10 月 24 日凌晨，月之暗面发布新一代开源大模型 Kimi K3.1 Pro，3 万亿级参数规模、100 万词元上下文，继续是全球参数规模最大的开源模型。 发布不到 48 小时，26 日凌晨官方发公告，就限速与额度虚耗"深表歉意"，并向所有档位订阅用户返还月度总额的 25%。 而在第三方评测机构 Artificial Analysis 的智能指数上，这款新模型拿到 55 分、位列全球第四，与榜首 Claude Opus 5.5 的分差只剩 3 分。 两件事挨得如此之近，传递的信息比任何单独一件都清楚：大模型能力竞赛的标尺正从"答题有多好"转向"干活能坚持多久"，而按月固定计费的订阅制，正被这种新能力撞出裂缝。央视财经字母AI知乎
跑分变了形状：强在"干活"，弱在"探索"
K3.1 Pro 的成绩单两极分化得罕见。强的一侧全部押在长周期真实任务上：多小时的终端编程测试 Terminal-Bench 4.0 拿下 65.7%，超过 GPT-6 Astra 的 58.2%，与 Claude Opus 5.5 的 66.4% 只差不到 1 个百分点。 在考验极长上下文耐力的软件工程测试 SWE-Marathon 上，官方成绩 51.7%，直接反超了 Opus 5.5 的 46.3%。InfoQ知乎
金融是它另押的一个重点方向，官方专门做了事实准确性优化：在挑选模型最易出错样本的内部压力测试里，单项事实陈述错误率从 K3 的 23.4% 降到 8.3%。 不过 Kimi 自己强调，这个口径不代表普通使用场景的整体表现。InfoQ
弱的一侧落差同样大：考察自主编写完整程序的 ProgramBench 只有 31.5%，不到 Opus 5.5（65.0%）的一半。 Artificial Analysis 的独立数据还显示，它的科学推理为 34.3%，同期 Opus 5.5 是 59.0%、GPT-6 Astra 是 63.3%，长上下文推理也从 K3 的 88.7% 略降到 86.3%。知乎字母AI
两极分化不是巧合。AI 播客 Interconnects 给出的解释是，Kimi 的强化学习训练更偏向"利用"——在已知规则里硬磨，而不是靠模型自己去"探索"，任务目标越模糊、越需要自主找路，它越容易缩水妥协。知乎
第三方动手实测与这个判断对得上。海外评测平台 MindStudio 用自家包含 6 个真实软件任务的 KingBench 给 11 款主流模型摸底，K3.1 Pro 只拿到 53.7%、排第六。 Arena 测试者 Peter Gostev 在覆盖 3D 场景、HTML 动画、网站与 UI 构建等任务的全面测试里，把它与 Opus 5.5、GPT-6.1 Sol、DeepSeek 4.1 Flash 等多款模型对比，结论同样克制：相比上一代 K3 进步巨大，但还没完全达到全球最前沿的水平。 还要交代一个口径问题：社区研究者指出，官方公布的编程分数大多是在 Claude Code 测试套件里跑出来的，与用户在网页端、客户端里的实际环境有距离。总榜的 55 分是多门考试拉平的算术平均——真正决定体验的，是你要它干的活落在哪门课上。知乎蚁工厂微博
额度烧在哪：能力的另一面是消耗
额度失控的根源首先藏在能力设计里：K3.1 Pro 只支持思考模式，关闭推理的请求会被直接拒绝，每一次调用都在为推理付费。 执行任务时，它还会自行拉起大量子 Agent 思考推理，官方技术博客也承认模型存在"过度主动"的倾向。字母AI
“话多"不是运营失误，而是训练选择的代价。官方技术报告里有个典型案例：模型模拟人类学习行走时，发现手臂动作始终不理想、调奖励也没解决，于是回头检查模拟器，修掉了 36 处肩部肌肉力臂的计算错误，再重新训练才让效果更好。 第三方评测机构把这笔账量化了：跑完整套智能指数，K3.1 Pro 累计输出约 1.5 亿个 Token，比参与测试模型 8700 万的输出中位数高出约 72%，被直接评价为"非常冗长”。 严谨换来性能，也换来 Token，这份账单最终摊在了用户头上。字母AIInfoQ
