Kimi K3.1 Pro 对营销人：同一个模型，更好的训练——半价前沿真正改变的是什么
目录
Terminal-Bench 4.0 这个基准考的是：模型打开一个命令行终端，读懂报错，然后一直干到活儿真的干完。Kimi K3.1 Pro 在上面拿了 67.2%，Claude Opus 5.5 是 66.4%。换 Moonshot 自己的测评框架跑，两个分别是 65.7% 和 66.4%。Kimi 的标价是每百万输入 token $2、输出 $10，Opus 是 $4 和 $20。
价格是对方的一半，成绩和榜首打平，还带一百万 token 上下文、原生图像和视频输入。
但真正让我反复琢磨的是另一件事：K3.1 Pro 的「身体」和 Kimi K3 完全一样。 同样的 2.8 万亿总参数、同样的 1040 亿激活参数、同样的 896 专家 MoE、同样的 100 万 token 窗口。Moonshot 没有造一个更大的模型，他们把手里那个重新后训练（post-trained）了一遍，然后 Artificial Analysis 的智力指数从 43.6 涨到 55.1——全球第四，距离 Claude Opus 5.5 只差 3 分。
这和「中国在追平」是两条不同的新闻，而它才是真正该改变你看待「你正在付钱用的那个模型」方式的部分。我七月写 Kimi K3 的时候，专门标出来要盯的是它的幻觉率（hallucination rate，模型一本正经编造事实的比例）。模型的躯壳一模一样，幻觉率却不是。
下面所有内容都基于公开数字——Moonshot 自己的测评 + Artificial Analysis 的独立复测——发布后第二天整理。我还没把自己的营销 prompt 跑过它。所以：路由建议当作「带价格标签的假设」，成本算术当作「精确值」。
比排行榜名次更值得看的三个数字
一、幻觉率，以及那个没人对账的第二个幻觉率。
Moonshot 自己的高难度评测（Kimi Hallu Bench Hard）显示，逐条声明（claim-level）的幻觉率从 K3 的 23.4% 降到 K3.1 Pro 的 8.3%。在同一个测试的「带工具」版本里，K3.1 Pro 的 8.3% 赢过 Opus 5.5 的 15.0%、GLM-5.3 的 22.6%、Claude Fable 5.1 的 23.3%。
Artificial Analysis 的独立复测就没这么客气了。在 AA-Omniscience 上，K3.1 Pro 的「不幻觉率」是 56.1%——也就是幻觉率 44%，比 K3 的 53% 降了 9 个点。也就是说：模型确实变好了 9 个点，但绝对值依然高到我不放心让它直接写面向客户的合规声明。
两个数字都是真的，测的是不同的东西，而它们之间的落差（8.3% 对 44%）才是真正的事。幻觉率从来不是模型自己的属性，它是「模型 + 你的 prompt + 你的业务领域」共同决定的结果。所以对你的工作流来说，唯一真正重要的数字，永远是你在自己业务上测出来的那个。Moonshot 的数字告诉你厂商的地板抬高了；你自己的数字才决定这份活能不能交出去。
这就是为什么这次发布的意义大于那个指数分数。幻觉率才是「授权外包」这件事真正的闸门。每个人都说要多交活给 AI，但几乎没人能说清楚交哪些活。
二、降价 33%，你的账单不会少。
按 token 算，K3.1 Pro 比 K3 便宜三分之一——输入 $2、输出 $10 对 $3、$15，缓存命中输入 $0.20 对 $0.30。（国内价：未命中输入 ¥13/百万、命中 ¥1.3、输出 ¥68。）然后 Artificial Analysis 测出 K3.1 Pro 每个任务多用 14% 的输出 token——5.5 万对 K3 的 4.8 万。于是「每个智力指数任务的成本」：发布时是 $1.98，今天模型页面上是 $2.11，而 K3 是 $2.00。
平了。单价降三分之一，账单原地不动，因为更聪明的模型把更多 token 花在了思考上。
