10月24日凌晨，月之暗面只用一句「认识一下」发布了新模型。官方快讯把话说得更全：K3.1系列的第一个模型，公司迄今能力最强的3万亿级参数模型，支持100万上下文。发布当晚，开发者对它做的挑战朴素直接——一句话写个小游戏：提示词只要求生成一个以《明日方舟》阿米娅为主角的3D跑酷游戏，模型自己完成搭建、调试并上线了可玩版本。这场随手实测，正好用来回答标题里的问题：「测评超GPT-6」不是噱头，但有两个前提——超GPT-6成立在第三方综合榜和Agent编程榜上，Claude系仍在它前面，3D建模上GPT-6反而能赢它；而「真香」主要香在写代码、跑长任务的人身上，账单未必变便宜。微博微博哔哩哔哩
先看「超GPT-6」这个说法的出处。Artificial Analysis智能指数上，K3.1 Pro拿到55分、全球第四，比上一代K3高出11分：GPT-6 Astra（即标题里的GPT-6）和Gemini 4 Argon被它压在身后，前面只剩Claude Opus 5.5、Claude Sonnet 5.5和Meta还没开放API的Muse Wonder Full。但同一份榜单也写了另一面：同价位下Sonnet 5.5比它高1分，Arena真人投票也排在它前面。「超GPT-6」是事实，「超Claude」不是。知乎
争议最大的编程Agent测试Terminal-Bench 4.0，考的是在真实终端里装环境、改代码、跑测试。第三方独立复现给出67.2%，为所有模型最高，上一代K3只有12.6%。月之暗面自己的成绩单则是另一组数字：K3.1 Pro 65.7%，GPT-6 Astra 58.2%，Claude Opus 5.5 66.4%——领先GPT-6七个百分点以上，落后台阶最高的Opus 5.5零点七分。同一项测试两套分数，不代表谁在美化：Agent基准里工具怎么调、超时怎么算、重试几次，都能挪动好几个百分点，0.7分的差距经不起换裁判，而它对GPT-6的领先幅度大到两套口径都稳定成立。这也是「超GPT-6不是噱头」可以直说、而「追平最强闭源」必须缓说的原因。知乎知乎
它在3D建模上就没能赢。BenchCAD考多视图重建、从渲染图写CAD代码还原零件，K3.1 Pro带工具得分92.7%，低于Opus 5.5的96.2%和GPT-6 Astra的95.9%；不带工具只有72.8。换句话说，3D能力一半长在工具调用闭环上，不是裸模型赢。官方主推的游戏案例也走同一路子：虚幻引擎5.8的天宫对战游戏，半径1750米的柱廊是它在Blender里程序化建的，整个场景3600万个三角形。自己找素材、自己接引擎、拼成能玩的东西——小游戏挑战里社区最服的同样是这一点：不是生成得漂亮，是它自己debug到能玩。哔哩哔哩知乎
还有一处容易被标题带跑：参数一个没加。K3.1 Pro不是从零训的新模型，它是K3的后训练版本，基座没换——总参数2.8万亿、MoE架构每次推理激活1040亿的底子来自今年7月。涨分靠的是跨越数百个下游领域的大规模联合强化学习，RL框架、沙箱、调度逐层重做。技术报告里最能说明问题的是人体行走模拟：在167个任务阶段、420次独立评审中，模型持续分析实验结果、修改控制器、重新训练，修好36处肩部肌肉力臂计算错误之后，模拟人物才做到连续交替行走11.2秒。调奖励调不好时，它回头怀疑环境本身算错了——这正是长程任务最需要、也最难被问答式模型学会的动作。知乎知乎
工作类测试的涨法与之一致：模拟真实办公任务的GDPval-AA排到第3，比K3涨了312分，在SaaS软件里跑工作流的AutomationBench从58%涨到73%。知乎
说回钱。API单价确实降了：输入13元每百万token、输出68元、命中缓存1.3元，美元价从K3的3刀/15刀降到2刀/10刀。但第三方评测提醒：单价降约33%的同时，每项任务的平均输出token反而变多了，单任务成本未必同比下降——AA按智能指数任务算出来约1.98美元一个，与K3基本持平。高速版输出快2到3倍、价格翻倍，企业版默认不开。知乎知乎知乎
订阅侧的抱怨更实际。Kimi Code从49元到699元分四档、额度按百分比显示，评论区有人算过699档的档位消耗，发布夜的免费入口还要排队。单价降不降是官方账本，额度烧多快得拿一周真实工作自己测，这比任何跑分表都可靠。知乎
结论之前，三条边界必须画清。权重还没放：官网、App、Kimi Work、Kimi Code和API现在都能用，但官方承诺是11月4日前放出完整权重，许可证没公布——在那之前它是可用的闭源服务加一个带日期的开源承诺，第三方无法本地复现这些分数。能力也有主动削掉的部分：为不把网络攻防推过危险线，训练里移除了网络安全数据，xdev-bench-hard从削减前的90.5%降到最终发布的81.0%。幻觉改善要按口径读：官方压力测试里单条事实出错率从23.4%降到8.3%，而月之暗面自己也注明了，这是刻意聚焦易错情形的测试，不代表日常整体错误率。知乎知乎知乎
所以，是噱头还是真香，取决于用哪把尺子：Agent编程的尺子上，超GPT-6是真；3D设计的尺子上，它排在两家闭源之后；开放权重这把尺子，11月4日才有答案。如果你的活是写前端、做3D、跑长程编码，现在值得上手试，小游戏和那台「自己debug到能玩」的跑酷游戏已经是够格的样本；要查资料求事实准确、或者等着本地部署的，建议等权重放出再看独立复现。这次发布最扎实的改变或许不在名次，而在路线本身：基座不动，后训练照样能涨出一个身位——下一轮竞争，拼的是真实任务环境和反馈闭环的工程能力。
