2026 年 10 月 23 日，Kimi K3.1 Pro 与 Highspeed 上线。官方博客把它写成在 Kimi K3 上加大后训练算力的版本，并给出 Terminal-Bench 4.0 自评 65.7%。我们按一手材料核对了发布口径、思考档与过程尺材料；总览见图0。后文分四点：后训练在加什么、思考档怎么拧、BizAgentBench（下文称 BizBench）这把过程尺，以及长程成本冷水与同厂两套幻觉率。
图注：一图看懂 K3.1 Pro
一、发布与自评完成度
按 Kimi Code 更新日志，K3.1 Pro 系列于 10 月 23 日在 Kimi Code 全量可用；同日也可在 kimi.ai、Kimi Work 与 API 平台 选用。
产品线同时放出 Highspeed：官方称与 Pro 同智力设定，约 2～3 倍速度，适合更在意响应时延的场景。两条线共享同一套智力叙事，差别主要在时延与标价。
我们核对产品页与技术博客时，两边对「同智力、不同时延」的表述一致。只盯 Highspeed 的速度数字，会漏掉它和 Pro 共用同一套自评叙事。速度是卖点，智力叙事才是读表的前提。
官方技术博客 写明：在 Terminal-Bench 4.0（资源受限终端任务、按任务专用测试判分）上，K3.1 Pro 得 65.7%；读表前提（自评 / 脚手架 / 思考档）见图0。同表列出 Claude Opus 5.5 为 66.4%、GPT-6 Astra 为 58.2%。
Terminal-Bench 量的是「任务最终有没有过测试」；它不问中间有没有违反业务规则。相对位置仍受脚手架与思考档约束------换一套协议，名次可以重排。下文用 BizBench 另放一把过程尺，两把尺子不要混读。
1.1 标价口径（美元）
API 平台标价如下（美元、按百万 token）：
| 档位 | 输入$/百万token | 输出$/百万token | 备注 |
|---|---|---|---|
| K3.1 Pro | 2 | 10 | 同智力叙事；时延标准档 |
| Highspeed | 4 | 20 | 同智力设定；官方称约 2～3 倍速度 |
人民币价勿与美元混报；比价时先统一货币单位。输出侧通常更贵，思考档越高，输出侧 token 往往越多------标价表和思考档要一起看。Highspeed 换来的是官方宣称的更快响应；选型时把「要不要这档速度」和「账单能不能扛」放在同一页算。
图注：K3 后训练到 K3.1 Pro
二、同底座，加的是后训练
博客首句就定调：K3.1 Pro 是 Kimi K3 的后训练版本 ，后训练算力明显加大。底座规模、上下文与权重开源窗口见图1（规模口径亦见 K3 技术报告 arXiv:2607.24653）。
我们读成：同架构底座上的后训练加码，不宜读成新预训练或换骨架。把「算力加大」误读成「换了一代基座」，会把后续所有跑分都读偏------同底座上的加码，第三方复现时才能和旧版 K3 做干净对照。
权重方面，博客与更新日志一致给出开源承诺；截至我们核对材料时，开源日尚未到，第三方复现与独立榜单要以开源后为准。开源日之前，外面能核到的主要是产品面与 API 面的行为；可下载权重上的复现实验要等开源后。
2.1 后训练在加什么
博客把增益归因于「大幅加大的后训练算力」。要支撑跨数百个下游域的联合强化学习，就得把强化学习框架、长上下文推理、训练效率、沙箱基础设施、rollout 调度和环境质检平台一层层拧紧，让每多加一点算力都能稳定、可预期地换成收益。
编码、智能体、知识等多域因此一起抬升。我们把它理解成「同一底座上，多域一起加码」，比理解成换了一套新预训练更贴官方表述。联合强化学习的重点是「多域一起训、一起抬」，某一域单独刷榜后拼进发布稿解释不了这层机制。
2.2 配套工程与产品旋钮
博客把沙箱、rollout 调度与环境质检写成加码的配套工程：算力加在训练环路上，也加在「能不能稳定跑起来」的基础设施上。
只看见百分数上涨，会漏掉这层工程叙述；只看见工程叙述，又容易把它误读成新产品线。定位仍是：同底座、后训练加码、多域联合抬升。
