编程榜65.7%对58.2%，国产模型第一次赢GPT-6

65.7% 对 58.2%。10 月 24 日凌晨，Kimi K3.1 Pro 在 Terminal-Bench 4.0 上反超 GPT-6 Astra，距离 Claude Opus 5.5 的 66.4% 只剩 0.7 个百分点。国产模型第一次在公开的终端任务榜单上，贴到闭源最强那一档。

发布会说了三件事

月之暗面 24 日推出 K3.1 系列首个模型 K3.1 Pro，3 万亿级参数、100 万上下文，同一天在 kimi.com、App、Kimi Work、Kimi Code 和开放平台放开。权重承诺在 11 月 4 日前发布，也就是说现在能用的只有 API 和产品，"开源"还得等二十天。

第三个细节最容易被读漏：同门还有个 Highspeed 版，同等智能、输出快 2~3 倍、价格 2 倍。这三个数字凑在一起，才是这次发布里最值得算的一笔账。

值得看的不是"最强"，是那个只差 0.7 分的位次

Terminal-Bench 4.0 考的是真实环境里资源受限的终端任务，每项配一套严格的专项测试，靠背题库拿不到分，考的是模型自己拆步骤、调工具、看报错、再改。

所以 65.7 这个数字比"我们最强"有分量：前面只剩 Opus 5.5 的 66.4%，后面是 GPT-6 Astra 的 58.2%，同一梯队里第一次出现中文模型的名字。

发布里还有两行数据不该被跳过。BenchCAD 上 K3.1 Pro 是 92.7%，Opus 5.5 是 96.2%、GPT-6 是 95.9%，3D 与 CAD 这块还差 3 个多点；Kimi Code Bench 3.0 Long-horizon 的 61.2% 比自家 K3 高 5 个百分点，但那是内部题集，只能看进步幅度、跨公司比不了。

榜外也有参照。第三方评测机构 Artificial Analysis 的榜上，K3.1 拿到 55 分、被放进帕累托前沿那一档，Hacker News 上讨论它的帖子一早上换了三个位置。

3 万亿参数换来的具体东西

kimi.com 和 App 同步上了 3D Make，给一段文字、一张草图或一张参考图，它推断形状、比例与空间关系，重建成可用的 3D 模型，还能下载去打 3D 打印。更硬的一条是不需要 MCP 连接器，它可以直接写并运行 Blender、CAD 这类工具的脚本做参数化建模，改零件、调几何和材质都由它自己动手。

金融线的数字更能说明训练方向。内部三个基准里，财务建模比 K3 高 14%、金融研究高 20%、商业运营得分约为 K3 的 4.2 倍，外部 OfficeQA Pro v2 拿到 64.4，官方称是当前最优。幻觉那组对照也得跟注释一起读，Kimi Hallu Bench Hard 上单项事实陈述错误率从 23.4% 降到 8.3%，含至少一处事实错误的回答只有前代约 42.4%，官方自己注明样本刻意挑了易错情形、不代表日常水平。

价签里的算术，比榜单更该琢磨

API 定价是这样：每百万 token 输入 1.3 元（缓存命中）、13 元（未命中），输出 68 元。

拿一个典型 Agent 任务算一遍。输入 100 万 token、九成命中缓存，花费 0.9×1.3＋0.1×13＝2.47 元；输出 10 万 token，花费 6.8 元；合计 9.3 元，输出这一项占了七成三。

输出单价是缓存输入的 52 倍​，这个价签在讲一件事：上下文尽量复用、让它少自由生成，成本才压得住。长会话 Agent 这两年能跑起来，靠的不是模型便宜，是缓存命中率高。

再回头看 Highspeed。价格 2 倍、速度 2~3 倍，折算成等它写完的时间成本大约是 0.8 倍，坐在屏幕前等结果的交互式编码，贵的那版反而更省；批量离线任务还是普通版划算。

别急着迁移，先做一件事

0.7 个百分点是单基准上的小分差，换套题可能就翻面；3D 那项还落后 3 个多点；权重 11 月 4 日才发，"开源"要等权重真的落地才算数。榜单告诉你它到了哪一档，不会告诉你它到你手上是什么样。

真要用，最省事的验证是把项目里最脏的活各跑一遍：翻出三年前的老代码改一个 bug、跨四个文件做一次重构、在没有文档的仓库里让它自己找入口。跑完再决定要不要搬工作流，比看十个榜单都直接。

模型换代快到榜单追不上，真正稀缺的是你清楚自己哪一步值得交出去。找一件最烦的活，今天晚上丢进去跑一遍，答案自己会出来。

作者提示含AI生成内容。作者声明本文无利益相关，欢迎值友理性交流，和谐讨论～