Kimi K3.1 Pro

是什么

Kimi K3.1 Pro 是月之暗面（Moonshot AI）在 2026 年 10 月发布的大语言模型，官方把它定位为一次面向金融研究、3D 建模与编程的升级 ^[1][2]。它是 K3.1 系列的第一个模型，权重以开放形式发布，采用自定义的 Kimi K3.1 Pro License ^[3]。

怎么做的

Kimi K3.1 Pro 由 Kimi K3 后训练（post-training）而来，用的是大规模联合强化学习 ^[3]。后训练指模型在完成大规模文本学习之后的那一段调整：把模型往特定行为上推，比如听懂指令、调用工具、把一个问题一步步拆开做。强化学习是其中一种办法——模型给出若干次尝试，尝试被打分，训练过程让得分高的做法以后更容易出现。「联合」指的是把多类任务放在一起训练，而不是一类一类分开练。

规模与结构

模型的规模与 Kimi K3 保持一致：总参数 2.8 万亿，每次激活 1040 亿，共 896 个专家，每个词元选中 16 个专家、另有 2 个共享专家 ^[3]。这是典型的混合专家（mixture of experts）结构：并非每个词元都过一遍全部参数，而是先由一个路由环节挑出一小部分专门化的子网络，因此总参数量可以做得很大，而每个词元的计算量仍接近一个小得多的模型。

它还保留了 100 万词元的上下文窗口和 MoonViT-V2 视觉编码器，后者让模型能够读入图像而不只是文字 ^[3]。

结构上最主要的改动在注意力（attention）部分——Transformer 里让每个词元去「看」其他词元的机制。Kimi K3 用的是全注意力的 Gated MLA 层，K3.1 Pro 把它换成了 Gated DeepSeek Sparse Attention（Gated DSA）层，最终是 69 层 KDA 加 24 层 Gated DSA ^[3]。稀疏注意力指一个词元只对选定的部分词元做注意力，而不是对全部词元；这样输入变长时，开销不会像全注意力那样迅速上涨，对一个以超长上下文为卖点的模型来说，这一点正好对应得上。

公布的成绩

公开的分数均为月之暗面自行报告。BrowseComp 为 92.1，带工具的 HLE-Full 为 70.0，GPQA-Diamond 为 94.2，OSWorld V2.1 为 79.6，DeepSWE v1.1 为 75.5 ^[3]。月之暗面另外报告了 Terminal-Bench 4.0 的 65.7、SWE Marathon v1.1 的 51.7，以及配 Python 时的 MMMU-Pro 90.0 ^[3]。在 GDPval-AA v2.1 上报告的数字是 Elo 1846 ^[3]。模型卡给出的上下文窗口为 1,048,576 个词元 ^[3]。

怎么用

Kimi K3.1 Pro 通过 Kimi API 提供，模型名为 kimi-k3.1-pro，接口兼容 OpenAI 与 Anthropic 两种格式，已有客户端代码改动不大就能指过来 ^[3]。它还提供推理强度（reasoning effort）设置，分 low、high、max 三档，用来在速度与回答前投入多少内部计算之间做取舍 ^[3]。模型卡指引用户到 platform.kimi.ai 选择 kimi-k3.1-pro ^[3]。

处在什么位置

从参数规模、上下文长度和视觉编码器看，K3.1 Pro 是 K3 的一次迭代而不是新一代：规模没变，变的是后训练和注意力层的组合方式 ^[3]。以自定义许可开放权重，意味着它既能通过 API 调用，也能直接下载使用；而官方点明的金融研究、3D 建模与编程这几个方向，把它放在「做长时间、重工具的专业工作」这一类通用模型里，而不只是聊天 ^[1][2][3]。