Matthew Berman 团队测试 Kimi K3.1：动画、游戏与图表

Matthew Berman 和 Alex、Brian 调整好直播设置，开始团队问答。他已启动 Kimi K3.1，邀请观众提出可能用于后续视频的测试。团队把这场直播当作探索：任务运行期间，大家不断接收建议并即时讨论结果。

参与者说，根据他们的经历，新发布的模型因需求旺盛而受到访问限制。Berman 也在测试 DeepSeek V4.1 Flash，但更倾向于关注 Kimi；Alex 说自己是 Kimi 的粉丝，因为此前的版本似乎缩小了开放模型与闭源模型之间的差距。

Alex 对差距的估计是个人印象，并非测量结果。团队讨论 K3.1 是否能达到领先专有模型的水平，简短谈到早期模型和微调，随后开始回答观众的问题。

一位瑞典观众说，自己无法使用几款个人智能体产品。团队交流了对访问限制和 VPN 的不确定看法；他们没有确认哪些产品在特定地区可用，也没有确定绕过限制的方式是否被允许。

一位观众建议用一次提示生成游戏。Berman 同意启动任务，但提醒说大型游戏可能无法在他下一次录制前完成。被问到 Claude Duet 时，团队表示尚未获得提前访问权限；一位观众认为它相比 Grok Bot 没什么特别之处。

Berman 说 Grok Bot 能满足自己的日常需求，而 Muse 可能更主动。他举了一个 Dots 的具体例子：他手动输入同事的邮箱地址后，Dots 发现他拼错了 Alex 的地址，并建议他跟进。他认为这是一次有用的主动提醒，而非系统性的产品比较。

讨论转向据称发生变化的订阅额度，以及竞争对手可能如何应对。发言者推测临时限制和额度重置对用户的影响；他们提到的数字反映的是当时的讨论，不应视为现行套餐条款。

一位参与者说，繁重的视频剪辑消耗了他大量额度，但停止用 Grok Bot 执行该任务后，使用量变得可以接受。团队将处理日常自动化的个人智能体，与承担大型编程项目或高负荷剪辑工作的智能体区分开来。

Berman 说，他更常用 Codex 和 Claude 编程。同事建议让 Grok Bot 使用 Cursor 完成更重的工作；Berman 回忆，有人告诉他，一些 SpaceX 工程师采用这种组合，因为个人智能体掌握了 Cursor 单独使用时没有的上下文。他表示自己还没有尝试过这一工作流。

团队解释了这种编排方式的吸引力：了解用户上下文的个人智能体可以把专业编程任务交给适合的工具。他们讨论的是一种可能的工作流和个人经验，并未证明这种组合在所有情况下都更好。

问答接着涉及订阅、键盘和其他日常工具。参与者比较各自的设备和使用方式，将设备选择视为个人偏好，而不是客观的产品推荐。

Berman 谈到让 Codex 协助处理直播软件 Ecamm。话题源于调整直播布局的困难，也体现了他们即使在活动进行中，也会尝试用编程智能体解决实际工作流问题。

一位观众提出了一项不同寻常的创意测试：制作一段关于 Theo、时长五分钟的 YouTube 风格搞笑剪辑。Berman 启动任务，团队讨论成品可能是什么样。他们把这当作娱乐实验，准备检查智能体实际生成的内容。

团队又谈到管理直播软件和布局时遇到的麻烦。他们讨论如何改进设置，同时承认直播已经开始，部分现场调整很难协调。

等待 AI 任务运行时，团队聊了很长一段快餐。参与者交流对 In-N-Out 和其他连锁店的偏好，话题更多围绕怀旧、所在地和个人口味，而非严肃的排名。

他们比较各自点的餐，对 animal-style 薯条意见不一。一位参与者推荐快休闲餐厅 Mendocino Farms，引出了人们游说餐厅到自己地区开店的故事。

美食话题还涉及鸡肉 Big Mac 和 Culver’s，有人建议尝试后者的奶冻。这段聊天让测试过程有了休息时间，并不能说明所讨论模型的表现。

Berman 暂停查看一段 Kimi 动画，指出生成角色似乎经常采用熟悉的简化风格。其他人提出不同解释，包括简单形状更容易用代码制作动画；这只是审美观察，不能证明它们有共同的训练来源。

Berman 介绍了一项新测试：制作动态图形，解释攀岩保护绳结。他认为这个任务结合了编程、视频转换、空间推理，以及已有知识或资料研究。由于涉及攀岩安全，动画好看并不能证明其中的技术正确或安全。

为了获得对照，Berman 也将相同提示交给 GPT-6.1 Sol，使用中等推理强度和快速模式。这是一场非正式并排演示，不是受控基准测试：团队评价的只是屏幕上少量的输出。

