月之暗面发布开源权重模型 Kimi K3.1 Pro

📰  技术博客 |     🚀  API 快速入门

1. 模型简介

Kimi K3.1 Pro 是一个开放权重的原生多模态智能体模型，也是我们迄今为止能力最强的 3T 级模型。它基于 Kimi K3 进行后训练，在数百个下游领域开展了大规模联合强化学习，是 K3.1 系列的首个模型。凭借 100 万 token 的上下文窗口，Kimi K3.1 Pro 在编程、3D 创作、金融研究、事实准确性以及其他智能体能力方面均有显著提升。

2. 模型概要

^* 与 Kimi K3 相比，我们将全注意力的 Gated MLA 层替换为 Gated DeepSeek 稀疏注意力（Gated DSA）层，以实现更高效的长上下文建模。

3. 评测结果

除非另有说明，所有 Kimi K3.1 Pro 结果均使用推理强度 max、temperature = 1.0 和 top-p = 0.95。短横线（—）表示源表中未报告分数。除基准名称明确标注 lower is better 外，分数越高越好；Elo 分数及其他基准特定指标无法与准确率或通过率分数直接比较。

评测脚注

编程基准

1. Terminal-Bench 4.0。Kimi K3.1 Pro 使用 Claude Code 框架进行评测。DeepSeek-V4.1-Flash-1017 的分数取自其发布博客。其余所有分数均为模型博客文章或官方 Terminal-Bench 排行榜中报告的最高值。
2. Terminal-Bench-Science 0.1。Kimi K3.1 Pro 使用 Claude Code 进行评测。DeepSeek-V4.1-Flash-1017 的内部评测结果为 9.3；表中改为报告官方排行榜上较旧的 DeepSeek-V4.1-Flash 的 15.7。其余所有分数均来自 Terminal-Bench-Science 排行榜。
3. SWE-Marathon v1.1。Kimi K3.1 Pro 和 DeepSeek-V4.1-Flash-1017 使用 Claude Code 进行评测。其他分数来自官方排行榜。
4. ProgramBench。表中报告的是二值分数：若某任务的 ProgramBench 分数至少为 95%，则该任务得 1 分，否则得 0 分。K3.1 Pro 使用 Claude Code 进行评测。DeepSeek 和 GLM 的分数取自DeepSeek 发布博客；其余分数来自 Vals AI。
5. DeepSWE v1.1。K3.1 Pro 使用 Claude Code 进行评测。其他分数来自 GPT-6 Astra、Claude Opus 5.5、Claude Fable 5.1、DeepSeek-V4.1-Flash-1017 和 GLM-5.3 各自的技术报告。
6. PostTrainBench。K3.1 Pro 和 DeepSeek-V4.1-Flash-1017 在 v1.2 上使用 Claude Code 和 H20 GPU（而非 H100 GPU）进行内部评测。为保证评测稳定，所有评判模型均使用最大努力设置的 DeepSeek-V4.1-Flash-1017，该设置在测试中与官方 GPT-5.6-Terra (xhigh) 评判模型最为匹配。其他分数来自官方排行榜。
7. Kimi Code Bench 2.0 和 Kimi Code Bench 3.0 Long-horizon。这些是内部基准。K3.1 Pro 使用 Claude Code 进行评测；所有其他模型均使用其最大努力设置。专有模型的测试可能涉及回退行为。
8. BenchCAD。开放模型在从 17,900 个案例的 Vision2Code 数据集中随机抽取的 1,000 个案例子集上以最大推理努力进行评测。带工具的结果使用 Claude Code；不带工具的结果使用官方提示词和评分进行单次生成。Claude 的分数来自 Opus 5.5 System Card，GPT-6 Astra 的带工具分数来自其官方报告。GPT-6 Astra 没有报告不带工具的分数。

智能体基准

1. BioMysteryBench。使用官方 v11 版本，以 Kimi K3 作为评判模型。K3.1 Pro 使用 Kimi Code；GLM-5.3 和 DeepSeek-V4.1-Flash-1017 使用 Claude Code；GPT-6 Astra 使用 Codex。Claude 的分数来自官方系统卡。
2. Agents' Last Exam。使用官方 v1.1 版本，包含 122 个任务，其中 86 个为 CLI 任务。绕过既定要求的运行结果记为零分。DeepSeek 和 Kimi 分别使用 Claude Code 和 Kimi Code 进行评测；其他结果来自官方基准网站。
3. OfficeQA Pro 与 OfficeQA Pro v2。GPT-6 Astra 使用 Codex；其他模型使用 Claude Code。每个任务以页面图像形式提供完整的 PDF 语料，不含机器可读文本。在线检索参考答案的外部模型轨迹在这些任务上得零分。
4. Frontier Finance。使用官方 Finance Agent v2 测试框架进行评估。
5. HANDBOOK.md。使用官方基于 OpenHands 的测试框架进行评估，任务取自该基准早期开源的 v1 版本。
6. Harvey Legal Agent。使用 Artificial Analysis 的 Stirrup 测试框架在 1,251 个公开任务上评估。报告分数为全通过率：即通过每一条评分标准细则的任务百分比。
7. OSWorld V2.1。Kimi 模型在官方 OSWorld v2 仓库中使用 Kimi Agent 测试框架。GPT-6 Astra 的分数取自 Muse Wonder 的技术报告。
8. DECK-Arena 与 Design Bench。DECK-Arena 在真实世界查询上评估演示文稿生成；Design Bench 通过直接提示和参考图像少样本提示覆盖平面设计。两者均在集成搜索与图像生成的测试框架中评估 python-pptx、pptxjs 和 Kimi 自研 DSL。自动评分器基于超过 10,000 条人工判断进行校准。
9. BrowseComp。使用在 200K token 时触发的上下文压缩，最多 500 步。若达到上限，智能体在评判前被强制作答。所有运行均使用 temperature = 1.0 和 top-p = 1.0。
10. GDPval-AA v2.1、AA-Briefcase v1.1 与 AutomationBench-AA。分数引自 Artificial Analysis。APEX-Agents。分数引自官方排行榜。
11. 工具增强的多模态评估。GDP.pdf w/ python、ZeroBench w/ python 和 ChartoGraphy w/ python 取五次运行的平均值；其他带 Python 的多模态基准取四次运行的平均值。对于 GDP.pdf w/ python，每个原始 PDF 被发送到沙箱进行 IPython 处理。回答使用 Gemini-3.5-Flash 在中等推理强度下并采用官方评判提示，针对每条评分标准细则进行评分。报告分数为任务宏平均评分标准通过率。

