信源说明：本文基于 Matthew Berman 频道视频《They actually did it… (Kimi K3.1)》（视频 ID 5sEVvu4mQ8g，发布于 2026-10-24，全长约 25.8 分钟，转写末段 1550 秒）英文转写整理，是其发布日直播实测（本博《Kimi K3.1发布日实测》）之后的正式评测篇。文中全部数字与判断为 Berman 自述，或其转述的 Kimi 官方博客、Artificial Analysis 图表，本文未独立核实；归属按「Berman 认为／节目转述官方」分层；ASR 存疑词以「转写疑作」标注（如 Kimmy=Kimi、GPT 6.1 Soul=Sol、Muse Wonderful 疑作 Muse Wonder）。赞助口播（CodeRabbit）按惯例略过。

先说结论

Kimi K3.1 Pro 把「开放权重模型摸到前沿」又推进了一格。按 Berman 转述的官方口径：2.8 万亿总参数、1040 亿激活（MoE 稀疏架构）、100 万 token 上下文、多模态（他实测了图像输入）；TerminalBench 65.7 距离 Opus 5.5 的 66.4 不到一个百分点，Humanity’s Last Exam 与 GTP PDF（转写疑作）两项官方图标称第一，Artificial Analysis 智能指数 55 排在 Opus 5.5、Sonnet 5.5、Muse Wonder 之后但压过 Fable 5.1、GPT-6 Astra Max 与 Google 的 Argon（即 Gemini 4 版本名）。定价输入 2 美元/百万 token、输出 10 美元，缓存 0.2 美元；倍价即得 2–3 倍速的高性能档。但他一整套亲手测试跑完的结论是：很好，可用的开源旗舰，离 Opus 5.5 和 GPT-6.1 Sol 还差半档——榜单与体感的落差，加上他当场抓到模型在画对比图时使用「编造的占位数字」，让他怀疑这模型「至少部分基于那些闭源模型」。这是他的个人推测，官方未回应。对读者，这篇评测真正值得带走的是三个信号：每任务成本战打到 2 美元档、3D/空间能力成为模型新分水岭、「榜单≈能力」的信任折价越来越大。

一、演示实测：魔方惊艳，绳结翻车

Berman 的测试方法论一如既往是「亲手造东西」，这次全部通过付费订阅的 Kimi 桌面应用（发布日直播篇已展示的官方 harness）完成，模型档位统一用 K3.1 Pro 的高推理档（未开最高档，为保持各测试一致）。

  • 3D 魔方：完整通过，且是他见过最好的一批。 他特意交代背景：这个曾被视为「已死」的测试如今恰是开放权重的伤心地——开源模型的常见失败模式是颜色消失、旋转无意义、转到一半「突然全部变成已解状态」，此前只有闭源模型能过。K3.1 给出超写实的 3D 渲染、可拖拽视角、光影随角度变化、键盘控制、计时器，打乱后不是回放逆序而是用求解算法逐步复原，收尾还有彩带动画。Berman 评价「绝对通过，而且是最好的之一」。
  • iPhone Duo 的 WebGL 渲染：形似而不准确。 金属边缘反光、摄像头圈倒角的光泽都到位，但苹果 Logo 被 PPT 式简化（他调侃是「南方公园版」），也没有真机的中缝大屏。这一单跑了 28 分 45 秒，过程里确实调用了网页搜索，他随后追加「先查真实规格再重做」的提示词，本文写作时结果未出（视频后段未回收）。
  • Blender 打绳结：新测试，失败。 这是他本期发明的新考题，一次考四种能力：计算机控制（操作 Blender）、网页搜索（它确实去了 blender.org 查最新版本）、空间感知（绳结的缠绕关系）、准确性（八字结的成型）。结果是「形在结不在」：八字结的大致轮廓有了，但没有真正成结、绳也没系进安全带，人体模型也怪。作为对照，同一提示词下 GPT-6.1 Sol（中档推理）做的 54 秒教学动画则清晰展示了绳子每一处的「上穿/下压」，Berman 说「如果我手边有绳子，跟着它真能打出来」。Kimi 第一版（5 分半生成、28 秒 1080p、无声）与追加了「更 premium 品牌片质感」指令的第二版，都始终没能让人看清绳段之间的遮挡关系——他由此判断 K3.1 的空间叙事「离前沿还远」。
  • Fall Guys 克隆（Bean Blitz）：48 分钟可用。 12 名选手、CPU 对手、旋转扫杆、弹跳垫、荡球、跳水/翻滚/击退、检查点与晋级位、音效、触屏与参数调节一应俱全；缺点是色彩偏粉彩、碰撞不精确、画面闪烁。他顺带解释了自己的提示词哲学：故意用极短提示词，让模型暴露「品味」与默认假设；等到你对成品有强偏好（指定配色、动画、技术栈）时才加细节。
  • 杂项： 给自家网站 forwardfuture.com 改版，品牌色与字体全对，但「一眼 AI 味」、间距多处不对；直播观众点的 YTP 恶搞视频（5 分钟）反而是惊喜——模型自述用了「Kimi 视频生成 API（配置为 V2）」生成五段原始片段，再用 Python/NumPy 程序化生成配乐、FFmpeg 剪辑、FFprobe 校验时长格式。他不知道 Kimi 有视频生成 API，这次算是被模型自己科普。

