K3.1 Pro发布不到48小时，月之暗面即发布公告，就模型存在的限速与额度无故虚耗问题向用户致歉，并宣布自10月26日起向所有档位订阅用户返还月度总额的25％。公司同时调整了产品运行参数，削减不必要的子Agent调用、压缩冗余输出长度，以提升额度耐用性。调整后，K3.1 Pro”烧额度”的情况有所缓解。
K3.1 Pro于本周早些时候发布，官方性能数据显示其超越OpenAI现有全部模型，仅落后于Opus 5.5。第三方评测机构ModelCompare据此发文称，中美AI模型差距已从3至4个月缩减至31天。然而发布两天内，该模型在社区的评价即从”特别好评”回落至”多半好评”，争议集中于额度消耗速度。
多位订阅用户在社区反馈，K3.1 Pro的额度消耗远超预期。有199元档位用户表示，仅发出一条审查项目架构的指令，模型即拉起5个子Agent，十几分钟后5小时额度窗口即告用尽。另有用户称在WorkBuddy中使用该模型，一个简单任务尚未跑完即消耗超过450积分，而WorkBuddy 99元标准版月额度总计4000积分。据用户测算，K3.1 Pro当前积分消耗倍率为0.97。
第三方评测机构Artificial Analysis的测试数据揭示了额度消耗的结构性原因。在完整运行Intelligence Index测试集时，K3.1 Pro需输出约1.5亿个token，同价位模型中位数为8700万，GPT-6.1 Sol约为6700万，GPT-6 Astra约为6000万。按OrcaRouter换算，同等任务下K3.1 Pro的输出量约为Astra的2.5倍。此外，该模型输出速度约为每秒70至80个token，低于同类中位数，且仅支持思考模式，关闭思考的请求会被直接拒绝，每次调用均需为推理付费。
成本层面，K3.1 Pro较K3降价30％，但Artificial Analysis测试显示其单次任务平均花费为2.11美元，GPT-6 Astra为3.26美元。尽管K3.1 Pro的token单价仅为Astra的五分之一，实际单次任务成本仅节省约35％。月之暗面推出的Highspeed版本仅加快模型输出，工具调用与脚本执行耗时不受影响，在工具调用占比较高的任务中整体提速有限。
额度消耗与模型训练策略相关。月之暗面创始人杨植麟此前表示，模型实现更长输出需要在全过程中保持严谨，反复检查、修改与自我修正。K3系列官方技术文档亦提及模型存在过度谨慎、反复自我审视的特征。Fireworks AI研究博客曾指出，移除K3的反复检查过程对模型性能几乎没有影响。K3.1 Pro官方技术报告记录了一个案例：在模拟人学习行走的任务中，模型发现手臂动作不理想后回头检查模拟器，修正了36处肩部肌肉力臂计算错误，再重新训练。这种对任务与环境的双重严谨提升了模型表现，也直接推高了输出长度与token消耗。
与月之暗面的路径形成对照的是DeepSeek。在K3.1 Pro发布前一周，DeepSeek发布V4.1 Flash-1017，策略为不追求性能上限，而是同步优化性能、速度与输出长度，价格保持不变。DeepSeek将此次迭代称为”帕累托改进”，即至少一个方面变好而没有任何方面变差。据DEV社区测试，V4.1 Flash-1017相较前代输出更短、任务完成更快，单任务成本反而下降。其Causal Encoder-Decoder架构总参数552B，prefill仅激活8B、decode仅激活16B，KV缓存压缩至每token 890字节，显存占用降至上代四分之一。该模型自发布至今在社区维持较高评价。
两家公司的产品哲学差异在Agent定位上亦有体现。DeepSeek创始人梁文锋曾表示，投资人当前看到最多的是Agent，但研究视角下更重要的是学习以及如何解决学习问题，Agent只是AGI的一环而非全部。杨植麟则在此前访谈中提出”缸中之脑”理论，探讨纯推理模型与Agent的关系。对月之暗面而言，K3.1 Pro的性能突破已获验证，但如何在智能水平、token效率与订阅定价之间取得平衡，仍是其商业化路径上待解的课题。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
