Kimi K3.1 Pro 放开权重：2.8 万亿参数坐上开源榜首，也引发路线分歧
要点
月之暗面在 10 月 24 日发布新一代开源模型 Kimi K3.1 Pro，并计划在 11 月 4 日前开放完整模型权重。这是 K3 系列的后训练版本，总参数 2.8 万亿、每 token 激活约 1040 亿，上下文窗口达到 100 万 token，同步推出的还有输出速度约…
月之暗面在 10 月 24 日发布新一代开源模型 Kimi K3.1 Pro，并计划在 11 月 4 日前开放完整模型权重。这是 K3 系列的后训练版本，总参数 2.8 万亿、每 token 激活约 1040 亿，上下文窗口达到 100 万 token，同步推出的还有输出速度约标准版 2 到 3 倍的高速版 K3.1 Pro Highspeed。按官方口径，它延续了 K3 的 MoE 架构与混合线性注意力设计，主要变化是把强化学习环节的计算量大幅加厚。
把评测数字摆出来，K3.1 Pro 在权威榜单上的位置确实靠前。在 Artificial Analysis 智能指数里，它排到全球第 4、位居开源模型之首，得分较上一代 K3 提升 11 分。在考察编程智能体的 Terminal-Bench 4.0 测试中，它拿到 65.7%，超过 GPT-6 Astra 的 58.2%，与 Claude Opus 5.5 的 66.4% 只差不到 1 个百分点；在 OfficeQA Pro v2 与 SpreadsheetBench 两项测评中分别得到 64.4 和 36.3 分，公司称均取得当前最优成绩。从能力定位看，月之暗面把重心从参数竞赛转向了长程任务闭环：模型可在真实代码库里修问题、从零搭项目，也能把文字或草图推断成可运行的 Blender、CAD 脚本，还能端到端做完金融研究的检索、核对与建模。
技术上的跳变，来自后训练阶段对算力的“加厚”。团队把强化学习扩展到数百个下游领域，并逐层重构了 RL 框架、长上下文推理、训练效率、沙箱基础设施与调度系统。这种做法的本质，是让每一步多余的推理都转化为稳定的任务通过率——模型更强，但也更贵。按照公开定价，其 API 价格约为 GPT-6 Astra 的五分之一，可一旦进入长程 Agent 场景，Token 消耗可达普通对话的十倍到百倍，账单与效用的错位，正是这类为“干活”而非“答题”调校的模型共同面对的张力。
值得单独拎出来的是安全与开源之间那道取舍。月之暗面在开放权重之前，主动从中期训练语料和强化学习环境里剔除了高端网络攻击、漏洞利用相关内容，把模型生成高危利用代码、构造攻击载荷的能力上限压了下去，同时保留通用编程能力。内部基准显示，未处理版本漏洞利用任务通过率 90.5%，调整后降到 81.0%。这一步在圈内引发了明显分歧。
另一方视角认为，主动裁剪模型原生攻击能力若形成行业先例，可能以安全名义损害开源模型的技术完整性；也有开发者指出，权重一旦放出，厂商就失去对模型的直接控制，第三方完全可以通过二次微调、补充攻防数据集，把被削弱的能力重新补回来，这类限制更多是抬高门槛而非根除风险。以太坊联合创始人 Vitalik Buterin 则明确支持这种做法，认为直接在模型侧做能力约束，优于靠 KYC 和身份审核去筛用户。两种判断的分野，恰好折射出开源前沿模型在“能力扩散”与“安全可控”之间的两难。
对国内开源生态而言，K3.1 Pro 的意义不只在跑分。它把“参数规模最大开源模型”的标签再一次钉在国产大模型身上，也把争论的焦点从“能不能下载”推到“谁部署得起、又该如何约束”。当开源权重真正流向云厂商和自部署企业，如何既让社区用起来、又不让能力越界，会是比榜单更长久的考题。
