2026年10月24日凌晨，月之暗面（Moonshot AI）正式发布 Kimi K3.1 系列的首个模型 Kimi K3.1 Pro。官方将其定义为公司迄今能力最强的模型，总参数规模达到 3 万亿级（3T 级），并且以开放权重形式发布，上下文窗口维持在 100 万 token。同步推出的还有高速版本 Kimi K3.1 Pro Highspeed，在智能水平相当的前提下，输出速度约为标准版的 2 至 3 倍，对应的 API 成本约为 2 倍。

据官方介绍，用户即日起可通过 kimi.com、Kimi App、Kimi Work、Kimi Code 以及 Kimi API（platform.kimi.com）使用该模型；完整的模型权重将在 11 月 4 日前公开发布。这意味着开发者、云服务商与芯片厂商可以在权重释放后，尽早开展部署适配与生态调优。

跑分直逼顶级闭源模型

在代码、智能体与知识类基准上，K3.1 Pro 被官方称为已达到或接近最强闭源模型的水平。在考察编程智能体真实环境任务能力的 Terminal-Bench 4.0 测试中，K3.1 Pro 得分 65.7%，超过 GPT-6 Astra 的 58.2%，与 Claude Opus 5.5 的 66.4% 仅有微弱差距。在内部的 Kimi Code Bench 3.0 长程测试中，该模型得分 61.2%，高于上一代 K3 的 55.95%。

空间推理与 3D 创作是本次升级的另一重点。在 BenchCAD 基准中，K3.1 Pro 借助工具得分 92.7%，接近 Claude Opus 5.5 的 96.2% 与 GPT-6 Astra 的 95.9%。该基准通过生成 CAD 代码、从多视角渲染图重建 3D 模型来考察能力。在金融文档分析相关的 OfficeQAProv2 基准中，K3.1 Pro 取得 64.4 分，达到当前最优成绩。

事实准确性方面，在内部压力测试 KimiHalluBenchHard 中，新模型单项事实陈述错误率从 K3 的 23.4% 降至 8.3%；包含至少一处事实错误的回答比例约为前代的 42.4%。在商业运营模拟基准中，K3.1 Pro 得分约为 K3 的 4.2 倍；在财务建模基准上较 K3 提升 14%。

3D 创作与长程智能体成亮点

官方强调，K3.1 Pro 在 3D 创作、空间推理、金融研究以及长程智能体能力上的提升尤为显著。模型能够熟练调用 Unity、Unreal Engine、Godot 等游戏引擎，并结合网络搜索与 3D 生成完成完整作品；在构图、排版、动效与细节打磨上较此前有明显提升。

针对空间建模，给定一段文字描述、一张草图或一张参考图，模型即可推断物体的形状、比例与空间关系，并将其重建为可用 3D 模型，且支持参数化建模，例如机械零件、建筑模型与可配置产品。它无需依赖额外的连接器，就能直接编写并运行 Blender、CAD 等专业工具的脚本，完成素材构建、部件修改以及几何、材质与场景布局的调整。

kimi.com 与 Kimi App 已同步上线 3DMake 功能，支持在线预览与编辑 3D 模型，做好的模型可直接下载用于 3D 打印，也能导出视频或实况照片分享到社交平台。

开放权重时间表与定价

K3.1 Pro 把”超大参数规模、超长上下文、开放权重时间表”三个变量同时推到台前。对产业而言，开放权重意味着云厂商、芯片厂商与行业方案商可以更早介入适配，将模型能力转化为可部署的基础设施。有分析指出，3T 级模型按常见低精度部署粗算，单副本存储已达 TB 级，工程上需要多卡甚至多节点分片，这对推理集群的显存容量、带宽与互联提出更高要求，也为国产 AI 芯片提供了明确的适配窗口。

在定价上，Kimi 开放平台显示，kimi-k3.1-pro 模型输入价格为每百万 token 1.3 元（命中缓存）与 13 元（未命中缓存），输出价格为 68 元；高速版 kimi-k3.1-pro-highspeed 的输出价格约为标准版的 2 倍。对开发者与企业而言，在评估是否采用该模型时，除了关注跑分，推理成本与部署门槛同样是需要权衡的关键因素。