直播期间，Berman 的 Chrome 和其他应用崩溃，但直播和 Kimi 仍然可见。团队对此开玩笑，但视频没有证明是 Kimi 导致了崩溃。

另一项创意任务是用 WebGL 制作新款 iPhone Duo 的浏览器 3D 渲染，追求真实感。Berman 以更高设置启动提示；直播中展示的完成结果不足以评价这项任务。

大约五分钟后，Kimi 交出了第一版绳结图形。界面报告生成了一段 28 秒、1080p 的视频。Berman 认为它在某些方面有潜力，另一位参与者则批评代码绘制的形状粗糙、扁平。他们的快速评价无法验证所展示的绳结。

生成结果附带警告，建议向合格攀岩教练学习并验证相关技术。不论主持人如何看待这条警告，都应把动画视为 AI 生成的演示，而不是攀岩时可以依赖的教程。

团队要求 Kimi 制作更精致的版本：让绳索看起来更有实体感，添加圆润的末端和编织纹理，改进绳结动画及镜头运动，并简化排版。第一版由此变成了一项迭代设计测试。

接下来展示的是 GPT-6.1 Sol 版本。一位参与者认为其对绳索上下穿绕的表现更清晰，Berman 则质疑它究竟好多少。他们同意画面有所改善，但没有将个人印象转化成总体模型排名。

团队也厌倦了许多一次生成作品中常见的深蓝色视觉模板和排版。他们开玩笑说，理想的模型应该更准确地预判用户的审美偏好；这也说明，看似完整的输出仍可能显得千篇一律。

话题短暂转向本地硬件以及一位观众使用 DGX 的经历。提到的速度数字属于个人观察，关于功耗的猜测也没有被确认为测量结果。这段讨论没有提供与托管推理的受控比较。

Kimi 的修改版最终出现，绳索增加了纹理，展示方式也有所调整。团队仍认为视觉处理不够理想；要求绳索更加逼真改善了部分画面，但没有自动解决第一版中的所有问题。

此前请求的搞笑视频也制作完成。团队观看这段关于 Theo 的剪辑，讨论其节奏和反复出现的笑点。他们觉得它汇集的素材数量令人印象深刻，同时也注意到重复和奇怪的选择，这些都是尚未完成的自动剪辑可能出现的问题。

参与者讨论，如果给予反馈，创意智能体能把这种剪辑进一步改进到什么程度。他们在直播中的反应是对某个具体作品的主观评价，并不能证明视频无需审核即可发布。

游戏任务生成了一款名为 Bean Blitz 的彩色浏览器障碍竞速游戏。Kimi 的完成说明列出了参赛者、障碍、操作方式和测试，但团队仍需运行游戏，才能判断这些声明是否符合实际体验。

试玩后，主持人对视觉效果感到失望，并发现至少有一个障碍似乎没有按预期影响玩家。因此，一份生成的完成报告和一个能够运行的画面，本身并不能证明游戏画面令人满意或机制正确。

Berman 要求模型改进游戏。团队继续思考更具挑战性、更贴近实际的任务应该是什么样，也继续实验，没有把第一版生成结果当成成品。

团队考虑要求模型制作一张比较前沿模型基准成绩的动态图。他们想看看智能体是否能够研究资料并呈现有意义的比较；在这种任务中，来源数据的质量与视觉设计同样重要。

团队打开 Kimi 的发布帖。厂商称该混合专家模型拥有 100 万 token 上下文、2.8 万亿总参数和 1040 亿激活参数，并就编程、3D 工作、金融任务和基准表现提出一系列声明。这些是 2026 年 10 月直播中展示的厂商声明，并非主持人独立验证的结果。

帖子还宣称，在一项与金融有关的指标中，幻觉减少了 65%，但直播没有确定相关基线或测试条件。帖子宣布了更快的版本和未来开放权重的日期。这些发布声明应放在当时的背景下理解，而不能视为当前可用性的保证。

Berman 将宣传中的基准成绩与自己的初步印象比较，对这些结果是否符合他目前的观察表示不确定。少量直播演示不足以证实或反驳厂商更广泛的性能声明。

团队提到游戏引擎和其他创意测试，包括一项涉及 Blender 的请求。他们讨论希望智能体构建什么，但提示或宣称的能力不等于已完成、已验证的成果。

临近结尾，基准对比图乍看很精致，使用条形图展示多个模型和宽泛的类别。团队仔细检查它，没有因为图表排版漂亮就假定底层比较有效。

图表将数字标为示意性的归一化分数，并明确说明这是占位分数，而非官方结果。团队质疑其中的数字和笼统分类。这张图很好地说明：在把生成图表中的数字作为证据引用之前，必须与真实来源核对。