「開源最強」是 Kimi K3.1 Pro 最響亮的頭銜,來源是 Artificial Analysis 指數 v5.0 的 46 分與 Agent Arena 的開源第一。但這個頭銜的含金量要分項看:綜合指數上它確實領先,網絡安全這一項上它輸給了 DeepSeek-V4.1-Flash。本文用已覈實到可比口徑的數字,對比 DeepSeek-V4.1-Flash 與騰訊 Hy4,並把缺口如實列出來——沒有可比口徑的地方,本站不編造數字。
AA 指數 v5.0(約 11 月 13 日):K3.1 Pro 46 分,全榜最強的開源權重模型;Hy4 35 分。v4.3.2 版:K3.1 Pro 55 分,全榜第四——同一版本下,Opus 5.5 58 分、Sonnet 5.5 56 分、GPT-6 Astra 53 分,K3.1 Pro 距離閉源旗艦隻有 3 分。Agent Arena:開源第一、全榜第 13,淨提升 +5.1%(Max 檔),基於 17,500+ 真實長程 Agent 會話。AA 實測 Terminal-Bench 4.0:67.2%,該頁面所有模型中最高。這四項是「開源最強」的全部依據——綜合指數、Agent 實戰、終端任務,三處互相印證。
AA 網絡安全指數(11 月 13 日):K3.1 Pro 64 分,Hy4 58 分,DeepSeek-V4.1-Flash-1017 57 分——K3.1 Pro 領先 6–7 分。AA CyberGym 端到端(AA 實測):K3.1 Pro 94.7%,26 個模型中第一,GPT-6 Sol 93.1%。但 xdev-bench-hard pass@3(廠商自報口徑):K3.1 Pro 發佈版 81.0%,DeepSeek-V4.1-Flash 85.7%——這一項 DeepSeek 領先 4.7 分。原因本站在基準專文裏寫過:K3.1 Pro 的 81.0% 是刻意削弱後的數字,未清理檢查點爲 90.5%。如果拿未清理版比較,K3.1 Pro 是 90.5% 對 85.7%,領先;拿發佈版比較,它是 81.0% 對 85.7%,落後。用戶實際能下載到的版本是發佈版,所以「網絡安全開源第一」這個說法對 K3.1 Pro 不成立。
參數規模:K3.1 Pro 2.8T 總參數、104B 激活;Hy4 770B 總參數(本站 Hy4 專題數據)。K3.1 Pro 的規模約爲 Hy4 的 3.6 倍,權重也相應更大:1.56TB 對 Hy4 的可下載權重(本站未覈實 Hy4 權重的具體大小,不展開)。價格:K3.1 Pro $2/$10;Hy4 TokenHub ¥6/¥18,年底前半價。DeepSeek-V4.1-Flash 的 API 價格本輪調研未覈實到,不填。規模最大、價格不低——K3.1 Pro 的「開源最強」是用最大的模型、最重的權重換來的,這一點在自託管指南里會算得更清楚。
兩個最值得對比的對手沒進對比表,原因是缺少可比的獨立分數:Qwen4-Max(本站專題,11 月 11 日發佈)與 GLM-5.3-Flash(K3.1 Pro 的底座)都沒有已覈實到的 AA 指數 v5.0 同版分數、LMArena 或 LiveBench 同口徑分數。GLM-5.3-Flash 只有一處可比數字:它是 K3.1 Pro 的底座,但底座本身的獨立評分不在本輪調研範圍內。DeepSeek-V4.1-Flash 與 Hy4 的 AA 指數 v5.0 同版分數、LMArena 與 LiveBench 分數同樣未覈實到,表中留空。這不是疏忽,是誠實:沒有可比口徑的對比表,比填滿數字的對比表更有用。8 小時跟蹤循環的首要盯梢項,就是這些對手的同版分數補齊。
綜合 Agent 任務:選 K3.1 Pro——AA 指數 46 分開源最強、Agent Arena 開源第一、TB 4.0 AA 實測 67.2% 頁面最高,三項互相印證。網絡安全任務:選 DeepSeek-V4.1-Flash——xdev-bench 85.7% 高於 K3.1 Pro 發佈版的 81.0%,且 DeepSeek 沒有主動削弱。預算敏感的中文任務:Hy4 的 TokenHub ¥6/¥18(年底前半價)值得比較,但 Hy4 的 AA 指數 35 分與 K3.1 Pro 的 46 分有差距,便宜的代價是能力降級。注意:以上建議只基於已覈實到的可比口徑;Qwen4-Max 與 GLM-5.3-Flash 的分數補齊後,建議可能調整。
綜合指數上是:AA 指數 v5.0 46 分爲開源最強,Agent Arena 開源第一。但網絡安全這一項不是:xdev-bench 發佈版 81.0% 低於 DeepSeek-V4.1-Flash 的 85.7%。
因爲 K3.1 Pro 的 81.0% 是刻意削弱後的數字:Moonshot 移除了網絡安全相關訓練數據,未清理檢查點爲 90.5%。拿未清理版比較,K3.1 Pro 是領先的;但用戶能下載到的發佈版是 81.0%。
缺少可比的獨立分數:兩者的 AA 指數 v5.0 同版分數、LMArena 與 LiveBench 同口徑分數,本輪調研未覈實到。本站不編造數字,等分數補齊後再對比。
參考來源:Artificial Analysis — 指數 v5.0、網絡安全指數、CyberGym、Terminal-Bench 4.0 · Moonshot — kimi.com 技術博客(xdev-bench 90.5%→81.0%)(本文爲本站改寫與整理,事實以各榜單與官方博客爲準)