博客还用内部长程编码例子说明「加码」长什么样：模型会在失败后改策略，也会去查模拟器自身的动力学错误，而不止于拧奖励函数。这类叙述服务的是「后训练在练什么能力」，并不等于第三方榜上的过程合规分数。
产品侧能摸到思考深度这根旋钮，但别抢过「两把尺子」主线：旋钮解释延迟和 token，解释不了业务规则有没有被踩穿。把后训练故事读成「模型更会想」，可以；把它读成「已经通过 BizBench 一类过程尺」，材料里没有这个结论。
2.3 API 思考档：始终开着
按 API 平台「Reasoning Effort」 与 K3.1 Pro 快速入门，思考档怎么拧、默认与读表对齐见图3。
从旧版带 thinking 开关迁过来时，去掉那套配置，改用顶层思考档；多轮与工具调用要把含思考字段的完整助手消息原样传回。业务若选 low 却拿 max 档自评表当 SLA，两边会对不上。把图3当旋钮说明书，正文只补迁接口径与会话怎么传思考字段。
图注：思考档始终开着（默认 max）
三、BizBench：做完了，还要没做错
约 10 月中下旬，BizAgentBench（arXiv:2610.20424）公开了一套支付公司工作流上的长程智能体评测：50 题，嵌在可执行环境里，配用户模拟器、文档库与可调用的业务能力。
它要回答的问题很具体：智能体能不能在办完客户请求的同时，全程守住业务规则。场景贴近真实支付运营------授权、备付、时限、受保护对象------相对抽象问答正确率更贴近部署现场。
论文把自己放在「企业级长程智能体」这一格：环境可执行、规则可违反、失败可分类。它回答的是部署前最怕的那类问题：办完了，有没有顺便踩坏规则。
我们拿来对照厂商完成度表，是为了补一把过程尺；本周材料里没有「某家模型已在 BizBench 上排了名」的结论。
3.1 三层尺子：G∧P∧F
论文把严格成功写成合取，三层含义见图4。
图注：严格成功 = G ∧ P ∧ F
图说清了合取；下表只补「缺一层时，验收怎么写」------不复述三层定义。
| 维度 | 含义 | 缺一后果 / 验收 |
|---|---|---|
| G（目标） | 见图4 | 只验终点状态，等于漏掉过程与保护 |
| P（过程） | 见图4 | 要把授权顺序、备付下限写进自动化检查 |
| F（保护） | 见图4 | 受保护对象与约束也要进检查，不能只看办完 |
论文反复强调：只看最终办完，会漏掉中间违规。典型反例是最低备付：账户全程须保留最低现金，先掏空再补回，目标可能仍过，过程已失败。
授权同理：工具若在客户批准前就尝试执行，即便后来补批并办完，过程检查仍会记失败。环境还会混入现行与历史指引，并标清适用范围和生效期，逼智能体先辨权威规则，再动手------这比「会不会调工具」更接近真实业务部署。
我们读 BizBench 时，先认合取关系，再谈某一个模型「看起来很高」。
论文用支付公司当载体，换成别的强约束行业，合取逻辑仍然适用------变的是规则内容，「办完即可」的宽松读法并不因此成立。
3.2 论文里的对照数字
论文表内（未收录 K3.1 Pro）：Claude Opus 5 严格成功率 64.0%；GPT-6 Sol 61.3%。同一批实验里，过程通过率普遍高于目标通过率，说明「没办完」和「办完但中间违规」是两类不同失败。
DeepSeek-V4.1-Flash 在 150 次运行里有 5 次「目标过了、过程或保护未过」，其中 4 次是先跌破现金备付再恢复。说明完成度高，不等于过程可靠；若只看终点余额，这四次会被误判成成功。
把这类失败模式记下来，比只记两个百分数更有用------它解释了为什么需要第二把尺子。图4只讲合取；备付与授权这类反例，要靠正文补上。
严格成功率把三类检查捆在一起；若对外只报「目标达成率」，备付类失败会被粉饰掉。读任何长程智能体表，先问一句：这个百分数有没有把过程检查算进去。
3.3 长程成本的冷水
读长程智能体数字时，还要看预算和花费。SenseNova 团队关于 GPT-6 Astra 具身能力的报告（arXiv:2610.22471，约 2026 年 10 月）给出一组成本侧写。
