Kimi K3.1 Pro 独立复测：55 分全球第 4、开源与闭源只差 3 分，但“便宜三分之一”没兑现
本栏目每天汇总近 1–2 天全球新发布 / 新开源的大模型与重要行业动态，信息来自官方公告与多家媒体交叉核验；性能数据严格区分「官方口径」和「已复测 / 第三方实测」，没复测的明确标注。配图为原创示意插画。
今日最重磅：Kimi K3.1 Pro 独立复测出炉（10 月 24–25 日）
昨天本栏报道 Kimi K3.1 Pro 时专门留了一句：官方跑分再漂亮，也得让第三方摸过才算数，建议等独立复测。今天答案来了，而且比预想的更有料——复测既确认了它的实力，也拆穿了它的宣传话术。
先说实的：第三方确认了「开源史上最强」
独立评测机构 Artificial Analysis 把 K3.1 Pro 收进了自家智能指数（Intelligence Index，统一环境跑全部主流模型）：55 分，在 215 个模型里排第 4。这是「已复测」数据，不是厂商自报：
- 比上一代大涨 11 分：K3 是 44 分，K3.1 Pro 直接跳到 55——参数一个没加，全靠后训练堆出来的提升，坐实了「后训练军备竞赛」的判断。
- 排它前面的只剩三家闭源：Claude Opus 5.5（58）、Claude Sonnet 5.5（56）、Meta Muse Wonder Full（56）；GPT-6 Astra、Gemini 4 Argon、Claude Fable 5.1 都是 53，被它压在身后。Artificial Analysis 估算，等 11 月 4 日权重开源，开源与闭源前沿的差距将从 12 分缩到 3 分，且它将是开源模型在该指数上的历史最高分。
- 办公任务逼近 Opus：GDPval-AA（文档/表格/演示文稿质量）Elo 1846，仅次于 Opus 5.5 的 1866；AutomationBench-AA 目标完成率从 K3 的 58.3% 升到 73.3%（官方口径）。
再说虚的：三个官方没说清的事
第一，「便宜三分之一」在实际账单价上没兑现。复测发现 K3.1 Pro 非常啰嗦：跑完整个指数用了约 1.5 亿输出 Token，同类中位数约 8700 万——多写了 14%–70% 的字。单价虽然降了（$2/$10 每百万 Token），但按任务算，实际成本约 1.98 美元，和 K3 的 2.00 美元几乎持平。「单价降三分之一」和「你的账单降三分之一」是两回事，迁移选型时请按后者算。
第二，速度反而低于同类中位数。实测输出约 73.5 Token/秒，中位数约 82。想要快只能上价格翻倍的 Highspeed 版（$4/$20，快 2–3 倍）——等于把省下的钱又交回去了。
第三，官方编程跑分几乎全在别人的「考场」里测的。复盘发现，官方公布的 Terminal-Bench 4.0、SWE-Marathon、ProgramBench 等成绩大多是在 Anthropic 的 Claude Code 工具链里跑出来的，而考官（harness）本身就能显著改变分数。同一个模型换个工具链跑，成绩可能明显不同——把这些分数当「方向」看，别当「精确差距」看。另外官方材料还有两处小瑕疵：API 文档出现占位符；幻觉率自家两个口径没对齐（23.4%→8.3% 与 23.35%→6.85%并存）。
弱项也要诚实列：ProgramBench（整程序编写）31.5%、Terminal-Bench Science（终端科学计算）38.1%，都被 GPT-6 Astra 远远甩开；官方 HLE 难题测试带工具 70.0 分高于 Opus，不带工具只有 51.1（Opus 59.8）；长上下文推理较 K3 略有回落（88.7→86.3，第三方口径）。此外发布营销也出了插曲：有海外博主公开了收到的推广稿，其中包含「贬低竞品」的话术要求，引发对发布方式本身的批评——好模型配上糟糕的营销，反而让部分开发者先信了怀疑。
怎么看：这轮复测给行业的启示比给 Kimi 的更重要——开源阵营第一次在独立榜单上摸到了闭源前沿 3 分以内，「开源够用」正式变成「开源贴脸」；但「模型单价」与「任务账单」的裂缝也第一次被量化摆上台面，以后比价格，请直接比「完成我这个任务要多少钱」。
今日其他新发布（7 项）
| 模型 / 产品 | 日期 | 类型 | 要点 |
|---|---|---|---|
| Hi3D V1.0 开源（前身 Sparc3D） | 10-23/24 | 3D 生成（开源可商用） | 源码 + 权重上线 GitHub 和 Hugging Face，训练资产从约 50 万扩到 200 万个精选 3D 资源，几何重建有效稀疏网格分辨率最高 1536³（自研 V3.0 已到 2048³）；官方技术报告口径：多视图保真度 0.75、细节丰富度 0.841 均为报告所列方法第一，切片成功率 90%（可进 3D 打印流程）。注意三点：许可证可商用但要求署名、超营收/用量阈值需另行授权；官方验证环境是 96GB 显存的 H20，「消费级显卡能跑」的说法要打折；独立复测目前有限。 |
| Dessa（Block，Square 母公司） | 10-23 | 语音模型（研究预览，未开源） | 号称「不用一个字」的语音模型：从零训练，数据只有人类对话录音——无文本、无预训练权重、无文本分词器，音频进音频出，全双工（能边听边说、自己挑时机插话），情绪、笑声、叹气原生处理。工程亮点：整套模型在一台 GB200 NVL72 机架上练完，推理快于实时，MacBook Pro M4 Max 就能本地跑。泼冷水：参数量、数据时长、跑分、许可证一项都没公布，只有样例录音和等待名单，负责人称它是「语音的 GPT-3 时刻」——这是说法，不是结果。 |
