11月5日，月之暗面（Moonshot AI）按照10月24日发布时给出的承诺，在Hugging Face平台开放了Kimi K3.1 Pro的模型权重。在Arena运营的Agent Arena智能体排行榜中，Kimi K3.1 Pro（Max）位列开放权重模型第一、全部参评模型第十三位，并在工作、编程与聊天三个类别中均居开放模型首位。
Agent Arena的评测方式与传统的成对盲测不同。该榜单不要求用户对两个回答投票，而是从真实用户的智能体会话中提取信号，包括用户对任务的明确确认、表扬与投诉、纠正指令以及Shell命令执行错误等，再通过Arena称为“因果追踪”的随机化推断方法估算各模型相对于平均水平的净改进率。Kimi K3.1 Pro此次排名基于全球用户超过1.75万次真实长周期智能体任务会话，净改进率为+5.1％，较上一代K3（Max）的+0.9％提升4.2个百分点。
分项指标呈现出更具体的改善幅度。衡量Shell命令执行可靠性的Bash Reliability从K3的-4.5％（第十三名）升至+7.9％，在开放模型中排名第一；反映用户满意度的Praise vs Complaint指标从+1.3％升至+7.7％；衡量模型根据用户反馈调整执行方向的Steerability指标达到+6.5％，同样居开放模型首位。用户明确确认任务完成的Confirmed Success为+3.9％，开放模型第四。
Kimi K3.1 Pro采用混合专家架构，总参数量2.8万亿，单次推理激活约1040亿参数，支持约100万Token上下文窗口。与K3相比，K3.1 Pro以K3为基座进行了大规模联合强化学习后训练，覆盖数百个下游领域，并将部分全注意力层替换为门控稀疏注意力层，以降低长上下文建模的开销。
值得注意的是，开源权重的“可下载”与“可本地运行”之间存在显著距离。2.8万亿参数以BF16精度存储的权重文件约5.6TB，即使采用INT4量化也仍需约1.4TB，单机消费级显卡基本不具备部署可能。这意味着该模型的开放权重更多面向具备大规模算力资源的机构用户与云服务商，而非个人开发者。
在终端智能体基准Terminal-Bench 4.0上，K3.1 Pro得分65.7％，高于GPT-6 Astra的58.2％，与Claude Opus 5.5的66.4％相差不到1个百分点。在Terminal-Bench-Science 0.1上得分为38.1％，低于Claude Fable 5.1的40.0％与GPT-6 Astra的68.1％。编程类基准SWE Marathon v1.1得分为51.7％，高于Claude Fable 5.1的45.6％和Claude Opus 5.5的46.3％。在带工具的BenchCAD评测中，K3.1 Pro得分为92.7％，与Claude Opus 5.5的96.2％和GPT-6 Astra的95.9％处于同一区间。
智能体与办公类基准方面，BrowseComp得分为92.1％，略高于GPT-6 Astra的91.5％；Agents’ Last Exam（ALL）得分为43.2％，高于Claude Opus 5.5的42.6％；Automation Bench-AA得分为73.3％，领先Claude Opus 5.5的69.5％与GPT-6 Astra的68.5％。OfficeQA Pro v2得分为64.4％，高于Claude Fable 5.1的54.5％和Claude Opus 5.5的62.2％。GDPval-AA v2.1的Elo得分为1846，高于Claude Opus 5.5的1866以外的多数参评模型。
从行业视角看，Kimi K3.1 Pro的开放权重延续了国内大模型厂商以开源策略切入智能体市场的路径。Agent Arena以真实会话信号替代人工盲测的评测方法，也为模型能力评估提供了更贴近生产环境的参照。不过，超大规模参数带来的部署门槛，使得开放权重在实际落地层面仍集中于云端推理场景，模型能力的普惠化与算力成本之间的矛盾并未因权重开放而消解。
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。
