Kimi K3.1 Pro 官方发布：编码、3D 与金融基准的测评边界

一句话结论

Kimi 官方报告 K3.1 Pro 在 Terminal-Bench 4.0 得分 65.7%、BenchCAD（带工具）92.7%、OfficeQA Pro v2 得分 64.4；这些结果来自不同 harness、部分是内部基准或外部引用，适合定位能力方向，不能当作统一条件下的独立胜率。

适用场景

• 适合判断的任务：长程编码 Agent、带工具的 3D/CAD 生成、金融文档分析、金融建模与研究工作流。

• 不适合外推的任务：把 Kimi 内部基准外推为日常成功率；把不同 harness、不同模型报告或供应商图表直接合成排名；从案例推断稳定的生产质量。

• 适用的模型版本：Kimi K3.1 Pro。Kimi K3.1 Pro Highspeed 是同日发布的高速变体，本文分数没有单独证明其与 Pro 完全相同。

• 测试环境或客户端：Claude-Code、Kimi Code、Kimi API、官方 Kimi Agents/Finance Agent 等，按各项脚注分别指定。

• 推理档位和参数：除非另有说明，reasoning effort=max、temperature=1.0、top_p=0.95。文章称产品与 API 已可用；完整模型权重计划在 2026-11-04 前发布，采集日不能把权重视为已公开可下载。

测评方法

这是 Kimi 的发布说明和厂商自测汇总，不是独立重跑。正文称 K3.1 Pro 是 K3 的后训练版本，使用更大的后训练计算，在数百个下游领域进行联合 RL；但未公开完整提示词、逐题输入、随机种子、失败日志或置信区间。

• 编码：Terminal-Bench 4.0 使用 Claude-Code harness，测试受资源约束的终端编码 Agent，并按任务专属测试严格判分。Kimi Code Bench 3.0 Long-horizon 是 Kimi 内部基准，覆盖多步执行、工具使用和端到端工程问题。

• 3D：BenchCAD 从完整 17,900 个 Vision2Code 样本中随机抽取 1,000 个子集。带工具使用 Claude Code harness；不带工具使用官方提示词和评分管线的单轮生成；开放模型使用最大推理档位。

• 金融：OfficeQA Pro v2 的每道题提供完整 PDF 语料，PDF 渲染为图片且不提供机器可读文本；GPT-6 Astra 使用 Codex，其余模型使用 Claude Code。Frontier Finance 使用官方 finance agent v2 harness。

• 跨来源数据：正文中的 GDPval-AA v2.1、AA-Briefcase v1.1 和 AutomationBench-AA 分数引用 Artificial Analysis，是独立平台的外部记录，不等于 Kimi 在本页重新运行的结果。

关键结果

原始数据

公开产品与权重状态

文章称 K3.1 Pro 和 Highspeed 当日已在 Kimi.ai、Kimi Work、Kimi Code 与 Kimi API 提供，并给出 API 模型 ID kimi-k3.1-pro / kimi-k3.1-pro-highspeed。同一段写明：“full model weights will be released by Nov 4”。因此，“可通过产品或 API 使用”和“完整权重已经公开”是两件事；截至采集日只能记录前者，不能把后者写成现状。

3D 与金融图表可读数据

• BenchCAD 图表同时给出带工具和不带工具两组结果；带工具组为 Claude Opus 5.5 96.2、GPT-6 Astra 95.9、K3.1 Pro 92.7、Claude Fable 5.1 92.6、DeepSeek-V4.1-Flash-1017 81.6；不带工具组为 Claude Opus 5.5 73.0、K3.1 Pro 72.8、Claude Fable 5.1 60.6、DeepSeek-V4.1-Flash-1017 41.2。

• 金融图表给出 OfficeQA Pro v2 的 K3.1 Pro 64.4，Frontier Finance 58.6；内部图表给出 Financial Modeling 57.6 vs 50.4、Financial Research 70.4 vs 58.8、Business Operation 37.0 vs 8.9（K3.1 Pro vs K3）。

• Kimi Hallu Bench Hard 图表把 K3.1 Pro 的 claim-level hallucination rate 标为 8.3；正文同时说明 K3 为 23.4，并明确这些是刻意施压的事实性测试。

Footnotes 中的参数与特殊口径

• 默认统一口径是 max、temperature=1.0、top_p=0.95。

• PostTrainBench v1.2 中，K3.1 Pro 与 DeepSeek-V4.1-Flash-1017 为内部运行，使用 H20 而非 H100；评判模型固定为最大 effort 的 DeepSeek-V4.1-Flash-1017。其余分数来自官方榜单。

• BenchCAD 的带工具/不带工具是两套不同运行方式，不能混成一个分数；OfficeQA Pro v2 的 GPT-6 Astra 也使用不同的 Codex harness。

• BrowseComp 是特殊参数例外：200K tokens 触发上下文压缩、最多 500 steps，并使用 temperature=1.0、top_p=1.0。

• GDP.pdf with python、ZeroBench with python、ChartoGraphy with python 平均五次；其他多模态（with python）基准平均四次。GDPval-AA、AA-Briefcase、AutomationBench-AA 是 Artificial Analysis 的引用数据，和 Kimi 内部 benchmark 的一次或多次运行不能互换。

结论与边界

K3.1 Pro 的官方材料对三个方向给出了有用的定位信号：编码上 Terminal-Bench 接近 Claude Opus 5.5，3D 上带工具的 BenchCAD 为 92.7，金融上 OfficeQA Pro v2 为 64.4 且内部金融任务明显高于 K3。最可用的结论是“值得在长程编码、工具化 3D 和金融 Agent 流程中做受控试用”，而不是“全面领先”。

需要特别保留以下限制：

• Terminal-Bench 的对照分数混合了 Kimi 自测、模型发布文章和官方榜单最高值；Kimi Code Bench、内部金融基准和 Hallu Bench 没有独立复核。

• BenchCAD 的样本是 17,900 个完整数据集中的 1,000 个随机子集，且带工具与不带工具的 harness 不同；不能把它外推到所有 3D 任务或无工具场景。

• OfficeQA、Frontier Finance 和其他 Agent 结果使用不同客户端、工具和评分器；跨模型横比时，harness 差异可能与模型差异同时影响结果。

• “7.2 分”“11.6 分”“4.2 倍”等内部对照只说明 K3 到 K3.1 Pro 的发布口径变化；没有逐题样本、方差和失败类型，不能计算普遍提升幅度。

• 官方图表、案例和 AA 引用不能替代独立测试；不要编造未公开的逐题输入、输出、样本拆分或原始轨迹。

复现说明

1. 固定 API 模型 ID、客户端版本、harness、工具 schema、最大步数和超时；默认使用 reasoning effort=max、temperature=1.0、top_p=0.95，对 BrowseComp 单独记录 top_p=1.0 与上下文压缩规则。

2. 代码任务至少区分 Terminal-Bench、长程仓库任务和纯代码生成；保存逐题通过/失败、工具调用、token、耗时和人工修复量。

3. 3D 任务分别复跑带工具与不带工具条件，并记录 1,000-case 子集的抽样方式、Voxel IoU、生成脚本和最终资产；不要将两套分数合并。

4. 金融任务分别记录 PDF 渲染方式、检索来源、跨文档核验、数值答案和事实错误；把 OfficeQA、Frontier Finance 与内部金融任务分开报告。

5. 复测时不得把产品/API 可用性写成权重已公开；权重状态按 Kimi 官方文章的 2026-11-04 计划重新核对。