贯穿所有测试的一个使用感受：K3.1 需要比其他模型更多的「催一下」。画基准对比图时先给模糊的大类不给具体基准名，追问后才列；列了之后数字是编的（见下节）；贴上真实数据后还得再催一次「现在把图画出来」。另一个细节是模型过度保护倾向明显（教学动画自带「不可替代专业指导」声明），行为模式与 ChatGPT/Claude 高度相似——开源模型的安全姿态在向闭源看齐。

二、规格与账本：每任务成本打到 2 美元档

除魔方外，Berman 转述官方博客的自我定位：擅长 Unreal/Unity/Godot 全项目编码、Blender/CAD 参数化建模、金融场景更可靠（幻觉率称下降 65%）、「在编码、Agent、知识类基准上比肩最强闭源」——他特别咬文嚼字了一句：这句话若去掉「基准」二字就不成立，加上才勉强算真。

定价是他认为最狠的部分。常规档输入 2 美元/输出 10 美元/百万 token，缓存输入 0.2 美元；高性能档翻倍到 4/20 美元（缓存价不变），换来 2–3 倍速度。更有说服力的是 Artificial Analysis 的「每智能任务成本」——同时计入 token 用量与单价，避免「便宜模型磨洋工」的假便宜——Fable 5.1 以 7.63 美元/任务居首（最贵），Muse Wonder Max 4.54 美元，GPT-6 Astra 更高，而 K3.1 Pro 只要 2.11 美元，仅高于 GLM 5.3。也就是说：按「干完一件事的美元数」算，开源旗舰已经把闭源头部打出了 3 倍以上的价差，且权重可下载、可跑在美国数据中心的 neocloud 上。

这条链的传导是：MoE 稀疏架构压低单位智能的边际成本 → 开源厂商以价换量、neocloud 批发算力 → 闭源厂的中端档位（而非顶配 Opus/GPT 旗舰）最先承压 → 二阶影响是企业选型从「单价」转向「每任务成本」，API 商品化加速。可观察指标：Artificial Analysis 该榜单的排名月度变化、闭源厂中端模型是否跟进降价。对个人读者的启发很直接：选模型先看每任务成本曲线，再谈基准分。

