10月24日零点刚过，月之暗面把Kimi K3.1 Pro推上线：一台3万亿级参数、100万token上下文、还带2到3倍速Highspeed版的旗舰。它不是新基座，而是上一代K3的「后训练加强版」——架构与上下文延续，变化全部集中在训练收尾的强化学习算力加码，价格同步下调约三分之一。而在它前后脚，DeepSeek与MiniMax正接连把Flash模型推向台前——国产厂商这轮集体卷向的与其说是参数表，不如说是模型之下的工具链。微博知乎36氪
底座没动，动的全在后训练
K3.1 Pro延续K3的底座：总参数2.8万亿，每次实际动用1040亿，上下文100万token。官方把提升归因于后训练算力的大幅加码，以及强化学习框架、长上下文推理、沙箱环境、训练调度这些环节的整层翻新。强化学习靠在环境里反复试错，环境不稳算力就白烧——训练场本身成了工程对象，「同一套参数为什么能涨11.5分」的答案就在这里。知乎知乎
分数这本账，官方、第三方、实测各有一套
官方发布表里，测真实终端编程的Terminal-Bench 4.0得65.7%，压过GPT-6 Astra的58.2%，也逼近了Opus 5.5。幻觉率两本账：官方用自家难题集测出从23.4%降到8.3%，第三方换一套题得到的是53%降到44%、整体正确率从48%升到51%——题不同、数不同，但方向一致，确有下降。而创作者端的坐标更直接：同一个K3.1 Pro，AA智能指数第4、Arena Agent总榜第11、真实工作实测第4——三把尺子，三个名次，榜单本身不能代替验收。微博知乎哔哩哔哩
实测口碑是分层的
上手实测里最一致的评价给了3D和前端：有博主用一条提示词约67分钟做出可13层同轴拆解、840个部件的陀飞轮腕表，会动、能拆开，全程是模型自己写的代码。但博主把官方跑分、第三方榜单和十几条同题实测扒完之后的结论同样明确：审美、编程和价格是真进步，复杂交互和有质感的成片上，Opus 5.5还是更稳。分工因此比「谁全面第一」重要：边界清晰的代码修改，DeepSeek V4.1 Flash-1017的LiveBench Coding有96.0分、单任务成本约0.26美元；要模型多轮自主推进复杂工程，还是先交给Opus、Astra这一档。哔哩哔哩哔哩哔哩知乎
单价降了三分之一，账单没怎么降
Kimi开放平台的价目表确实动了：输入从上一代K3的每百万token 3美元降到2美元，输出从15美元降到10美元。但独立测算按「跑完一个标准任务」结算时，K3.1 Pro约1.98美元，只比K3的2.00美元少两分钱——同一个任务它平均吐出5.5万个输出token，比上代多14%，更长的思考把降价抵掉了。当价格表按token写、账单按任务结，中间隔着模型的啰嗦程度、思考强度和缓存命中率，「降价」这个词就开始失去信息量。知乎
72小时三连发：旗舰卷能力，Flash卷旗舰
把时间线排开，这不是单家事件。10月17日DeepSeek突然更新V4.1 Flash-1017；几乎前后脚，MiniMax把曾在开发者社区以匿名模型SpaceBunny流传的M3.1 Flash正式推向台前，据厂商披露，它在BankerToolBench金融Agent评测拿到76.2分、与Claude Opus 5并列第一，OSWorld V2和Agents’ Last Exam两项均为国产第一，输出速度冲到200TPS上下。10月24日K3.1 Pro接棒上线，成为同期国产模型在AA综合分上最高的一款。这构成了「集体卷旗舰」的两层含义：旗舰层，Kimi、Qwen3.8 Max、GLM-5.3、小米MiMo各有站位；Flash层，轻量模型直接把旗舰成绩当及格线。36氪知乎
同一把尺子下，开源与最强闭源的分差已经收窄到2.5分——这条曲线是锯齿形的：4月底6分，9月曾拉到12分，靠闭源发新版拉开、开源追一版收窄，而收窄那一下通常靠后训练，不靠预训练。知乎
工具链洗牌，洗的是这三层
跑分这件事本身已经不再中立：官方那一轮Terminal-Bench跑在Claude Code这个编程工具里，独立机构用自己的执行环境复测同一项，给出的67%成了它测过的所有模型里最高分——工具链一换，分数就挪。由此看，洗牌发生在三层。第一层，模型变成可插拔组件：测评者拿同一套提示词在Kimi、DeepSeek、GLM与海外模型间横切，也有用户发现同一个模型换个Agent或接入方式，效果和花费判若两机，真正决定交付的是harness、上下文管理和沙箱环境。第二层，部署选择权转移：官方承诺11月4日前放出完整权重，按16位精度换算约5.6TB，消费级设备依旧跑不动，但私有化部署和本地Agent工具链将多出一个旗舰级选项。第三层，供给与运维接棒竞争：10月26日凌晨，Kimi官方就新上线的K3.1 Pro出现限流、异常消耗会员额度问题致歉，承诺补偿有效期内会员月度总用量的25%、用量不足者直接重置——模型上线不等于服务就绪，高并发下的稳定性和额度设计正在成为旗舰产品的一部分。知乎微博
已经确定的，和还欠验收的
后训练路线把同一套底座抬高了一个身位，国产旗舰与最强闭源只剩两分半的分差，Flash层的性价比竞赛同时开打——这些已经站得住。还欠验收的是11月4日的权重交付：计划日期不等于权重已经开放，开源第一要等兑现那天才算数。接下来值得盯两个信号：权重开放后本地工具链的跟进速度，以及限流事故之后各家订阅档位的真实并发与额度设计。而对大多数使用者，最优解反而简单：拿自己手头的任务做验收，别追着榜单换模型。知乎