推理、知识与多模态基准

1. GDP.pdf。每个 PDF 以页面图像形式提供，最长边缩放至 1,152 像素，并按页面顺序与 Docling 提取的文本交错排列。回答使用 Gemini-3.5-Flash Medium 和官方评判提示，针对每条评分标准细则进行评分。表中报告的是完全评分回答中的严格通过率。GLM-5.3 Max 和 DeepSeek-V4.1-Flash-1017 Max 的分数引自 Artificial Analysis。
2. HLE-Full 与 HLE-Diamond。完整评估集分别包含 2,500 和 1,000 道题。对于标记为 * 的分数，准确率报告于纯文本子集。
3. 运行次数。GDP.pdf、ZeroBench 和 ChartoGraphy 取五次运行的平均值；其他多模态基准取四次运行的平均值。
4. MMMU-Pro。使用官方协议评估，保留原始输入顺序并将图像置于文本输入之前。
5. PerceptionBench。一个专注于原子级视觉感知能力的内部基准。
6. Kimi 幻觉基准。 在内部一组取自实际工作任务、经过脱敏处理的挑战性提示上评估事实准确性。表中报告的是由事实核查代理评估的声明级幻觉率。

网络安全基准

1. ExploitBench。 K3.1 Pro 在 300 轮预算下使用官方测试框架进行评估。表中报告的是 pass@5 最大能力得分：对于每个环境，从五个随机种子中取最佳结果，按达到的 16 项能力标志计分；任意代码执行计为全部 16 项能力。对比得分来自 OpenAI、Anthropic 和 GLM-5.3。
2. ExploitGym。 K3.1 Pro 使用 Kimi Code 进行评估，每个任务的挂钟时间预算为六小时。GPT-6 Astra、Claude 和 GLM 的对比得分取自各自的官方报告，其中 Claude 的结果使用相同的六小时预算。
3. xdev-bench-hard。 K3.1 Pro 使用 Kimi Code 进行评估；GLM-5.3 和 DeepSeek-V4.1-Flash-1017 使用 Claude Code。该内部基准包含由专家策划、基于源代码的漏洞发现与利用任务。最终模型在随机抽取的部分运行上以 pass@3 进行评估，不设硬性超时或输出 token 限制。

4. 部署与可用性

你可以通过选择 kimi-k3.1-pro 在 https://platform.kimi.ai 上访问 Kimi K3.1 Pro 的 API，我们还为你提供兼容 OpenAI/Anthropic 的 API。 目前，建议在以下推理引擎上运行 Kimi K3.1 Pro：

• vLLM — 参见 recipes
• SGLang — 参见 cookbook
• TokenSpeed — 参见 recipes

5. 模型使用

Kimi K3.1 Pro 的思考强度通过顶层 reasoning_effort 请求字段配置，该字段支持 "low"、"high" 和 "max"（默认 "max"）。

对于多轮对话和工具调用，Kimi K3.1 Pro 要求将 API 返回的完整 assistant 消息原样传回 messages——包括 reasoning_content 和 tool_calls，而不仅仅是 content：

import openai

def chat_with_preserved_thinking(client: openai.OpenAI, model_name: str):
    messages = [
        {
            "role": "user",
            "content": "Tell me three random numbers."
        },
        {
            "role": "assistant",
            "reasoning_content": "I'll start by listing five numbers: 473, 921, 235, 215, 222, and I'll tell you the first three.",
            "content": "473, 921, 235"
        },
        {
            "role": "user",
            "content": "What are the other two numbers you have in mind?"
        }
    ]

    response = client.chat.completions.create(
        model=model_name,
        messages=messages,
        stream=False,
        max_tokens=4096,
        reasoning_effort="max",
    )
    # the assistant should mention 215 and 222 that appear in the prior reasoning content
    print(f"response: {response.choices[0].message.reasoning}")
    return response.choices[0].message.content

完整指南和示例（视觉输入、结构化输出、部分模式、工具选择、动态工具加载、上下文缓存），请参见 Kimi K3.1 Pro 快速入门 和 思考强度。

6. 许可证

Kimi K3.1 Pro 依据 Kimi K3.1 Pro 许可证 发布。

7. 联系我们

如有任何问题，请通过 support@moonshot.ai 联系我们。

上个月下载量

797

Safetensors

moonshotai/Kimi-K3.1-Pro 的模型树