降价是真的的场景是短输出：分类、打标签、改写、从文档里抽一个字段、生成邮件标题——这类活儿的推理过程不会把 token 数撑爆，你确实少付三分之一。降价不成立的场景是长文本和多步骤任务，多出来的思考 token 把折扣吃干净。
所以路由要看「每个 token 的准确率」，不要看标价。「K3.1 Pro 便宜 33%」这句话是错的，「K3.1 Pro 在输出长度有上限的活儿上更便宜」才是对的。
三、工具比换模型更值钱。
在 BenchCAD（从图片还原 3D 模型）上，K3.1 Pro 靠自己干是 72.8%，一旦给它工具就是 92.7%。同一个模型、同一个任务，光是接上工具就值 19.9 个点——比今年大部分模型升级的涨幅都大。
对营销人来说这才是这次发布里最能落地的一条，而且跟 Kimi 本身无关。如果你的 agent 是「一个长 prompt 干完所有事」——没有工具调用、没有检索、没有浏览器——那你一直惦记的「换个更强的模型」，不如把模型本来就会用的工具先接上。换平台之前，先查这个。
我会把它路由到哪
这个月我会交给 K3.1 Pro 的五类活：
现在会中途卡住的多步 agent 流程。 Terminal-Bench 4.0 是这次最清楚的一个数：K3 是 13%，K3.1 Pro 是 67%。如果你的流程是「抓取 → 对比 → 成稿 → 归档」这种形态（我那个每日 Reddit 监控就是这个样子），而它老是丢掉最后一步，那瓶颈是模型不是流程。有人贴过一次长流程的对照测试，严格说是轶事不是基准，但很有参考价值：K3.1 Pro（high 档）跑了 11.4 万输出 token，API 等效成本 $1.57，实际墙钟时间 13 分钟；Opus 5.5 同样任务 23.5 万输出 token、$5.58、29 分钟。
每个数字都要能追溯来源的研究简报。 Moonshot 内部金融研究评测从 58.8 涨到 70.4，内部业务运营从 8.9 涨到 37.0——差不多四倍。金融式的「有审计链的分析」是你真正想要的营销研究最接近的公开类比：拉源文件、跨文档对数、建模、标注引用。
输出长度有上限的高频活儿。 邮件标题变体、meta description、alt text、商品标签分类、广告文案改写。token 数不膨胀的地方，33% 的降幅才是真金白银。
所有因为「前沿价位」被你搁置的活。 K3.1 Pro 在 Terminal-Bench 上追平 Opus 5.5，在 SWE Marathon（51.7% 对 46.3%）和 OfficeQA Pro v2（64.4 对 62.2）上赢过它。半价——你本来准备为了那点质量提升换过去，现在可以直接跳过这一步。
商品图和 3D 素材。 3D Make 已经上线 kimi.com 和手机 App：给一段描述、一张草图或一张参考图，出来一个可编辑的 3D 模型，可以预览、调整、导出成视频，或者直接送去 3D 打印。对电商和品牌团队来说，这是「摄影棚级别的活」掉到了 API 价格。注意分寸：带工具时它在 BenchCAD 上是 92.7%，Opus 5.5 是 96.2%——它是便宜的 3D 模型，不是最强的 3D 模型。
我会留在别处的三类：
- 品牌声音（brand voice）的终稿润色。 这次发布没有任何一个指标在测文笔。我给品牌声音定的规矩一年多没变过，这次也不会变：写字的那个模型留在原位。
- 对延迟敏感的交互界面。 Artificial Analysis 测到标准版 K3.1 Pro 大约 30 秒出第一个答案 token，Highspeed 版 18 秒，输出速度分别是每秒 73.5 和 129 token。这个模型强制开思考（关掉直接返回 400 错误），而且默认就是 max 档。跑夜间 agent 没问题，聊天窗口就是错的。而且 Highspeed 的 $4/$20 跟 Opus 一模一样——到那一步你该重新问自己一句：真的要一个推理模型吗？
