能被验证的活，它都追上了

2026-10-25 · 人工智能

10 月 24 日凌晨，月之暗面发了 Kimi K3.1 Pro。3 万亿级参数，100 万上下文，完整权重 11 月 4 日前放出来。

日期挑得有心思。10 月 24 日，1024，程序员节。

新闻稿里最响的一句是"全球参数规模最大的开源模型"。这句话没错，但信息量不大——今年 7 月的 K3 是 2.8 万亿，K3.1 Pro 是它的后训练版本，参数没怎么动，动的是强化学习的算力，在几百个下游领域一起训。

真正有信息量的是那张跑分表。表里藏着一件比"追平闭源"更具体的事。

一张表，两个极端

我把它读了三遍。

终端编程的 Terminal-Bench 4.0，它 65.7%。Claude Opus 5.5 是 66.4%，GPT-6 Astra 是 58.2%。差 0.7 个百分点。

考真实财报文档的 OfficeQA Pro v2，它 64.4，第一名。Opus 5.5 是 62.2。

财务建模的 GDP.pdf，它 70.0。Opus 5.5 是 67.7。

然后是另一个方向。科学终端任务的 Terminal-Bench Science 0.1，它 38.1。GPT-6 Astra 是 68.1，Opus 5.5 是 63.3。差 30 个百分点。

带工具的 CAD 重建，BenchCAD，它 92.7。Opus 5.5 是 96.2。

同一个模型，在一个榜上是亚军，在另一个榜上差出一整条街。

差的不是"智能"。差的是活的性质。

前面那几件——改代码、核财报、搭模型——答案是可以验的。代码跑不跑得通，表里的数加不加得上，模型自己跑一遍就知道对不对。后面那几件——科学计算、空间重建——对错藏在物理和几何里。它错了，它自己看不出来。

这就解释了它为什么敢把权重放出来。能被验证的活，用户自己会验。验不过，用户自然就不用它了。

不能验证的活，它自己也心虚。

我最在意的是那个假人走了 11.2 秒

官方放了一个案例，我读了两遍。

他们拿一个人体解剖模型做底子——296 个骨骼组件，402 个肌肉组件——让模型去训一个走路控制器。

一开始，假人迈几步就摔。

模型自己跑了 167 个任务、420 次独立评审，一路看结果、定位问题、改控制器。最后那个假人连续走了 11.2 秒。

中间有个细节，比 11.2 秒值钱得多。奖励函数怎么调都不管用的时候，它没有继续调参——它回头去查仿真器本身，发现肩部肌肉力臂的计算里有 36 处错误，改完，再重新训。

这是我最看重的一类行为。不是"我会写代码"，是"我怀疑工具坏了，我去验一下"。

大多数时候，人是懒得做这一步的。参数调到第七版不对，我们倾向于再调第八版，而不是承认尺子本身是歪的。

8.3% 是什么概念

我在舍弗勒管 IT，每年预算季要核一堆表。

这活一直是人的，原因很朴素：机器对不上数的时候不承认自己对不上，它会给你一个看着特别像的答案。

这次它们考的正是这个。OfficeQA Pro v2 的题面是真实财报文档，要检索、要跨文档核对、要多步数值推理。官方还补了一个数：单项事实陈述的错误率，从 K3 的 23.4% 降到 8.3%。

8.3% 是什么概念。一页四十行，大概三行是错的。

还是得有人看。但从"每四行错一行"到"每十二行错一行"，是从不能用变成能用的距离。这个距离，比从 58 分到 66 分重要。

需要提前知道的四个坑

官方跑分都是在推理拉满档（reasoning effort = max）拿的，日常开低档会差一截。看榜要连着口径一起看。

他们主动削了网络攻防能力。训练时剔掉了相关数据，内部一个攻防基准从 90.5% 掉到 81.0%。这是有意画的边界，但它意味着安全类任务上它不如别家。

价格是每百万 token 输入 13 元、缓存命中 1.3 元、输出 68 元。官方口径综合成本约是 GPT-6 Astra 的五分之一。缓存价差十倍，长上下文场景把稳定前缀设计好，账单会差很多。

权重 11 月 4 日前放。现在还没有。

造一艘航母去送快递

三万亿个参数，最拿手的活是核表格。

搁二十年前，这等于造一艘航母去送快递。

但送快递恰恰是最值钱的活。公司里最贵的从来不是写代码的人，是把两张表对上、还能说清为什么对不上的人。前者年薪有市场价，后者只有"你找他"这三个字。

我干这行这么多年，最怕的从来不是模型不会写代码。是它把两列数对不上，还理直气壮地给我一段解释。

11 月 4 日权重放出来之后，会有一堆人把它下载下来。我猜第一件事不是跑分，是让它算一张自己公司的表，然后盯着看它错在哪。

那才是真正的评测。而且不用等谁发榜。