单价确实在降：token 价格只有 GPT-6 Astra 的五分之一，比上一代 K3 也便宜了 30%，单次任务成本却没有便宜到哪里去。 可落到实际花费，平均单个任务仍要 2.11 美元，只比 Astra 的 3.26 美元便宜约 35%，同口径下 Opus 5.5 约 5.98 美元。 单位任务成本在 API 场景并不失控，矛盾在另一头爆发。字母AIInfoQ
订阅用户感受到的是另一套算术：一位 99 美元套餐用户说，只开一个会话、没启动 Agent 群，大约 47 分钟就撞上 5 小时额度上限。 Linux.do 上一位 199 元套餐用户反馈，只发了一句审查项目架构的指令，5 个子 Agent 被拉起，十几分钟后 5 小时额度就满了。 也有实测给出反例：同档位两个并发任务连跑 5 小时，额度还剩约四分之一。 消耗幅度完全取决于任务复杂度，而用户看不见明细——这才是集体吐槽的真正落点。InfoQ字母AI蚁工厂微博
致歉公告里的修法直接指向机制本身：团队调整配置，减少不必要的子 Agent 调用和输出长度，让同样的额度完成更多实际任务。 换句话说，官方承认：吃掉额度的不只是服务器被挤爆，更是模型干活时太爱"开小号"、太爱长篇大论。知乎
不止 Kimi 一家的难题：订阅制撞上 Agent 时代
把镜头拉远，额度墙是全行业的。Claude 用户报告 20 美元档套餐里一个复杂 Prompt 就几乎耗尽 5 小时额度，OpenAI 用户也遇到过 20 美元套餐高推理档位、任务未跑完先撞上限的情况。 规律很直白：模型越擅长持续搜索、调用工具和自我检查，单个任务烧掉的推理预算就越多；套餐上限不同步放开，能力越强越容易撞上墙。InfoQ
行业的另一条路线在同一周出现：DeepSeek 在 K3.1 Pro 前一周发布 V4.1 Flash-1017，自我定位是"帕累托改进"——各项基准分数更高，任务完成更快，输出更短，价格不变。 跑分之外的账，在按具体任务计费拆出的"猫榜"Agentic 测试里更直观。字母AI
同一道 RustApp 长流程任务，DeepSeek 花了 12.32 元，K3.1 Pro 花了 221.21 元。 两种产品哲学泾渭分明：梁文锋在让每一次调用稳定便宜，杨植麟在让最难的场景足够惊艳。字母AI
用户已经开始自救，社区把这套办法叫"混模"：让 K3.1 Pro 负责规划和复杂决策，大量执行交给更便宜的模型。月之暗面则把支撑 Agent 长时运行的环境本身做成了云基础设施，推出可以 7×24 小时运行、支持多智能体协作的 Hosted Agents 托管智能体服务。 官方媒体的判语点明了这轮竞赛的方向：央视财经称它在多项国际权威评测中，综合智能水平已接近全球领先的闭源模型。 央视频给这轮更新下的总结则是"从会答题，到会干活儿，并且持续干活儿"。InfoQ央视财经央视频
等开源来解额度焦虑的团队也该冷静算一笔账：完整权重承诺 11 月 4 日前开放，但按 Interconnects 播客给出的测算，要装下这个总参数约 2.8 万亿的模型需要英伟达 B300 级 GPU，而且一个节点只塞得下一份副本。 开源并不能解开订阅焦虑，只是把付给平台的订阅费，换成了付给云厂商的算力账单。知乎
还有一个只有开源前沿模型才会遇到的新变量：开放多少能力，本身成了设计的一部分。月之暗面披露，团队在扩大后训练规模时观察到模型的漏洞研究能力随之明显增强，于是在准备开放权重版本时，从训练阶段中同时识别并删除了混入语料的网络攻防数据，同时尽量保留普通编程所需的通用能力。 效果如何，官方拿出了一个专门构建的基准来衡量。InfoQ
xdev-bench-hard 测试显示，不删除相关数据的模型在这套漏洞利用任务上 pass@3 可达 90.5%，最终发布版降到 81.0%。 开发者为此争论不休：有人认可这是面向 3 万亿级开放权重的现实安全折中，有人担心减损安全知识会反伤模型发现漏洞和编写安全代码的能力。InfoQ
对普通用户来说，这次更新之后真正值得盯的是三件事：修复后的额度是否更耐用、消耗明细能否变得透明；11 月 4 日的权重开放能把使用门槛降到哪里；"冲上限"和"降单本"两条路线，谁会被接下来的市场验证。榜单分差肉眼可见地收窄，说明"更聪明"已经不再是稀缺卖点，下半场的胜负手是单位任务成本、计费透明度，以及你能实际买到的持续干活时间。 上线两天就道歉，不是 Kimi 一家的污点，而是整个行业把"会干活"兑换成"干得起"时，第一次提前递上来的账单。
