Kimi K3.1 Pro 跑分超 GPT-6，但我劝你先别高潮
所有人都在转那张 Terminal-Bench 的跑分图，65.7% 对 58.2%，Kimi K3.1 Pro 把 GPT-6 Astra 按在地上摩擦。我朋友圈里三个做投资的、两个做开发的，连夜发
所有人都在转那张 Terminal-Bench 的跑分图，65.7% 对 58.2%，Kimi K3.1 Pro 把 GPT-6 Astra 按在地上摩擦。我朋友圈里三个做投资的、两个做开发的，连夜发状态说「国产模型站起来了」。
但我用了一晚上，发现一个很致命的问题。
跑分赢了，然后呢
先承认热度。月之暗面这次确实扔了个重磅：3 万亿参数、100 万上下文、编程智能体测评超过 GPT-6，代码、Agent、知识类基准全面逼近甚至反超闭源最强。Terminal-Bench 4.0 上 65.7% 的分数，比 GPT-6 Astra 高出 7.5 个百分点，离 Claude Opus 5.5 只差 0.7。BenchCAD 上 92.7%，金融文档基准 OfficeQA Pro v2 拿了 SoTA。数字摆在这儿，谁看了都得说一句「有点东西」。
支持方的逻辑很直接：跑分是硬通货，超过就是超过。而且这不是单项突刺，是全面开花——编程、3D、金融、事实准确性，四条线都在涨。Kimi Hallu Bench Hard 上事实错误率从 23.4% 压到 8.3%，这个降幅比跑分更让我意外。
但反对方也有话说。
跑分这东西，说白了就是开卷考试。Terminal-Bench 是公开基准，模型团队有一百种方法针对性地调。你看到的 65.7%，是月之暗面想让你看到的 65.7%。真实项目里那些脏活累活——祖传代码、混乱的依赖、写到一半的需求变更——基准测试一个都不覆盖。
跑分是入场券，不是毕业证。
更关键的是，GPT-6 Astra 的 58.2% 是什么时候跑的？用什么配置跑的？官方没给细节。跨模型比跑分，本来就是个玄学。
我拿它干了点活
作为一个被各种 AI 工具坑过无数次的人，我不太信跑分，信手感和翻车率。
我拿它试了个真实场景：给一个已有的 Three.js 项目加一个可交互的 3D 产品展示页，要求能旋转、能缩放、材质要跟品牌色对齐。这活儿不大不小，正好卡在「纯代码生成」和「完整工程」之间。
结果分两半看。
好的一半：它确实能直接写 Blender 脚本，不用 MCP 连接器，自己把建模、材质、布局一条龙跑完。我给了它一张产品草图，它推断出的比例和空间关系基本合理，生成的 Three.js 场景一次跑通，动效和排版比我预期的干净。这玩意儿在 3D 创作上的手感，确实跟 K3 不是一个档次。
翻车的一半：改到第三轮，我让它「把左边那个零件的圆角调小一点」，它理解成了整体缩放，把整个模型的比例带崩了。我纠正了两次，它才反应过来是局部参数。这种多步执行中的意图漂移，跑分测不出来，但你真干活的时候能气死。
所以我的判断是：K3.1 Pro 在「从零到一」的生成任务上已经很强，但在「从一到一百」的迭代修改上，还差口气。 这恰恰是实际工作里占比最大的部分。
谁该慌，谁该笑
往大了看，这件事对行业的影响比跑分本身有意思。
月之暗面这次把价格压到了每百万 Token 输入 13 元、输出 68 元，缓存命中只要 1.3 元。这个定价放在 3 万亿参数、100 万上下文的模型上，基本是贴着成本线在打。高速版贵一倍，速度 2 到 3 倍，算下来单位时间成本反而更低。
谁该慌？中间层的那批模型厂商。上有闭源巨头压着智能天花板，下有 Kimi 这种把性价比打到骨折的，夹在中间的模型如果既没有独家场景、又没有价格优势，日子会很难过。
谁该笑？做 Agent 和垂直应用的团队。100 万上下文加上这个价格，意味着你可以把整本财报、整个代码仓库塞进去做长程推理，成本还扛得住。金融那条线尤其明显——财务建模提升 14%，商业运营基准直接干到 K3 的 4.2 倍，这不是小修小补。
跟竞品比，我的排序是这样的：纯编程智能体的稳定性，Claude Opus 5.5 还是标杆，66.4% 的 Terminal-Bench 分数和更少的意图漂移说明它更「听话」；多模态和生态整合，GPT-6 Astra 依然领先；但性价比和 3D/CAD 这类垂直能力，K3.1 Pro 已经挤进第一梯队。它不是全能冠军，是个偏科但偏得很值的学生。
对普通读者来说，最实在的一句话：如果你在用 Kimi 写代码、做 3D 或者啃金融文档，这次升级值得切过去试试；如果你只是拿它聊天，感知不会太大。 对从业者来说，模型权重 11 月 4 日前开源，这意味着私有化部署和微调的门槛又降了一截，做垂直行业模型的团队该重新算算账了。
别急着喊赢
说回开头那个「致命问题」。
我用了一晚上，最大的感受不是「国产模型赢了」，而是「跑分和体感之间的裂缝，比以往任何时候都大」。K3.1 Pro 在基准上能跟 GPT-6 掰手腕，但在真实的多轮迭代里，它还是会犯那种让你想砸键盘的低级错误。这不是 Kimi 一家的问题，是所有模型的问题。只是当跑分越来越好看的时候，我们越来越容易忘记这件事。
模型越强，越要盯着它翻车的地方看。
所以别被那张跑分图忽悠了。它不是假的，但它是不完整的。K3.1 Pro 是个好模型，好到值得你花一个下午去试；但它离「替代你的工作」还差着好几轮意图漂移的距离。
好了不吹了，我得回去继续搬砖了，那个 Three.js 项目的圆角还没调对呢。
本文基于 media 公开报道编译解读
本文基于 media 公开报道编译解读，查看原文