Kimi K3.1 Pro 实测：3D 演示出色，表现不一，价格有竞争力

Kimi K3.1 来了：这是一个三万亿参数级别的开放权重模型。我注册并付费订阅，用桌面应用做了一系列项目。基准成绩看起来很亮眼，但我也想看看它实际能做出什么。

我的第一项测试是 3D 魔方。开放权重模型经常搞不定其中的物理规律：颜色消失、旋转不合逻辑，或者魔方突然变成已复原状态。这次渲染很逼真，我可以用控件转动并打乱魔方。

这个魔方是真正的三维模型，移动时反光也会变化。它还支持键盘控制、计时、撤销、重置和调节转动速度。我注意到界面中有 AI 设计常见的小号眉题文字，我也在 Claude 生成的作品里见过这种风格。

求解器会计算一系列步骤，而不是简单地把打乱动作倒过来，然后在三维空间中逐步播放。这个结果完全通过测试，也是我见过最好的版本之一。Kimi 表示，这个模型特别擅长 3D 动画和渲染。

近期的专有模型在 3D 建模方面也有进步，而据我的体验，另一些竞争者仍然落后。视觉任务很适合测试，因为游戏或模型能快速展示系统能做什么，尽管这只是其能力的一个侧面。

接下来，我要求它在浏览器中用 WebGL 渲染 iPhone Duo。材质和反光不错，但手机本身并不准确：标志很奇怪，本应连成一体的屏幕中间有一条大缝。渲染漂亮，不代表还原准确。

我让模型研究这款设备的外观和尺寸，然后再试一次。第一次渲染用了 28 分 45 秒；虽然它进行了网页搜索，仍然遗漏了重要细节。为了保持测试一致，我使用的是高推理强度的 K3.1 Pro。

一项新测试结合了多种技能：在 Blender 中建模一根正在打保护结的绳子。模型需要使用软件、研究绳结，并对交叠的绳段进行空间推理。它还访问了 Blender 官网查找版本，展示了网页使用能力。

结果大致有八字结的形状，但绳子没有正确打结，也没有连接到安全带上，人物模型看起来也很奇怪。我认为这次失败了。绳段之间的关系至关重要，这正是测试困难的地方。

接着，我让它制作一段解释如何打结的动态图。Kimi 的第一个版本是一段 28 秒、1080p 的无声指南，涵盖八字结、穿过安全带、回穿和检查步骤，并提醒观众动画不能代替实际教学。

问题在于，绳子看起来像几条画在一起的线：你看不清哪一段在上、哪一段在下。它看起来有点像绳结，却无法教会我怎么打结。视觉讲解恰恰缺少了最关键的细节。

作为比较，GPT-6.1 Sol 根据同样的提示制作了一段 54 秒的无声动画。绳子的路径和交叉关系清楚得多，我认为自己拿着真绳子可以跟着做。它也提醒观众向有资质的教练学习。

我问 Kimi 如何让动态图更美观，再让它实施自己的建议。修改版增加了立体感、镜头运动，也更容易区分绳段，但交叉关系仍然不清楚。画面更好看了，却没有解决教学的核心问题。

我喜欢的另一项测试是制作浏览器版 Fall Guys 克隆游戏。我保持提示简短，只要求模型搜索参考视频和图片。简短提示能暴露模型的默认假设，让我更清楚地看到它自己的设计选择。

大约 48 分钟后，它做出了 Bean Blitz：一款有 12 名参赛者的 3D 障碍赛，包括电脑对手、移动障碍、检查点、计时器和触屏控制。作为开放权重模型，它做得还不错，但颜色过于偏粉彩、碰撞不准确，画面也有闪烁。

想了解模型的默认选择时，简单提示就足够了。如果我对颜色、动画、关卡设计或技术栈有明确偏好，就应该补充细节。提示的详细程度取决于我希望对结果有多少控制。

我还让它重新设计 Forward Future 的网站。它遵循了品牌颜色和字体，但布局仍然有明显的 AI 生成风格，间距也有问题。我的评价是还可以，而不是已经完成了设计。

一位观众要求制作一段故意混乱的 Theo 版 YouTube Poop 视频。Kimi 称，它用视频生成 API 制作了五段动画恶搞片段，用 Python 和 NumPy 编排剪辑及配乐，并用 FFmpeg 和 FFprobe 完成编辑与验证。它能组装出五分钟的结果，令我印象深刻。

这个模型有时需要比竞争者更多的提示。我让它画一张模型基准成绩对比图，第一张只用了宽泛类别，没有列出测试名称。我要求列出具体基准后，它给出了看起来不对的数字，并承认那些是编造的占位数据。

我提供了公开的基准数据，让它再试一次。即便如此，我还是得明确要求它重新生成图片；最终图表基本上只是换了颜色的原图。这提醒我们要检查数据来源，不能因为图表精美就直接相信。

公开的基准成绩很强，但我的初步实测让我觉得，这个模型很不错，却还没有达到最顶尖专有模型的水平。我对它与其他系统的相似之处有所猜测，但这些实验无法证明 Kimi 是如何训练的。

Kimi 将 K3.1 Pro 描述为三万亿参数级别的开放权重模型。公布的规格包括 2.8 万亿总参数、1040 亿活跃参数和 100 万 token 上下文窗口。作为混合专家模型，它在处理每个提示时只激活一部分参数。

模型具备多模态能力，可以接收图片；我还没有测试视频，也不确定音频支持情况。Kimi 强调它擅长完整项目编程、游戏开发、参数化 3D 建模和金融工作。它声称能与专有模型匹敌，指的是基准测试，未必能预测每项实际任务的表现。

在公司公布的图表中，K3.1 Pro 的 Terminal-Bench 4.0 得分为 65.7，接近 Opus 5.5 的 66.4；SWE Marathon 得分 51.7，高于后者的 46.3。它在 Terminal-Bench Science 上的表现则弱一些。不同评测得出的模型形象可能很不一样。

图表还显示 Kimi 在 GDPval 上接近领先者，在计算机操作评测 OSWorld 上得分 79.6。我自己对计算机操作能力的体验与这些排名并不完全一致。在性价比曲线上，我们希望看到更高的质量和更低的成本。

图中显示，标准版 K3.1 Pro 的价格为每百万输入 token 2 美元、每百万输出 token 10 美元，缓存输入每百万 token 0.20 美元。高速版的输入和输出价格翻倍，缓存输入价格不变；Kimi 称其速度快两到三倍。

Kimi 的技术文章还展示了金融建模，以及在 FreeCAD 和 Blender 中制作的 3D 作品。这些例子很出色，不过我自己还没有复现出所有同等质量的结果。开放权重也让用户可以下载并自行运行模型。

所展示的 Artificial Analysis 图表给 K3.1 Pro 的智能指数评分为 55，领先于几个其他模型。我还会看每项智能任务的成本：它同时考虑 token 单价和完成任务所需的 token 数量。token 便宜，并不保证完成任务也便宜。

在展示的比较中，Kimi 每项智能任务的成本为 2.11 美元，明显低于部分竞争模型。总体来看，这是一个能力强、价格有竞争力的开放权重模型，既有出色的结果，也有明显失败。可以亲自试试，用对自己重要的任务来评估。