月之暗面开放 2.8 万亿参数 Kimi K3.1 Pro 权重，登顶 Agent Arena 开源模型榜

[IT之家](https://www.ithome.com/) 11 月 5 日消息，按照 10 月 24 日发布时给出的承诺，月之暗面（Moonshot AI）今日在 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 13 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。它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 13 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。

值得一提的是，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。

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。

<table><tbody><tr><th>Benchmark</th><th>Kimi K3.1 Pro<br>(max)</th><th>Claude Fable 5.1<br>(max, w/ fallback)</th><th>GPT-6 Astra<br>(max, w/ fallback)</th><th>Claude Opus 5.5<br>(max, w/ fallback)</th><th>DeepSeek-V4.1-Flash-1017<br>(max)</th><th>GLM-5.3<br>(max)</th></tr><tr><td colspan="7">Coding</td></tr><tr><td>Terminal-Bench 4.0</td><td>65.7</td><td>57.9</td><td>58.2</td><td>66.4</td><td>42.3</td><td>41.8</td></tr><tr><td>Terminal-Bench-Science 0.1</td><td>38.1</td><td>40.0</td><td>68.1</td><td>63.3</td><td>15.7</td><td>8.1</td></tr><tr><td>SWE Marathon v1.1</td><td>51.7</td><td>45.6</td><td>42.5</td><td>46.3</td><td>40.0</td><td>42.5</td></tr><tr><td>BenchCAD w/o tools</td><td>72.8</td><td>60.6</td><td>—</td><td>73.0</td><td>41.2</td><td>—</td></tr><tr><td>BenchCAD w/ tools</td><td>92.7</td><td>92.6</td><td>95.9</td><td>96.2</td><td>81.6</td><td>—</td></tr><tr><td>Program Bench</td><td>31.5</td><td>53.5</td><td>50.0</td><td>65.0</td><td>29.1</td><td>19.0</td></tr><tr><td>DeepSWE v1.1</td><td>75.5</td><td>67.4</td><td>74.1</td><td>74.2</td><td>77.0</td><td>66.9</td></tr><tr><td>PostTrain Bench v1.2</td><td>36.5</td><td>44.6</td><td>41.9</td><td>43.8</td><td>30.5</td><td>34.5</td></tr><tr><td>Kimi Code Bench 2.0 (Internal)</td><td>77.1</td><td>—</td><td>—</td><td>—</td><td>76.1</td><td>61.7</td></tr><tr><td>Kimi Code Bench 3.0 Long-horizon (Internal)</td><td>61.2</td><td>58.8</td><td>66.5</td><td>58.5</td><td>51.5</td><td>45.5</td></tr><tr><td colspan="7">Agentic</td></tr><tr><td>HLE-Full w/ tools</td><td>70.0</td><td>65.6</td><td>57.2</td><td>67.7</td><td>58.8</td><td>62.5</td></tr><tr><td>BrowseComp</td><td>92.1</td><td>—</td><td>91.5</td><td>90.8</td><td>—</td><td>—</td></tr><tr><td>BioMysteryBench</td><td>80.6</td><td>81.6</td><td>78.9</td><td>81.9</td><td>80.0</td><td>79.6</td></tr><tr><td>CharXiv (RQ) w/ python</td><td>93.4</td><td>92.7</td><td>92.8</td><td>93.8</td><td>85.6</td><td>—</td></tr><tr><td>MMMU-Pro w/ python</td><td>90.0</td><td>88.4</td><td>87.8</td><td>89.8</td><td>82.5</td><td>—</td></tr><tr><td><span>GDP.pdf</span> w/ python</td><td>85.7</td><td>83.8</td><td>85.5</td><td>83.9</td><td>73.0</td><td>—</td></tr><tr><td>ChartoGraphy w/ python</td><td>90.2</td><td>88.4</td><td>91.0</td><td>89.0</td><td>83.0</td><td>—</td></tr><tr><td>BabyVision w/ python</td><td>95.4</td><td>95.1</td><td>96.6</td><td>97.7</td><td>92.5</td><td>—</td></tr><tr><td>ZeroBench_main w/ python (pass@5)</td><td>63.0</td><td>59.0</td><td>58.0</td><td>61.0</td><td>51.0</td><td>—</td></tr><tr><td>Agents' Last Exam (ALL)</td><td>43.2</td><td>—</td><td>41.8</td><td>42.6</td><td>37.7</td><td>26.2</td></tr><tr><td>Agents' Last Exam (CLI)</td><td>44.2</td><td>—</td><td>44.2</td><td>40.7</td><td>36.0</td><td>29.4</td></tr><tr><td>Automation