三、榜单与体感的落差：编造的数字与蒸馏疑云

Berman 逐项转述了官方基准图：TerminalBench（写并执行终端命令）65.7，距 Opus 5.5 的 66.4 不到 1 分；Sweep Marathon（转写疑作，疑为 SWE 类马拉松评测）51.7 反超 Opus 5.5 的 46.3；TerminalBench Science 上 GPT-6 Astro「碾压所有人」、Kimi 约为其一半；Kimi 自建的 Kimi Code Bench 3.0 上 GPT-6 Astro 第一、Kimi 落后 5 分；OpenAI 的真实知识工作评测 GTP Val（转写疑作）上 Opus 5.5 以 1866 Elo 居首、Kimi 1846 紧随、Fable 5.1 落后约 100 分；OS World（计算机操控）79.6，与 Opus、Fable 同档——而 GPT-6 Astro 只排第四，Berman 个人却认为它是「实际用起来最好的电脑/浏览器操控模型」，又一个榜单与体感错位的注脚。

落差之外还有两处他没回避的疑点。一是当场抓到编数字：他让 K3.1 画 K3.1 Pro 对比 GPT-6.1 Sol/Opus 5.5/DeepSeek 4.1 Flash 的基准图（他顺口纠正常年被念错的 1017/1018），模型先给了没有具体基准名的大类柱状图，追问后列出的数字被质问「这些数字是真的吗」，答：「不是，是编造的占位符」；贴入官方数据后又得催一次才真正出图。二是血统疑云：他注意到 K3.1 输出里大量出现「眉题文字」（eyebrow text）——这是 Claude 系模型的标志性习惯，而 Kimi 此前已因「蒸馏攻击」指控上过热搜（他说留到下一期展开）；结合「基准咬得死近、上手差半档」的形态，他的推测是「至少有一部分是基于那些模型蒸馏的」。这是明确的个人怀疑，无实锤，按「Berman 认为」记录。

这构成第三条链：模型在基准与行为模式上向闭源头部快速收敛（无论靠训练还是蒸馏）→ 用户侧的验证成本不降反升（官方图要核对、模型自述数据会编）→ 二阶影响是第三方横评（Artificial Analysis、创作者实测）的信任溢价上升，以及企业采购里「自建任务集回归测试」成为标配。启发：厂商基准图只当目录用，决策前用自己的真实任务跑一遍——这恰好也是 Berman 整个频道的方法论。

四、3D 建模成为新分水岭

本期反复出现的一个行业信号：3D/空间能力正在成为前沿模型的新战场。Opus 5.5 和 GPT-6.1 Sol 最近双双在 3D 建模上大幅进步，K3.1 官方也把 3D 渲染列为卖点，三家「在同一组技能上收敛」；Google 的 Argon（Gemini 4）「不错但明显不及」；Meta 最新的 Muse Wonder 是他口中的杰出模型、唯独 3D 建模不行——节目转述 Meta AI 负责人 Alexander Wang 的自嘲：「哎呀我们忘了把它做好 3D 建模，早该做的。」Berman 的解释很朴素：现在任何人测模型，最自然的方式就是让它做个游戏或 3D 模型，这是大众最容易看见的「聪明」。

链条：创作者评测文化把 3D 推成默认考题 → 模型厂把 3D 渲染质量当成发布 PR 的门面 → 短板（如 Muse Wonder 的 3D）会被评测视频反复放大 → 二阶影响是「空间一致性」从演示技能变成采购指标。对读者的启发：给模型加一条 3D/物理一致性测试（哪怕就是一个魔方），性价比极高——它一次考验渲染、状态追踪、物理直觉三个维度，且如本期所示，仍是开放与闭源之间最清楚的分界线之一。

结语：怎么用这个模型

Berman 的收尾建议是「去试试」：Kimi 官方应用直接用，或从 neocloud 拉权重自部署。把他的全部观察合并成一句话判断：**K3.1 Pro 是当前性价比最高的开源旗舰——基准分紧咬闭源头部、每任务成本只有其四分之一，但复杂空间任务与「少催不成活」的 agent 体验提醒你，省下的钱有一部分要付给额外的追问与核验。**至于榜单与体感的差距是否真来自蒸馏，留给他预告的下一期——在实锤出现前，这只能作为使用时的背景疑点，而非结论。