Kimi K3.1 Pro 评测与价格

发布与定位

Kimi K3.1 Pro 由月之暗面于 2026 年 10 月 24 日发布，是旗舰级开放权重多模态推理模型，3 万亿级参数，定位为 Kimi K3 的后训练版本。官方说明里列出的能力提升集中在四处：编程、3D 创作、金融研究与智能体工具调用。

量化数据只给了一个：Terminal-Bench 4.0 得分 65.7%。这个测试衡量的是在终端环境里完成多步任务的能力，分数本身不说明一切，但能反映它在"边执行边纠错"这类工作流上的水平。

"开放权重"这个词值得多说一句。它意味着模型权重可以下载自部署，对数据不能出内网的团队是硬需求。站内提供的是托管接口，两者不冲突——先用托管接口验证效果，再决定要不要自己部署。

参数与输出上限

上下文 1,048,576 token，正好 2 的 20 次方，也就是 100 万级。最大输出 943,718 token，约 94 万。输入支持文本、图像和视频，输出只有文本。

94 万的输出上限在旗舰级模型里属于最高的一档。作为参照，Claude Opus 5 和 GPT-6 Astra 的最大输出都是 12.8 万，Gemini 3.8 Flash 是 6.4 万。要一次生成整本产品手册、完整的前端项目代码、或者几十万字的行业研究报告，只有这个量级的输出上限才够用。

视频输入这项在国产模型里还不多见。产品演示、教学录屏、监控片段可以直接送进去做结构化描述，不用先抽帧再逐帧调用视觉模型。

价格

官方定价为输入 13 元/百万 token、输出 68 元/百万 token，缓存读取 1.3 元、缓存写入 13 元。输出价是输入价的 5.2 倍，这个比例决定了它的成本结构：输出密集的任务，账单由输出价主导。

按 6.68 的汇率折算，稳定国模分组的输入价约 $0.39/百万、输出价约 $2.04/百万。缓存读取 1.3 元是输入价的 10%，做多轮长文档对话时，把不变的部分放前面命中缓存，重复上下文的成本会明显下降。

和 K3、K2.8 怎么选

K3.1 Pro 比 K3 便宜：输入降 35%，输出降 32%，输出上限却从 13 万提到 94 万。同一个厂商内部出现这种价差，通常意味着后训练版本在推理效率上做了优化。手上还有 K3 的调用，直接换过去，成本会降。

K2.8 Preview 的输入价更低，输出上限还略高，但只在 Buddy 分组可用，倍率 0.03 之后输入价 0.3 元、输出价 0.9 元。它的官方描述是"综合性能接近旗舰 K3"，适合做成本敏感的长文草稿，终稿再交给 K3.1 Pro 润色。

什么任务值得用

长文生成是第一类。输出上限 94 万意味着一次调用能出几十万字，配合 100 万上下文，可以把参考资料和写作要求一起塞进去，避免多轮拼接导致的前后不一致。

第二类是长时程编程。Terminal-Bench 4.0 的 65.7% 说明它能在终端里连续执行命令、读报错、改代码。做自动化重构、批量迁移这类任务时，它的性价比比按美元计价的海外模型高。

第三类是多模态研究工作。图像和视频输入加上超长上下文，可以把一批素材和文字资料放在同一个请求里做交叉分析，金融研究场景里这种用法比较常见。

不适合的是简单分类和高频问答。这类任务用 glm-5.3-flash（0.16 元输入）或 deepseek-v4-flash（空闲 1 元输入）就够，没必要为用不上的输出上限付费。

接入

import openai

client = openai.OpenAI(
    api_key="sk-...",
    base_url="https://ai.idcidiot.com/v1",
)

resp = client.chat.completions.create(
    model="kimi-k3.1-pro",
    messages=[{"role": "user", "content": "按这份大纲写完整的产品白皮书"}],
    max_tokens=64000,
)
print(resp.choices[0].message.content)

模型页见 Kimi K3.1 Pro，同类长上下文模型可在模型总览按上下文长度筛选，实时倍率以价格页为准。