Artificial Analysis 與 Arena 在各自排行榜將 Kimi K3.1 Pro 排名第 4，在 Code Arena WebDev 排名第 8

兩家獨立評測機構在 Moonshot 發布 Kimi K3.1 Pro 後不到一小時內公布了評測結果。兩者列出的價格皆為每百萬輸入 tokens 2 美元、每百萬輸出 tokens 10 美元；Artificial Analysis 列出的快取輸入價格為 0.20 美元，比 Kimi K3 低 33%。

Artificial Analysis 表示，該模型在 Intelligence Index 得分為 55，比 Kimi K3（44）高 11 分，總排名第 4，僅次於 Claude Opus 5.5（58）、Claude Sonnet 5.5（56）和 Muse Wonder Full（56）。其他數據如下：

• 它在 GDPval-AA 排名第 3，Elo 為 1,846，比 Kimi K3 高 312 分。
• 在 Artificial Analysis 測試過的所有模型中，它的 Terminal-Bench 4.0 得分最高，為 67%（Kimi K3：13%；Claude Sonnet 5.5：64%）。
• AutomationBench-AA 從 58% 升至 73%。在 Humanity's Last Exam（47% 升至 52%）、CritPt（23% 升至 25%）和 SciCode（59% 升至 61%）上的進步較小。
• 它在 AA-Omniscience 上的幻覺率從 53% 降至 44%。
• 每項任務成本約為 1.98 美元，與 Kimi K3 大致相當，因為它使用的輸出 tokens 多 14%。
• Artificial Analysis 表示，權重發布後，它將成為得分最高的開放權重模型，與專有模型的差距將從 12 分縮小至 3 分。

Arena 表示，該模型在 Code Arena: WebDev 排名第 8，得分 1692，比 Kimi K3 上升 9 個名次、增加 37 分；與 Claude Opus 5 (Max) 表現相當，成本則據稱低 70%。每項任務的成本中位數為 1.23 美元，比 Kimi K3 低 29%。Arena 也指出，它在 Brand & Marketing 排名第 7、在 Simulations 排名第 9，並表示若採用開放權重，它將成為 WebDev 排名最高的開放模型，領先 DeepSeek V4.1 Flash。

Artificial Analysis Cyber Index（當日晚些時候發布）：Kimi K3.1 Pro 得分 64%，比 Kimi K3（41%）高 23 分。Artificial Analysis 表示，這使它成為排名最高的公開可用模型，總排名第二，僅次於具可信存取權的 OpenAI GPT-6 Sol（Daybreak Blue, max），後者得分 69%；並領先 DeepSeek V4.1 Flash 1017（57%）。該機構表示，這是它測試過的所有模型中 CyberGym-E2E-AA 得分最高的模型（95%）；它在 DeepsecBench-AA 得分 37%，在 CWE-Bench-AA 得分 61%（DeepSeek V4.1 Flash 1017 以 69% 領先），且沒有安全拒答。每項任務成本為 2.81 美元，比 Kimi K3 高 15%，因為它使用的輸入 tokens 約為兩倍。

Extended NYT Connections（Lech Mazur 的獨立基準測試，當日晚些時候發布）：Kimi K3.1 Pro (high) 得分 93.4，略低於 Kimi K3 的 93.6，但使用的推理 tokens 較少。Mazur 也測試了 GPT-6 Astra (max) 和 GPT-6.1 Sol (max)；Gemini 4 Argon (high) 仍居首位。

Robocurve 真實機器人任務（當晚太平洋時間發布）：實體 AI 基準測試組織 Robocurve 表示，Kimi K3.1 Pro 在其真實機器人任務上的得分為 9%，落後於 Claude Opus 5.5、Gemini 4 Argon 和 GPT-6 Astra。

Agent Arena（Arena 於 10 月 24 日發布）：Kimi K3.1 Pro (Max) 在 Agent Arena 排名第 11；根據 Arena 使用者超過 4,000 場真實世界代理工作階段的結果，其整體表現提升 7.6%。Arena 表示，這將使它成為 Agent Arena 排名最高的開放模型，領先 DeepSeek V4.1 Flash。

VulnPR-100（一位使用者於 10 月 24 日發布，使用 BugBunny 的基準測試）：給定 100 個含有已知漏洞的 pull requests，且每個 PR 有一小時，Kimi K3.1 Pro 找出 47 個漏洞，成本為 124.69 美元；比 Kimi K3 多找出 10 個，成本則少 20.54 美元。一則轉載貼文補充，DeepSeek V4.1 Flash 1017 找出 54 個，成本為 7.53 美元。

Mazebench（作者於 10 月 24 日發布）：Kimi K3.1 Pro 得分 2%；貼文稱這是開放權重模型首次取得非微不足道的分數。DeepSeek V4.1 Flash 得分 1%。

Design Creativity Bench（維護者於 10 月 24 日發布）：相較於 Kimi K3，Kimi K3.1 Pro 的整體創意得分從 40.4 升至 45.8。適切性得分從 96.8% 升至 98.5%；該基準測試的貼文稱，這高於其評測過的所有其他開放權重模型，並與 Claude Fable 5.1 相當。它生成設計的速度幾乎是 Kimi K3 的兩倍，每個設計的成本中位數則降低 18%，從 0.570 美元降至 0.466 美元。

DesignArena Website leaderboard（DesignArena 於 10 月 24 日發布）：預測 Kimi K3.1 Pro 將在開放權重模型中排名第 1，總排名並列第 3，僅次於 Muse Wonder (max) 和 Muse Spark 1.3 (xhigh)，並與 Muse Spark 1.3 Max 並列。DesignArena 表示，它在開放權重排行榜上比 Kimi K3 高 15 Elo 分。

LLM Creative Story-Writing Benchmark（Lech Mazur 於 10 月 24 日發布）：Kimi K3.1 Pro (high) 得分 2.72，高於 Kimi K3 的 2.35。在 50 個配對提示中，對 Kimi K3 的結果為 35 勝、8 平、7 負。Mazur 表示，主要進步在於情節安排更出色：必須納入的元素更穩定地影響角色的決定及其後果；此外，它使用的推理 tokens 減少 34%。