近具有工具调用的完整工程任务，而前端视觉还原、跨仓库重构、测试修复、基础设施排障和代码审查，分别会对上下文、工具选择、规划与验证能力提出不同要求。

这次更新还强调了单位任务成本。低价并不等于低账单，真正影响使用成本的是：完成一个任务需要多少输入输出 Token、调用多少轮工具、是否反复重试、子 Agent 是否过度展开，以及失败后是否需要人工返工。

建议团队对模型建立自己的任务账本：

只有把这些指标放在一起，才能判断模型是真的更高效，还是只是把计算成本从某个环节挪到了另一个环节。

3D 建模：从生成回答到编写专业工具脚本

Kimi K3.1 Pro 在 3D 创作和空间推理上强化明显。Bench CAD 的工具使用条件下得分为 92.7，低于 GPT-6 Astra 的 95.9 和 Opus 5.5 的 96.2，但已是开源模型中的高分表现。

重点不在于模型是否“会画 3D”，而是它可以编写 Blender、CAD 等专业工具的脚本，操控布局、材质和几何元素。这样的工作流比直接输出一段描述更接近真实生产：模型生成或修改脚本，工具执行脚本，用户在建模软件中检查结果，再把错误和改动要求反馈给模型。

3D Make 已在 Kimi 官网和 App 中上线，提供在线预览、编辑、模型下载、3D 打印和视频或 Live Photo 导出。对于真正要交付的资产，还应该额外检查：网格面数、材质贴图、单位与尺度、法线、打印可行性、导出格式和授权来源。一个视觉上可看的模型，不必然是可编辑、可打印或可进入游戏引擎的资产。

金融文档分析：能力强弱，取决于证据链是否完整

OfficeQA Pro v2 考察真实金融文档中的复杂数据分析，需要检索、跨文档核对和多步数值推理。Kimi K3.1 Pro 在该基准上为 64.4 分。Frontier Finance 覆盖从标的筛选到盈利分析等完整投资工作流，K3.1 Pro 得分 58.6，较前一版本提升明显。

对金融工作流来说，模型分数并不能替代可审计性。一个可靠的分析结果应该能回到原始文档：每个数字来自哪份材料、对应哪个期间、使用什么口径、经过什么计算、哪些地方是模型假设。若模型只给出一段流畅结论，却无法展示来源和公式，即使推理看起来合理，也不适合作为最终决策依据。

可以用以下结构要求模型输出：

事实：原文档中的字段、页码、时间与数值 计算：公式、单位、汇率、四舍五入规则 假设：情景参数与未确认条件 结论：在当前证据和假设下成立的判断 风险：缺失数据、口径冲突、需要人工复核项

幻觉率下降，仍不等于可以取消复核

在内部压力测试 Kimi Hallu Bench Hard 中，K3.1 Pro 的错误率从上一代的 23.4% 降至 8.3%。这是一个积极信号，但它属于模型方的内部基准，不能直接外推到所有行业、语言、提示词和工具调用场景。

模型更少编造，不代表它更擅长发现自己不知道什么。高风险场景仍要保留来源引用、检索范围、置信标记、反例检查和人工审批。工程团队应该用自己的文档和历史错误建立 Eval 集，而不是把某个整体幻觉率当作上线许可。

网络安全：能力评测必须和使用边界一起看

Kimi K3.1 Pro 的网络安全能力在自建 Benchmark 中得分 81。模型方同时说明，其网络攻防能力仍落后于已经公开至少三个月的前沿闭源模型。

对安全团队而言，模型可以用于漏洞说明归类、日志初筛、代码审查辅助和防御规则草案，但必须在隔离环境中运行，不能默认拥有生产密钥、外网扫描权限或自动执行能力。评测越高，越需要清晰的工具权限和日志审计，避免把能力提升直接转换成更大的操作风险。

价格与接入：要把模型单价换算成任务预算

Kimi K3.1 Pro 可在 Kimi 官网、Kimi Code 和 Kimi Work 使用。API 定价为每百万 Token 输入 13 元（未命中缓存）、1.3 元（命中缓存），输出 68 元。高速版本的输出速度约为标准版本的 2 至 3 倍，价格为标准版本的 2 倍。

定价本身只是预算模型的一个变量。输出 Token 往往比输入更贵，长链路 Agent 还会受到工具调用、重试和上下文重复注入的影响。实际接入时，可以给不同任务设置不同策略：

• 高并发检索或分类任务优先压缩输出与上下文；
• 代码修复任务限制最大工具轮数并要求测试通过；
• 财务和文档分析任务保留来源与中间计算；
• 3D 或前端生成任务将生成、运行、截图和修复分成独立步骤。

模型升级后，先跑一组稳定的基准任务，再决定是否扩大流量。不要把“输入更便宜”当作“复杂 Agent 更便宜”，也不要把“跑分更高”当作“业务事故更少”。

几个创作案例，应该怎样正确解读

个人体验中，Kimi K3.1 Pro 被用于生成老式新闻播报风格视频、按参考图用 SVG 复刻小米 SU7、用 p5.brush.js 画鱼，以及制作上海风景体素艺术。这些案例能观察模型对代码创作、视觉还原和迭代修改的能力，但每个案例都高度依赖提示词、参考图、运行环境和人工筛选。

做同类评测时，建议固定参考素材、要求清单、时间预算和验收标准。对 SVG 看还原精度、结构语义与响应式行为；对绘图看画面结构、细节和审美；对视频看脚本、素材、音画同步与导出结果；对 3D 则要检查几何、材质、格式和可编辑性。只有统一约束，横向比较才有意义。

常见问题

Kimi K3.1 Pro 是否已经全面超过 GPT-6 Astra？

不能这样概括。它在 Terminal Bench 4.0 等具体基准上有优势，但不同模型在代码、视觉、金融、工具调用和安全任务中的表现不同，应结合任务类型和可复现实测判断。

Bench CAD 的高分代表可以直接用于生产建模吗？

不代表。高分说明在该评测条件下具备较强工具使用能力，生产场景仍需检查单位、网格、材质、导出格式、许可证和人工验收要求。

幻觉率从 23.4% 降到 8.3% 后，还需要人工复核吗？

需要。这是内部压力测试结果，且错误率不等于所有场景的真实风险。涉及财务、合规、安全和生产变更时，来源、计算和结论都要可复查。

API 怎么估算实际费用？

除了输入和输出 Token 价格，还要统计缓存命中、工具调用、重试、上下文长度和任务成功率。最可靠的方法是先对自己的典型任务小规模压测。

如何把 Kimi K3.1 Pro 接入 AI 编程工作流？

可以先在 Kimi Code 或 API 中针对固定仓库任务做验证，限制可执行命令和最大轮次，并要求生成 Diff、测试结果和回滚说明。模型能力越强，越需要把权限和验收边界设置得明确。