Bench-AA</td><td>73.3</td><td>59.4</td><td>68.5</td><td>69.5</td><td>66.6</td><td>62.2</td></tr><tr><td>GDPval-AA v2.1 (Elo-score)</td><td>1846</td><td>1754</td><td>1573</td><td>1866</td><td>1746</td><td>1650</td></tr><tr><td>AA-Briefcase v1.1 (Elo-score)</td><td>1678</td><td>1672</td><td>1569</td><td>1803</td><td>1570</td><td>1507</td></tr><tr><td>APEX-Agents</td><td>69.4</td><td>68.6</td><td>64.7</td><td>73.5</td><td>69.8</td><td>56.6</td></tr><tr><td>OfficeQA Pro v2</td><td>64.4</td><td>54.5</td><td>54.4</td><td>62.2</td><td>40.4</td><td>31.1</td></tr><tr><td>OfficeQA Pro</td><td>67.4</td><td>68.6</td><td>66.2</td><td>—</td><td>62.4</td><td>58.6</td></tr><tr><td>Frontier Finance</td><td>58.6</td><td>60.8</td><td>45.0</td><td>56.7</td><td>54.5</td><td>57.5</td></tr><tr><td>Harvey Legal Agent</td><td>23.7</td><td>19.1</td><td>—</td><td>—</td><td>21.0</td><td>—</td></tr><tr><td><span>HANDBOOK.md</span></td><td>44.6</td><td>38.8</td><td>—</td><td>41.5</td><td>28.9</td><td>20.8</td></tr><tr><td>OSWorld V2.1</td><td>79.6</td><td>80.7</td><td>75.8</td><td>81.8</td><td>69.3</td><td>—</td></tr><tr><td>Business Operation (Internal)</td><td>37.8</td><td>30.7</td><td>32.3</td><td>—</td><td>8.9</td><td>18.6</td></tr><tr><td>DECK-Arena (Internal, Elo-score)</td><td>1456</td><td>—</td><td>1423</td><td>1253</td><td>1231</td><td>1119</td></tr><tr><td>Design Bench (Internal, Elo-score)</td><td>957</td><td>—</td><td>1076</td><td>927</td><td>863</td><td>718</td></tr><tr><td>Kimi Hallu Bench Hard w/ tools (Internal, lower is better)</td><td>8.3</td><td>23.3</td><td>5.5</td><td>15.0</td><td>23.3</td><td>22.6</td></tr><tr><td colspan="7">Reasoning &amp; Knowledge &amp; Multimodal</td></tr><tr><td><span>GDP.pdf</span></td><td>34.6</td><td>27.6</td><td>34.2</td><td>30.6</td><td>17.2</td><td>11.2</td></tr><tr><td>HLE-Full</td><td>51.1</td><td>57.6</td><td>53.6</td><td>59.8</td><td>42.6</td><td>43.0*</td></tr><tr><td>HLE-Diamond</td><td>39.4</td><td>55.1</td><td>65.8</td><td>60.9</td><td>21.6</td><td>25.1*</td></tr><tr><td>GPQA-Diamond</td><td>94.2</td><td>93.7</td><td>96.1</td><td>93.9</td><td>92.2</td><td>91.7</td></tr><tr><td>CharXiv (RQ)</td><td>89.0</td><td>88.8</td><td>90.0</td><td>92.1</td><td>77.0</td><td>—</td></tr><tr><td>MMMU-Pro</td><td>84.1</td><td>86.3</td><td>86.9</td><td>87.7</td><td>80.6</td><td>—</td></tr><tr><td>ZeroBench_main (avg@5 / pass@5)</td><td>29.8 / 39.0</td><td>23.0 / 35.0</td><td>43.2 / 52.0</td><td>35.0 / 43.0</td><td>11.8 / 23.0</td><td>—</td></tr><tr><td>PerceptionBench</td><td>68.3</td><td>63.0</td><td>77.6</td><td>72.1</td><td>47.7</td><td>—</td></tr><tr><td>Kimi Hallu Bench w/o tools (Internal, lower is better)</td><td>5.4</td><td>11.4</td><td>4.2</td><td>6.8</td><td>13.1</td><td>14.8</td></tr><tr><td colspan="7">Cyber Security</td></tr><tr><td>ExploitBench</td><td>74.7</td><td>83.0</td><td>100</td><td>91.0</td><td>—</td><td>54.4</td></tr><tr><td>ExploitGym</td><td>20.7</td><td>30.4</td><td>42.4</td><td>34.5</td><td>—</td><td>15.0</td></tr><tr><td>xdev-bench-hard (Internal)</td><td>81.0</td><td>—</td><td>—</td><td>—</td><td>85.7</td><td>57.1</td></tr></tbody></table>

**相关阅读：**

- 《[Kimi K3.1 Pro 正式发布：月之暗面最强 3 万亿级模型，编程智能体测评超 GPT-6](https://www.ithome.com/1/017/284.htm)》 - 《[Kimi 就会员使用 K3.1 Pro 出现限流等问题致歉，为所有订阅会员进行重置](https://www.ithome.com/1/017/723.htm)》