在 LIBERO-Long++ 上，标准预算成功率已超过 97%，单次仍约消耗百万级 token、近一小时；到 LIBERO-Ultra-Long，可升到约九百万 token、近两小时。报告还讨论把步数预算放大后分数怎么涨、代价怎么跟------那是具身协议下的现象，用来提醒「高分可以很贵」。
97% 指的是 Long++ 在标准预算下的量级，不要把它和 Ultra-Long 的花费混成一句「又快又便宜」。报告正文把预算、步数与耗时写在一起，剪贴时别只剩成功率。
3.4 冷水怎么用在读榜上
今日日榜口径不适用；材料亦未测 Kimi K3.1 Pro。 拿来只提醒：读榜时把「分」和「花掉的 token / 时间」放在一起看；别把某一套扩展预算下的分数，直接当成可上线的单位成本。
BizBench 谈的是过程合规，SenseNova 这篇谈的是成本侧写------两篇都不给 K3.1 Pro 打分，但都能把「分」读厚一点。Long++ 与 Ultra-Long 是同一报告里的两档难度：标准预算下的高分，和拉长地平线后的花费，要分开记。
把「97%」单独剪贴进标题、不写清预算与耗时，会把长程智能体误读成又准又便宜。
图注：完成度与过程合规两把尺
BizBench 未测 Kimi K3.1 Pro。 把厂商完成度与过程合规拆开读，是为了避免把自评百分数误当成第三方过程分。等权重开源、第三方能进类似协议之后，再谈「这一版在过程尺上站哪」才有材料。
四、怎么读这类发布
4.1 先认脚手架
厂商榜多刷「做完了」；BizBench 一类工作更量「有没有按规则做完」。我们读 K3.1 Pro 的 65.7% 时，先对齐脚手架与思考档，再谈小数点；读表前提见图0。
换一套 harness，同一模型分数可以差一截------所以跨实验室横向比，要先对齐脚手架，再谈几个百分点。思考档也要对齐：官方表默认 max，你在 low 档上测到的数，不宜直接和那张表对撞。
脚手架、思考档、是否自评，这三项缺一项，表格里的小数点就失去对照意义。图3把思考档说清之后，读表时仍要亲手核脚注里的 harness 名称，别只盯百分数。
Claude Code 作为 harness 被写进脚注，本身并无贬义，它只是提醒：这是一套可复现实验条件，换条件要重测。横向对比时，优先找「同一脚手架、同一思考档」的数；找不到，就明确标注不可直接加减。脚注里的 harness 名称，值得和百分数一起抄进笔记。
4.2 幻觉率：同厂两套数
若你顺手看到「幻觉降了多少」，也先对口径。同厂两套压力测数字如下（两边都声明不代表日常总体错误率）：
| 题集 | K3 | K3.1 Pro | 出处 |
|---|---|---|---|
| 内部 Kimi Hallu Bench Hard（断言级） | 23.4% | 8.3% | 技术博客 |
| 「用户曾标过错」的脱敏对话 | 23.35% | 6.85% | API 快速入门 |
两套题、两个数，文档彼此未互引。这里只点「口径会裂开」，不把它当成主线结论，也不拿去和第三方幻觉榜直接加减。金融场景尤其容易被「降了多少个百分点」带跑------先问测的是哪套题，再谈降幅。
同厂两套数可以同时成立，只要题集不同。我们核对时，不把 8.3% 和 6.85% 平均成「大约 7%」，也不拿去减第三方榜上的另一个百分数。口径分裂点到为止，主线仍是完成度与过程合规两把尺。
4.3 可照着记的格子
跟发布时建议拆开记：官方脚手架、自评与第三方、目标达成与过程合规；需要时再加一列思考档和一列成本。
金融、支付类工作流尤其适合把 BizBench 这类过程尺放在旁边------哪怕本周模型还没被它测到。把格子填满，比急着写一句「全面领先」更接近材料能支撑的结论。
K3.1 Pro 是 K3 后训练加码版；65.7% 是 Claude Code 脚手架、思考档 max 下的厂商自评完成度。BizBench 提醒过程合规，但本周材料里没有它测过 K3.1 Pro；成本冷水与幻觉口径只作读榜提醒。权重开源前，第三方进类似过程尺只能等；开源后再补独立过程分，叙事会更稳。