差 0.7 个百分点，价钱只剩五分之一：Kimi K3.1 Pro 之后，选型这道题得重算

10 月 24 日凌晨，月之暗面（Moonshot AI）发布 Kimi K3.1 Pro。参数规模 3 万亿级，上下文窗口 100 万词元，是今年 7 月发布的 Kimi K3（2.8 万亿）的后训练版本。按官方口径，它继续是全球参数规模最大的开源模型。

「后训练版本」这四个字容易被读轻。它不是从头再预训练一遍，而是在 K3 的基础上大幅加算力做强化学习——按官方说法，新增算力几乎全部投在强化学习环节，让模型在数百个下游领域反复训练。

为了让这些算力真正变成能力，团队把技术栈从头到尾改了一遍：强化学习框架、长上下文推理、训练效率、沙箱基础设施、调度系统，以及一个专门用于环境质量检查的共享平台。这份清单比参数更值得看——它说明瓶颈不在「喂多少数据」，而在「能不能批量造出高质量的训练环境」。

一个直观的类比：过去训练模型像请一位读遍全世界的老师，现在更像给这位老师配一间可以反复练习的车间。车间里得有工具、有材料、有验收标准，还得有足够多的工位同时开工。少一样，练出来的东西就落不了地。

这条路径对企业的意义在于：后训练带来的提升，通常直接对应「能不能把一件活干完」，而不是「知识面宽不宽」。前者能算投入产出，后者只能算体验。当你评估一个模型值不值这个价，问的应该是前者。

发布会上最硬的一个数字来自 Terminal-Bench 4.0：65.7%。这个基准把模型放进真实终端环境，给一批资源受限的任务，每项任务都有专门的测试脚本判定成败。说人话就是：不看你写得多漂亮，看你有没有真把机器上的活干成。

同一张榜上，OpenAI 的 GPT-6 Astra 是 58.2%，Anthropic 的 Claude Opus 5.5 是 66.4%。也就是说，K3.1 Pro 落后最强闭源 0.7 个百分点，领先另一位对手 7.5 个百分点。

但单点分数必须配着看。Artificial Analysis 的智能指数把 K3.1 Pro 排在第 4 位，55 分，前面是 Claude Opus 5.5、Claude Sonnet 5.5 与 Muse Wonder Full。综合榜第 4、单项榜第 2，是一组有张力的数字：它在「动手干活」上很强，在「综合知识」上还没到顶。

还有个技术细节被第三方路由服务商 OrcaRouter 提了出来：不同模型的 Terminal-Bench 分数，是在不同 reasoning 设置下跑出来的。设置不同，分数就不能直接相减。0.7 个百分点这个差距，读成「同一量级」比读成「精确排序」更准确。

读榜的正确姿势是把它当筛子，不是当分数。先用榜单把候选缩到三五个，再拿自己的真实任务跑一遍——这一步没人能替你做，因为榜单任务是公开的，你的任务是私有的。

定价是每百万输入 token 2 美元、输出 10 美元。换算成官方对比口径：约为 GPT-6 Astra 的 20%，Claude Opus 5.5 的 50%。

这是整场发布里最有冲击力的一行。同样一个 3 万亿级的模型，价格只有对手的一半，能力只差零点几个百分点。放在采购桌上，这是一个很难被忽略的报价。

但第一个陷阱就在这——单价便宜不等于总账便宜。Artificial Analysis 给出的每任务成本是 1.98 美元，而上一代 K3 是 2.00 美元，几乎没降。原因很朴素：K3.1 Pro 完成一个评测任务平均输出 5.5 万个 token，比 K3 多 14%，把单价优势吃掉了。

第二个陷阱是输出长度不可控。模型变强之后，倾向于给出更完整的过程、更多的自查步骤，输出自然变长。如果业务按输出计费，能力提升会同步推高账单。这不是厂商在偷涨价，是能力本身的形状变了。

第三个陷阱藏在场景里：一个任务失败要重跑两次，实际成本就是三倍。单价便宜一半，但一次通过率低 10 个百分点，总账可能更贵。所以评估智能体成本，分母应该是「干完并验收通过的活」，不是「调用次数」。

顺带说 Highspeed 版：同为 3 万亿级，输出速度是标准版的 2 到 3 倍，价格翻倍。这个定价其实很诚实——它承认「快」是独立商品。什么时候值得买？当人在等的时候。客服实时应答、现场巡检即时判定，等待的成本比 token 贵得多；反过来，跑批处理、夜间生成报表，买速度就是浪费。

100 万词元大约相当于一百多万字中文。一家中型企业的制度汇编、三年合同、两万条工单摘要，理论上可以一次性塞进去。

这件事的实际价值被高估过一轮，也被低估过一轮。

高估的地方在于「塞进去就能答对」。上下文越长，模型对中间部分的注意力越容易稀释，业内把它叫中段遗忘。开头和结尾的信息被用得很好，中间那段常常被跳过。所以你会看到一个很反直觉的现象：给它一百页材料，它答对了第一页和最后一页的问题，却漏掉了第三十页的关键条款。

低估的地方在于「能省掉一整层工程」。过去做文档问答，要先切片、建索引、召回、重排，每一步都会丢信息。当上下文足够长，可以先把整份文件放进去再问，召回环节的损失直接消失。对合同审查、年报分析这类必须看全文的任务，这是质变。

三笔隐性成本要提前算：首 token 延迟随时长上升；多轮对话里每一轮都要重新计费，除非命中提示缓存；显存占用与并发数成反比，同一张卡能同时服务的人变少。最后一笔最容易被漏掉——它不会出现在账单上，会出现在排队的用户脸上。

