AREX Feed Article
Arena 发布 Kimi K3.1 Pro 首份第三方评测：Agent Arena 开源第一、总体第 13
图：Kimi K3.1 官方技术博客封面（）
Kimi K3.1 Pro 开放权重约五个半小时后，第三方评测平台 于北京时间 11 月 5 日 5 时 09 分发布了这款模型的第一份非厂商评测：在 Agent Arena 的 1.75 万余场真实长程 agentic（智能体式）会话中，Kimi K3.1 Pro (Max) 位列开源模型第一、总体第 13，净提升 +5.1%，比上一代 Kimi K3 (Max) 的 +0.9% 高出 4.2 个百分点。
11 月 4 日，月之暗面（Moonshot AI）在 Hugging Face 开放了 Kimi K3.1 Pro 的权重，一个总参数 2.8T、每 token 激活 104B 的 MoE（混合专家）模型；在此之前，这款模型公开的性能数字全部出自厂商模型卡或推理引擎团队自述。
scaling01 确认开放、SGLang 首日适配、Arena 公布评测
北京时间 11 月 4 日 23 时 33 分，X 账号 （简介标注为 Epoch AI 研究员）发帖「Kimi-K3.1-Pro 现已开放权重」，附上 链接，确认权重可以实际下载。11 月 5 日 0 时 26 分，推理引擎 宣布对 K3.1 Pro 的 Day-0（发布首日）服务支持。5 时 09 分，Arena 发帖公布评测，开头即写道：「@Kimi_Moonshot 已发布 Kimi K3.1 Pro 的开放权重，现列 Agent Arena 开源模型第一。」
据 Arena 公布，评测会话来自其全球社区用户；K3.1 Pro (Max) 在 Work、Code、Chat 三个类别均列开源第一，所有分项信号较 Kimi K3 全面上升；作为参照，上一代 Kimi K3 (Max) 居开源第六。帖文结尾写道：「祝贺 @Kimi_Moonshot 对开放生态的这一贡献。」
分项信号：Bash 可靠性从开源第 13 跃至第一，确认成功率只列第四
Arena 同时给出了分项信号。摆动最大的是 Bash 可靠性（successful shell commands，成功执行的 shell 命令）：K3.1 Pro 以 +7.9% 居开源第一，而 Kimi K3 在同一项上排开源第 13、−4.5%。用户好评度（Praise vs Complaint，用户反馈中的正负情绪对比）+7.7%、开源第一，K3 为第六、+1.3%；可引导性（Steerability，模型响应用户纠正的表现）+6.5%、开源第一，K3 为第五、+0.4%。
四项中唯一没拿到开源第一的是确认成功率（Confirmed Success，用户明确表示「成功了，可行」的比例）：+3.9%，开源第四；K3 在该项为第五、+3.8%，数值只提高了 0.1 个百分点。
模型卡与引擎侧的数字，仍是厂商和生态自述口径
显示，K3.1 Pro 是开放权重、原生多模态的 agentic MoE 模型，由 Kimi K3 经大规模联合强化学习后训练而来，是 K3.1 系列的第一个模型。其 93 层注意力由 69 层线性注意力 KDA（Kimi Delta Attention）与 24 层 Gated DSA（Gated DeepSeek 稀疏注意力）组成，模型卡脚注说明，Gated DSA 替代了 K3 的全注意力 Gated MLA 层，用于更高效的长上下文建模；MoE 共 896 个专家，每 token 路由 16 个，另有 2 个共享专家；激活函数为自定义的 SiTU-GLU，视觉编码器 MoonViT-V2 有 401M 参数，模型输入支持文本与图像；权重按 MXFP4（4-bit 浮点格式）、激活按 MXFP8 做量化感知训练，上下文窗口 1,048,576 token；许可证为自定义的「Kimi K3.1 Pro」许可证。页面元数据显示最近更新于 11 月 2 日，早于权重实际开放。
模型卡同时给出厂商自报成绩：Terminal-Bench 4.0 得 65.7、SWE Marathon v1.1 得 51.7、BrowseComp 得 92.1，内部基准 Kimi Code Bench 3.0 Long-horizon 得 61.2，测试统一在最大推理力度（reasoning effort max）下进行。在同一张自报对比表里，Terminal-Bench 4.0 一项的 Claude Opus 5.5 以 66.4 高于 K3.1 Pro 的 65.7。
引擎侧，SGLang 的 Day-0 帖文称，K3.1 Pro 用稀疏注意力（DSA）取代稠密 MLA，「效率高得多，也更容易提供服务」；其自述吞吐为单 GPU 最高 33.7K tok/s（AgentX、GB300），DFlash2 + MegaKernel 下单用户 450 tok/s，硬件覆盖 NVIDIA Vera Rubin / Blackwell / Hopper、AMD、TPU、Trainium 与 PPU。
一家平台的榜单，与尚未闭合的检验
这份「开源第一」出自单一评测平台：会话样本来自 Arena 自己的社区用户，评测方法与「开源/总体」的分层口径由平台自定，+5.1%、+4.2 个百分点等数字均为 Arena 的聚合结果。「总体第 13」同时意味着，榜单上仍有 12 个模型排在 K3.1 Pro 之前，帖文没有列出这份名单。
与榜单并行的，是模型卡上那批自报基准成绩：截至发稿，公开记录里还没有对应的第三方复现。权重已经开放下载，这些数字与这份榜单能否站住，要由拉下权重自行复现的第三方来检验。