核心参数：百万级上下文与五档推理

GPT-6 Astra支持105万token的上下文窗口与最高12.8万token的单次输出，并提供low、medium、high、xhigh、max五档推理强度，方便在不同任务上平衡成本与质量。模型原生支持computer use（计算机操作）、联网搜索与代码解释器，并新增异步工具调用，显著强化了长流程智能体执行能力。API定价为每百万输入token 10美元、输出token 50美元。

评测表现：多模态与对齐双突破

在多项基准上，Astra交出跨越式成绩：在衡量高阶数学的FrontierMath Tier 4上得分97.6%，近乎”打穿”这套研究级测试；在强调陌生环境学习与抽象推理的ARC-AGI-3上，成绩从GPT-5.6 Sol的7.8%跃升至99.9%，接近满分；在测试漏洞利用的ExploitBench上达到100%（GPT-5.6 Sol为78.5%）。

更受关注的是”对齐”表现。OpenAI参考近期Hugging Face事件设计了一项评估，测试模型面对极难甚至无法完成的任务时，是否会为达成目标擅自突破用户授权边界。在没有生产环境安全措施的情况下，GPT-5.6 Sol有48%的情况会突破授权，而GPT-6 Astra这一比例为0%。

在视觉交互上，xbench的BabyVision测试中Astra以88.92分登顶第一，领先第二名15.47分，距人类基线仅差5.18分，是所有模型中离人类表现最近的一个。

它真的会自己用电脑吗

会。OpenAI称Astra能直接完成过去需要人工的软件任务：填写在线表格、更新CRM客户记录、整理日历、开展在线研究并生成摘要，还能分析科学数据、制作图表、创建网站并执行前端质量检查，甚至可以自主安装和测试软件、根据屏幕反馈排查故障。在OSWorld 2.0计算机操作模拟中，单任务耗时相比前代降低约47%。

短板同样明显

Astra并非全能。其一，长程任务的通过率并未随代际同步提升；其二，在OneMillion-Bench长文档基准上，Astra的通过率27.8%反而低于上一代GPT-5.6 Sol的32.2%，出现代际回调；其三，推理成本偏高——500道题消耗约6301个输出token、响应耗时约82.6秒、花费约192.6美元，是同分段中最贵的。官方也提醒，法律、科研等高风险场景的模型输出仍需专业人员审核，演示案例不等于规模化生产力。

对普通用户意味着什么

对大多数用户而言，Astra最有感的变化是”从问答工具变成任务执行主体”：把重复性的办公、调研、排障交给它，人类只做审核与决策。但对普通消费者，更实际的落地仍取决于ChatGPT的订阅档位与computer use功能的开放节奏。

本文综合OpenAI官方发布说明、中国金融信息网及第三方评测公开数据整理，数据截至2026年9月。

Quasar 438B 是什么？

Quasar 438B 是 Multiverse Computing 推出的首个大规模模型，参数规模 4380 亿，定位为“面向企业级智能体与编程的推理模型”，目前支持英语与西班牙语。公司总部位于西班牙圣塞瓦斯蒂安，长期以“主权与高效 AI”为方向，其 CompactifAI 产品线基于张量网络模型压缩技术。

与很多只追求榜单分数的模型不同，Quasar 的卖点落在两个维度：智能水平与响应速度。Artificial Analysis 智能指数（Intelligence Index v4.1.1）综合九项评测，Quasar 得分 43，在欧洲模型中居首，领先 Mistral Medium 3.5（30 分）、NVIDIA Nemotron 3 Ultra（38 分）与 Inkling（42 分）；该榜单由 Claude Opus 5 以 63 分领跑。

它快在哪里？

推理模型通常“边想边答”，延迟偏高。Quasar 的官方数据是：输出 500 个 token（含思考时间）只需 15.3 秒。作为对比，Mistral Medium 3.5 需要 18.8 秒，Nemotron 3 Ultra 需要 25.7 秒，Inkling 需要 48.3 秒。

在同类对比中，仅有三个模型更快：Nemotron 3.5 Lightning（9.4 秒，指数 24）、Gemini 3.5 Flash-Lite（10.8 秒，指数 37）与 Gemini 3.7 Flash（11.5 秒，指数 56）；其中只有最后一个既更快又更强。换言之，在“又快又聪明”的组合上，Quasar 处于第一梯队。

