Artificial Analysis 和 Arena 的榜单均将 Kimi K3.1 Pro 排在第 4；它在 Code Arena WebDev 中排名第 8

Moonshot 的 Kimi K3.1 Pro 发布后一小时内，两家独立评测机构公布了测试结果。两家都将其定价列为每百万输入 token 2 美元、每百万输出 token 10 美元；Artificial Analysis 列出的缓存输入价格为 0.20 美元，比 Kimi K3 低 33%。

Artificial Analysis 表示，该模型在 Intelligence Index 上得分为 55，比 Kimi K3（44）高 11 分，排名总榜第 4，落后于 Claude Opus 5.5（58）、Claude Sonnet 5.5（56）和 Muse Wonder Full（56）。其他数据如下：

• 它在 GDPval-AA 上排名第 3，Elo 为 1,846，比 Kimi K3 高 312 分。
• 在其测试过的所有模型中，它的 Terminal-Bench 4.0 得分最高，为 67%（Kimi K3：13%；Claude Sonnet 5.5：64%）。
• AutomationBench-AA 从 58% 升至 73%。在 Humanity's Last Exam（47% 升至 52%）、CritPt（23% 升至 25%）和 SciCode（59% 升至 61%）上的提升较小。
• 它在 AA-Omniscience 上的幻觉率从 53% 降至 44%。
• 每项任务的成本约为 1.98 美元，与 Kimi K3 大致持平，因为它使用的输出 token 多 14%。
• Artificial Analysis 表示，权重公布后，它将成为得分最高的开放权重模型，与专有模型的差距将从 12 分缩小至 3 分。

Arena 表示，该模型在 Code Arena: WebDev 中排名第 8，得分为 1692，比 Kimi K3 上升 9 位、增加 37 分；其表现与 Claude Opus 5 (Max) 相当，而成本据称低 70%。它的每项任务成本中位数为 1.23 美元，比 Kimi K3 低 29%。Arena 还报告称，它在 Brand & Marketing 中排名第 7，在 Simulations 中排名第 9，并表示开放权重后，它将成为 WebDev 中排名最高的开放模型，领先于 DeepSeek V4.1 Flash。

Artificial Analysis Cyber Index（当天稍晚发布）：Kimi K3.1 Pro 得分为 64%，比 Kimi K3（41%）高 23 分。Artificial Analysis 表示，这使其成为排名最高的公开可用模型，综合排名第 2，仅次于 OpenAI 的可信访问版 GPT-6 Sol（Daybreak Blue, max），后者得分为 69%；它也领先于 DeepSeek V4.1 Flash 1017（57%）。该机构报告称，在其测试过的所有模型中，该模型的 CyberGym-E2E-AA 得分最高（95%）；它在 DeepsecBench-AA 上得分为 37%，在 CWE-Bench-AA 上得分为 61%（DeepSeek V4.1 Flash 1017 在该项以 69% 领先），且没有安全拒绝。每项任务成本为 2.81 美元，比 Kimi K3 高 15%，因为它使用的输入 token 大约是后者的两倍。

Extended NYT Connections（Lech Mazur 的独立基准测试，当天稍晚发布）：Kimi K3.1 Pro (high) 得分为 93.4，略低于 Kimi K3 的 93.6，但使用的推理 token 更少。Mazur 还测试了 GPT-6 Astra (max) 和 GPT-6.1 Sol (max)；Gemini 4 Argon (high) 仍排名第一。

Robocurve 真实机器人任务（当晚发布，太平洋时间）：物理 AI 基准测试组织 Robocurve 表示，Kimi K3.1 Pro 在其真实机器人任务中得分为 9%，落后于 Claude Opus 5.5、Gemini 4 Argon 和 GPT-6 Astra。

Agent Arena（Arena 于 10 月 24 日发布）：Kimi K3.1 Pro (Max) 在 Agent Arena 中排名第 11；在 Arena 用户进行的 4,000 多次真实世界智能体会话中，其净提升为 7.6%。Arena 表示，这将使它成为 Agent Arena 中排名最高的开放模型，领先于 DeepSeek V4.1 Flash。

VulnPR-100（一位用户于 10 月 24 日发布，使用 BugBunny 的基准测试）：面对 100 个已知存在漏洞的拉取请求，每个 PR 限时一小时，Kimi K3.1 Pro 以 124.69 美元的成本找出 47 个，比 Kimi K3 多找出 10 个，成本低 20.54 美元。转发的一条帖子补充称，DeepSeek V4.1 Flash 1017 以 7.53 美元的成本找出 54 个。

Mazebench（作者于 10 月 24 日发布）：Kimi K3.1 Pro 得分为 2%；帖子称，这是开放权重模型首次取得非零但有实际意义的分数。DeepSeek V4.1 Flash 得分为 1%。

Design Creativity Bench（维护者于 10 月 24 日发布）：与 Kimi K3 相比，Kimi K3.1 Pro 的总体创造力得分从 40.4 升至 45.8。适切性得分从 96.8% 升至 98.5%；该基准的帖子称，这一成绩超过其评测过的所有其他开放权重模型，与 Claude Fable 5.1 持平。它生成设计的速度几乎是 Kimi K3 的两倍，每项设计的成本中位数下降 18%，从 0.570 美元降至 0.466 美元。

DesignArena Website 排行榜（DesignArena 于 10 月 24 日发布）：预计 Kimi K3.1 Pro 将在开放权重模型中排名第 1，总榜并列第 3，仅落后于 Muse Wonder (max) 和 Muse Spark 1.3 (xhigh)，并与 Muse Spark 1.3 Max 持平。DesignArena 表示，它在开放权重排行榜上领先 Kimi K3 15 个 Elo 分。

LLM Creative Story-Writing Benchmark（Lech Mazur 于 10 月 24 日发布）：Kimi K3.1 Pro (high) 得分为 2.72，高于 Kimi K3 的 2.35。在 50 个匹配提示词的测试中，它对阵 Kimi K3 的成绩为 35 胜、8 平、7 负。Mazur 表示，主要提升在于情节设计更强，所要求的元素更一致地影响角色的决定及其后果；此外，它使用的推理 token 减少了 34%。