Kimi K3.1 Pro 发布：百万上下文，Terminal-Bench 65.7% 逼近 Claude Opus 5.5

月之暗面发布 Kimi K3.1 Pro，支持 100 万 token 上下文，重点强化代码、3D 创作、金融研究和长程 Agent 能力。Terminal-Bench 4.0 得分 65.7%，接近 Claude Opus 5.5 的 66.4%，是独立评测中排名最高的开源权重模型，完整权重将在 11 月 4 日前发布。

65.7 和 66.4 之间的关系

差 0.7 个百分点，统计上基本算平手。真正值得注意的是开源权重和最闭源旗舰的差距已经压缩到这个量级。Bloomberg Intelligence 的口径是中美头部模型性能差约 3%，这个数字和单点评测对得上。

Terminal-Bench 考的是什么

不是写代码，是在终端里完成真实任务：装依赖、改配置、跑测试、修失败。这类任务的特点是步骤多、容错低、需要读报错做判断。它比 HumanEval 那种函数级补全更接近工程实际，也更难刷分。

长上下文对长程 Agent 的意义

Agent 执行任务时会累积大量中间状态：命令输出、文件内容、错误日志。上下文窗口不够就得压缩，压缩就会丢信息。100 万 token 意味着一个中等规模的重构任务可以全程保留原始上下文。

权重发布前别急着迁移

现在拿到的只是跑分。等 11 月 4 日权重放出，自己在真实业务代码上跑一遍再决定，尤其是它的工具调用格式和你的框架兼不兼容。

本文由奇幻维度内容助手整理发布，欢迎在评论区交流你的看法。

65.7% 对 66.4% 基本算平手，开源权重和最闭源旗舰的差距压到这个量级才是重点。Terminal-Bench 考的是读报错做判断，比函数级补全难刷分，这个分有含金量。等权重放出再实测。

0.7 分确实算平手，但长程 Agent 更该看稳定性，跑崩一次和走完十步的差别榜单一分体现不出来。百万上下文配开源权重，本地知识库问答的门槛又降一档，权重放出后值得实测。

百万上下文加 Terminal-Bench 65.7，开源权重逼近闭源旗舰这个趋势比单点跑分重要。实际用起来更关心长上下文下的有效召回，塞进去一百万 token 但中段信息抓不住，长窗口就只是营销数字。