- 任何今天就需要许可证的活儿。 完整权重承诺 11 月 4 日前放出，许可证还没公布。GLM-5.3 开源时带的是非 MIT 许可证，还额外加了一条「年营收超 100 亿美元的公司托管需另议」的条件。Moonshot 会怎么做我不知道——但如果你要在别人的开源权重上自建一套栈，等许可证文本，不要只等权重文件。如果你走托管 API，要留意企业版对 K3.1 Pro 的访问在发布时是默认关闭的，得管理员手动打开。
营销人真正会在哪遇到它
Kimi Code 是终端里的编程 agent，不是你的场景。Kimi Work 才是——它是 Kimi 桌面端（Windows 和 Apple 芯片 Mac）里的桌面 agent，K3.1 Pro 就是在这儿落到不写代码的人手上。
它能在你授权的文件夹里读写，能通过 Chrome 或 Edge 扩展驱动你已经登录的浏览器（Moonshot 叫它 WebBridge），能用真正的五段式 cron 引擎跑定时任务，还能把一个大任务拆给最多 300 个子 agent、4000 多次工具调用。Goal Mode 能让一个明确的目标持续推进最长 24 小时。
换到营销语境：一个夜间任务，打开你已登录的 Meta 广告库页面，把竞争对手的新广告素材扒下来，把总结写进某个文件夹，写之前先问你一句。这正是我那个 Meta 广告库监控用爬虫加 cron 在做的事——只不过不用维护了，而且跑在一台本来就有你登录态的笔记本上。
价格：$19 的 Plus（每月 25 次 swarm 使用、2 个并发子 agent）、$39 的 Pro（50 次、4 并发）、$99 的 Max（120 次）、$199 的 Ultra（240 次、8 并发）。老账号里的名字——Moderato、Allegretto、Allegro、Vivace——对应同样的价位；Kimi Code 里的 100 万上下文要 $39 档，而 Kimi 网页/手机端那个 100 万 token 的超长对话要 $99 起。免费版给你 6 个 agent 任务和 2 个定时任务。
排定时任务前先知道两件事：它跑在本地，电脑一睡眠触发就不发生、错过的任务也不会补跑——把「保持唤醒」打开；还有，它现在还是 beta。
三件要盯着的事
权重。 承诺 11 月 4 日前放出，许可证未公布。盯许可证条款，别只盯文件大小。
那个网络安全（cyber）消融实验。 Moonshot 为了开源发布，刻意从中训练和强化学习环境里删掉了网络安全相关数据，然后把自己因此损失的能力公布了出来：在内部 xdev-bench-hard 上，一个没过滤的检查点 pass@3 能解出 90.5% 的题，正式发布的模型解出 81.0%，而 K3 只有 33.3%。这是第一次有实验室公开「我选择不发的那个能力」，比另一种做法健康得多——但它也提醒你：开源模型的能力边界是一个策略决定，不是一个意外。
API 上的几个坑。 模型 ID 打错不会报错，而是静默路由到 K2.8 Preview，而且不带思考。文档也警告不要在已有的 K3 系列会话里直接切到 K3.1 Pro：会出现预期外行为，缓存命中率也会掉。开个新会话。检查你的模型 ID。API 支持零数据保留（Zero Data Retention），你要把客户数据搬过去的话这条重要。
我真正会记住的那个数字
头条是 55.1——全球第四，落后榜首 3 分。我真正会记住的是 8.3。一个在「你实际做的那类活」上编造得更少的模型，比一个排行榜名次值钱得多，而这是这个分数段上第一个让我愿意这么说的开源发布。
另一件值得停下来想的事：Moonshot 对模型本身什么都没改，对训练改了一切。每一家实验室都有这根杠杆，包括你现在正在付 API 费的那两家。也就是说，你现在调用的那个模型，多半不是那家厂商在 Q4 要发布的那个——他们只是需要一次发版周期，才能把这个差别交到你手上。
所以问题不是十月谁赢了。是你上一次读到「让你意外」的发布之后，有没有去翻过厂商的更新日志。