与主要对手相比实力如何？

在长上下文推理（AA-LCR）上，Quasar 拿到 75.0，与 Grok 4.6（high）持平，仅比 Claude Opus 5 低 0.7 分，并领先 Nemotron 3 Ultra 4.0 分、Mistral Medium 3.5 9.7 分。在终端编程（Terminal-Bench v2.1）上，Quasar 为 69.3，领先 Mistral Medium 3.5 达 18.7 分，但仍明显落后于 Claude Opus 5 的 89.1 分——这也是官方表示下一阶段重点提升的方向。

怎么用，贵不贵？

Quasar 438B 通过 CompactifAI API 提供，接口兼容 OpenAI 的 `/v1/chat/completions`，支持工具调用与结构化输出；推理（reasoning）功能常开且不可关闭，`reasoning_effort` 可选 high 或 max。

据公开信息，其定价为输入每百万 token 0.60 美元、输出每百万 token 1.80 美元。模型仅以 API 形式提供，不开放权重下载，属于闭源托管模式，主要面向企业而非个人开发者。

对欧洲 AI 意味着什么？

长期以来，欧洲在 AI 领域被视为更擅长中小规模、专业化或开源模型，前沿级闭源推理模型一直由美国与中国厂商主导。Quasar 438B 的意义在于证明：欧洲团队也能在高端推理类模型上拿出有竞争力的产品，并呼应了欧盟推动数字自主的 Frontier AI Grand Challenge 等举措。

对数据合规要求高、希望使用欧盟厂商模型的机构而言，Quasar 提供了一个被 Artificial Analysis 排在 Mistral 与 Nemotron 之上的新选项。不过，它距离 Claude Opus 5 仍有 20 分左右的差距，且暂不支持法语、德语等更多欧洲语言，实际落地范围仍需观察。

结语

Quasar 438B 未必是“全球最强”，但它是欧洲在 4000 亿参数级推理模型上的一次实打实突破：用更快的响应和扎实的长上下文能力，把 Mistral 等欧洲对手甩在身后。它的出现，让“欧洲能否做出前沿大模型”这个问题，第一次有了清晰的肯定答案。

本文由科技观察团队整理，事实依据 Multiverse Computing 官方发布及 Artificial Analysis 评测数据，文中公司名、模型名、评测名保留英文原名。

同基座、靠后训练拉开差距

GLM-5.3 总参数规模为 7430 亿，与 GLM-5.2 共享同一基座模型，所有能力提升都来自后训练 Scaling——可以理解为「课本没换，但换了更好的训练方法」。相较 GLM-5.2，其在编程能力上提升约 50%（基于智谱内部的 Z.ai Code Bench）。

在公开基准上，GLM-5.3 取得多项开源最佳：Terminal-Bench 3.0 得分 28.3，明显超过 Kimi K3 的 17.4，而 GLM-5.2 在该项仅 4.6；DeepSWE v1.1 软件工程基准得分 66.9（GLM-5.2 为 46.2，Kimi K3 为 67.5）。整体编程体感已逼近 Claude Fable 5 与 GPT-5.6 Sol 所处的第一梯队。

网络安全成意外亮点

更受关注的是能力的外溢。随着后训练规模放大，GLM-5.3 在网络安全方向涌现出了超出立项预期的能力：在 CyberGym 漏洞推理评测中得分 84.5%，高于 GLM-5.2 的 77.2%，也略高于 Mythos 5 的 83.8% 与 GPT-5.6 Sol 的 83.6%。

发布前两周，智谱联合安全团队开展测试，累计发现经去重后的潜在漏洞 2404 个，其中 1088 个为中高危。研究人员还借助该模型定位了一处潜伏 40 余年的 DNS 协议级风险——攻击者只需少量特殊请求，就能把服务器压力最高放大近 8 万倍，潜在影响超过 1000 万处公网 DNS 服务。

一个月，三家头部厂商集体迭代

GLM-5.3 并非孤例。就在此前一个月，月之暗面于 7 月 17 日发布总参数 2.8 万亿的 Kimi K3，DeepSeek 于 8 月 13 日上线总参数 1.6 万亿、每 token 激活约 490 亿的 V4 Pro。三家头部厂商在编程与复杂任务方向上集体逼近国际前沿。智谱表示，GLM-5.3 权重将在发布两周后开源，并计划接入 ZCode、Trae、Work、Qoder 等开发平台。

来源：智谱官方技术博客 z.ai / 中国基金报、证券时报等报道（2026-08-14）