比较务实的做法是分层：先用检索把范围从一万份缩到二十份，再用长上下文把这二十份读透。两层都保留，比赌任何一层都稳。检索负责找对，长上下文负责读全，分工不冲突。

官方点名的重点提升领域是编程、3D 创作、金融研究，以及更广义的长程智能体能力。这三类不是随便挑的。

编程。小到在真实代码库里修一个问题，大到从零搭一个完整项目。长程编码能力靠大规模强化学习增强——所谓长程，是指一件事要做几十上百步，中间任何一步跑偏都会前功尽弃。能跑完长程任务的模型，和能答对一道题的模型，是两种东西。

3D 创作。给一段文字、一张草图或一张参考图，模型推断物体的形状、比例与空间关系，然后直接操作专业建模软件做出可用的模型，再进一步搭成完整交互场景。这里的关键不是生成一张好看的图，而是生成一个能被后续工序接手的文件。渲染图谁都能出，能进生产流程的模型才是资产。

金融研究。从检索资料、跨文档核对数据，到搭建财务模型、做盈利分析，端到端交付。官方称在两项国际测评中超过前沿闭源模型。这类任务的难点不在算，在核——同一个口径在年报、公告、附注里可能写成三个数。

这三类的共同点是：结果可验证。代码能跑就是能跑，模型能渲染就是能渲染，报表能对上就是能对上。可验证，才谈得上用强化学习去练——没有验收标准的地方，练不出来。

反过来说，那些「好不好看、合不合适」的领域，提升会慢得多。这不是模型能力问题，是评价标准问题。谁先把标准写清楚，谁的场景就先被攻下来。

官方承诺完整模型权重在 11 月 4 日前发布。按 Artificial Analysis 的口径，权重一旦公开，K3.1 Pro 将成为史上得分最高的开放权重模型，开源与闭源在智能指数上的差距从 12 分收窄到 3 分。

这个「从 12 到 3」比任何单点分数都重要。它意味着开源不再是一个「便宜但差一截」的选项，而是一个「便宜一点、差一点」的选项——这两种定位在采购决策里完全不同。前者只能承接边缘业务，后者可以进核心流程的候选名单。

但「有权重」离「能部署」还有距离。3 万亿参数的模型，即便做了量化，也不是一台服务器能扛下来的。企业实际有三条路：走 API、找托管方开专属实例、或者蒸馏一个小模型到自己的场景。第三条最省钱，也最需要自己投入数据。

生态数据也在往同一个方向走。Hugging Face 的 2026 年报告显示，中国开发的开源模型占平台下载量的 41%，美国约 35% 到 36.5%。OpenRouter 的统计则是：10 月 12 日到 18 日这一周，全球大模型总调用量 164 万亿 token，中国模型的周调用量连续 25 周超过美国，当周前五名全部是中国模型。

不过生态热度不等于企业可用。许可证能不能商用、数据能不能出境、出了问题谁支持，这三件事在热度榜上永远看不到，却决定了项目能不能过审。前两项看条款，第三项看你自己的运维能力——开源最贵的地方从来不是模型，是半夜出故障时有没有人接电话。

过去两年，选型的问法是「哪个模型最强」。现在这个问题已经没多大意义——第一梯队之间的差距，落在具体任务上，往往被提示词质量、工具设计、数据质量盖过去。

更实用的问法是三段：这段活该交给哪一档模型、这段活的验收标准是什么、错了谁来兜。

第一段是分层路由。判断与抽取用便宜的小模型，长程任务用旗舰，涉及敏感数据的那部分走私有化。真正跑起来的企业，很少只用一个模型，因为不同环节对「聪明」和「便宜」的权重完全不同。

第二段最容易被跳过。没有验收标准，就没法判断模型变强了到底有没有变成业务变好了。很多项目做完一年，能拿出来的只有调用量曲线，拿不出业务指标。

第三段决定这套东西能不能长期用下去。智能体做错一件事，如果不留痕，连复盘都做不了；如果留了痕但没人看，等于没留。责任不能落在模型身上，只能落在签字的人身上。

有个成本很低但很有效的做法：从最近 30 个真实任务里抽一批固定下来，每次换模型都跑一遍，记录一次通过率、平均返工次数、人工介入时长。三个数字比任何榜单都准，因为它们来自你自己的业务。

迁移也有成本。换模型意味着提示要重写、工具调用格式要重调、上下文长度假设要重算。把这笔切换成本算进第一年，很多看起来省钱的方案就不省了。

把这场发布放回它该在的位置：它不是「开源赢了」的宣言，而是「模型开始变成可核算的投入项」的一个节点。

当同一档能力出现两个价格，采购第一次可以谈；当权重可以下载，数据主权第一次可以谈；当速度可以单独买，等待的成本第一次被定价。这三件事对企业的实际影响，比榜单名次大得多。

对大多数中小企业来说，3 万亿参数的模型不会跑在自己的机房里。但它的存在会持续压低所有模型的价格，也会持续抬高「随便用用」的上限——这两件事都会传导到你手上的账单，只是时间早晚。

真正该做的准备只有三件：把流程写清楚，让智能体知道该干什么；把数据留痕，让它干完能被核对；把评估做成常规动作，让每次换模型都有据可依。这三件事和用哪家的模型无关，却决定了换模型时你是从容还是慌乱。

回到标题那个数字。0.7 个百分点在技术上很微小，在商业上很关键——它把「要不要试试开源」变成了「为什么不试试」。而当选择变多，能拍板的人靠的就不再是参数表，而是自己那三十个任务跑出来的结果。