| WeVisOne-VL 2B/4B（腾讯） | 10-22 | 视觉语言模型（Apache 2.0 开源） | 一个模型打包检测、计数、指向、OCR、分割、抠图六件事，9.6M 参数像素解码器免掉 SAM 依赖；官方口径：4B 版 LVIS F1 55.3、WeRef-Bench 目标不存在时正确拒答 96.4%、ReasonSeg gIoU 71.2。适合文档处理、视觉搜索这类「一个模型顶一排专用小模型」的管线。 |
| Nemotron 3.5 检索三件套（NVIDIA） | 10-22 | Embed / Rerank / Parse（开源权重） | Embed 8B/1B、Rerank 8B、Parse 631M 上架 Hugging Face，给智能体检文档用；官方称 Parse 在 ParseBench 十亿参数以下模型中第一，加挂 Rerank 后单次查询推理 Token 成本降约 13%–14%。做 RAG 的可以直接换上试。 |
| Clef 9B/27B（Cloudflare） | 10-22 | 决策小模型（开源） | 专做「结构化选项分类」：多模态输入、输出带概率，低延迟嵌进智能体决策流水线。把「选哪条路」从大模型身上剥下来交给小模型，是 Agent 降本的标准动作，和本周蚂蚁 LingDT 决策模型同一个方向。 |
| Sage-A1.5（AI Weekly 披露） | 10-22 | 智能体模型（35B MoE） | 每 Token 只激活 3B 参数，官方口径 BrowseComp 81.7 分、SWE-Bench Pro 从 43.6 提到 61.2，关键改动在新加的编排层与验证协议——「编排与验证」正在取代「堆参数」成为智能体提分主路径。 |
| Slot-JEPA（中科院团队） | 10-22 | 机器人规划（论文） | 把 V-JEPA 视觉特征拆成 16 个物体槽位再规划机械臂动作，REALM-JEPA 基准成功率从 35.2% 提到 86.1%（论文口径）——给「感知-规划」接口上了结构化保险，冲着真实装配场景去的。 |
行业资讯
- 《国家信息化「十五五」规划》印发（10-23，中央网信委）：到 2030 年数字经济核心产业增加值占 GDP 比重 12.5%、关键业务环节全面数字化的企业比例 70%；明确「研制高性能人工智能芯片和高可用基础软件栈」「加快构建全国一体化算力网，推动算力、电力、网络协同发展」，并部署存算一体、三维集成、光电融合等技术攻关，智能体应用普及率目标超 90%，6G「适时启动」商用。注意同周的政策三连：10-19《关于发展新质生产力的意见》、10-21《信息通信行业发展「十五五」规划》加上这份规划，「算力—系统—模型—应用」纵向整合的路线图已经齐了。配套数据（国家数据局口径）：日均 Token 调用量从 2024 年初 1000 亿涨到 2025 年底 100 万亿、2026 年 3 月破 140 万亿，2025 年推理数据量首次超过训练——「单位词元成本」正在取代「机柜规模」成为算力项目的考核尺子。
- 国办印发《关于适应人工智能技术发展助力构建就业友好型发展方式的意见》：6 方面 18 项任务，核心是建立人工智能应用就业风险评估机制、挖掘传统领域 AI 就业潜能、减缓岗位替代冲击、鼓励探索「失业缓冲期」。AI 治理的抓手从「技术安全」正式扩展到「劳动市场」。
- OpenAI 把前沿模型训练环境与互联网彻底隔离：9 月一次 DNS 配置错误曾让训练中的模型意外访问了实时互联网，事后全面改为离线训练（10 月 1 日恢复），并加强红队测试。训练数据「纯净度」从合规要求变成了工程事实。
- 开源编程工具 OpenCode 发生密钥泄露：约 1.4% 的 Console 用户在第三方平台保存的 API 密钥可能暴露（最早 10-17 00:30 UTC），有用户一夜被刷超 1700 美元，Google 暂停了若干被滥用项目；官方称之为「大规模蒸馏攻击」，称攻击者用 AI 智能体持续活动了至少 48 小时。给所有把密钥存在第三方工具里的人提个醒：按工具分密钥、在平台侧设消费上限和异动告警，这三件事今天就能做完。
- 具身智能消费数据出炉：商务部消费促进司口径，2026 年前三季度重点平台具身智能机器人销售额同比增长 22.6%，智能眼镜增长 1.1 倍，外骨骼助力器增长 46.4%——机器人从发布会走进购物车，有了第一份可量化的销售凭据。
- 补档提醒（日期核查）：本周中文圈热传「微软开源 Agensh：1024 个智能体无中心编排」，经查论文 9 月 22 日就已提交 arXiv，属旧论文的延迟传播而非本周新发布——聚合快讯的日期不可信，本栏只按原始出处对时后再收录。
一句话趋势
今天的消息合起来是一句话：开源与闭源的能力差距压到了 3 分，但「便宜」正在被 Token 消耗量悄悄吃掉。K3.1 Pro 的复测证明了后训练路线的红利，也暴露了单价与账单的裂缝；同一周，政策把「全国一体化算力网」写进五年规划、把「单位词元成本」推上台面。对用模型的人，结论只有一条：选型看两个数——独立榜单分数，和完成你真实任务的总花费，两个都不看厂商宣传页。
（数据来自官方公告与公开报道，2026-10-25；官方口径与第三方实测已分别标注，未复测项已在文中说明。模型能力强弱会影响选型，但实际价格以本站模型广场实时报价为准。）