Kimi K3.1 Pro 上线：首个摸到前沿线的（准）开源模型

深度摘要

月之暗面在 Kimi API 上线 Kimi K3.1 Pro：权重暂未开源，官方承诺 2026 年 11 月 4 日前放出。同步推出 Highspeed 版，速度 2–3 倍、价格 2 倍（输入缓存命中价不变）。美元定价为输入 $2 / 输出 $10 每百万 token，与 GPT-6.1 Sol 持平、为 Claude Opus 5.5 的一半。第三方 Artificial Analysis 给出 55 分：超过 Claude Fable 5.1、GPT-6 Astra、Gemini 4 Argon（均为 53），仅次于 Claude Opus 5.5（58）。Willison 用自己 llm 工具的 OpenAI 兼容端点，在 low / medium / max 三档推理强度下做了“鹈鹕骑单车”SVG 生成实测对比（含 K3 对照组）。

关键要点

• API 已上线，完整权重承诺 11 月 4 日前开源
• Highspeed 版：2–3 倍速度、2 倍价格，输入缓存命中价不变
• 定价 $2/$10 每百万 token，对标 GPT-6.1 Sol，为 Opus 5.5 一半
• Artificial Analysis 55 分：首个摸到前沿线的准开源模型
• Willison 独立实测：三档推理强度的 pelican SVG 生成对比

关键事实

事实：Kimi K3.1 Pro 于 10 月 23 日登陆 Kimi API，权重尚未开源（官方承诺 11 月 4 日前发布）；Highspeed 版速度为标准版 2–3 倍、价格 2 倍；定价为输入 $2、输出 $10 每百万 token；Artificial Analysis 评分 55（Claude Fable 5.1、GPT-6 Astra、Gemini 4 Argon 均为 53，Claude Opus 5.5 为 58）；Willison 用 llm 工具的 openai endpoint 命令实测了三档推理强度。以上分数与定价为公开可查信息。

作者观点

作者主张：这是第一个在前沿模型评分体系中拿到如此高分的（即将）开源权重模型——开源与闭源前沿之间的差距正在实质性收敛。

为什么重要

Artificial Analysis 是独立第三方评分，其 55 分的历史意义大于官方自报榜单：它意味着“是否还需要为闭源前沿付费”这个问题的答案正在变化。对跟踪开源模型曲线的人，这是本月最重要的刻度。

编辑点评

编辑分析：注意区分两种证据的含金量——AA 55 分是第三方独立评分，可信度高于官方自报；而 Willison 自己的 pelican 实测只是定性演示（看图说话），不是严格评测，价值在于“独立第三方亲手跑过、没翻车”。另注意“开源”二字暂为期货：权重 11 月 4 日前不到位，这个判断就要打折。

深度摘要

K3.1 系列首款，官方口径“3T 级别”开源权重模型、100 万 token 上下文；本质是 K3 的后训练放大版。为在数百个下游领域做大规模联合 RL，团队重做了整条栈：RL 框架、长上下文推理、训练效率、沙箱基建、rollout 调度，以及一套共享的环境质量检查平台，目标是让每一分 RL 算力都带来稳定可预测的回报。Terminal-Bench 4.0 得 65.7%（GPT-6 Astra 58.2%、Claude Opus 5.5 66.4%）；自研 Kimi Code Bench 3.0 长程赛道 61.2%（K3 为 55.95%）。最出彩的案例是行走动力学仿真：在开源人体解剖模型 human-atlas（296 块骨骼含软骨、402 块肌肉）上建步态仿真，经 167 个任务、420 次独立评审，模拟人从几秒内摔倒练到连续交替步态行走 11.2 秒；当奖励塑形失效时，模型没有死调奖励，而是做开环探测找出了肩部肌肉力臂计算中的 36 处错误，修正后重训。BenchCAD（工具辅助）92.7% 逼近 Opus 5.5（96.2%）；OfficeQA Pro v2 以 64.4 达 SOTA；内部幻觉压测 Kimi Hallu Bench Hard 上 claim 级幻觉率从 23.4% 降至 8.3%。已在 kimi.ai、Kimi Work、Kimi Code 与 API 上线；3D Make 功能同步上线。

关键要点

• K3 的后训练放大版：数百领域联合 RL，栈的每一层都为 RL 算力效率重做
• Terminal-Bench 4.0：65.7%，超 GPT-6 Astra、逼近 Claude Opus 5.5
• 行走仿真案例：自己发现并修正 36 处肌肉力臂计算错误
• BenchCAD 92.7%、OfficeQA Pro v2 64.4（SOTA）
• 幻觉率 claim 级 23.4%→8.3%（内部压测口径）
• 权重 11 月 4 日前发布；3D Make 上线

关键事实

事实（均为官方自报）：模型为 K3 后训练放大版，100 万 token 上下文；Terminal-Bench 4.0 65.7% vs GPT-6 Astra 58.2% vs Claude Opus 5.5 66.4%；Kimi Code Bench 3.0 长程 61.2%（K3 55.95%）；BenchCAD 工具辅助 92.7%（Opus 5.5 96.2%、GPT-6 Astra 95.9%）；OfficeQA Pro v2 64.4；内部财务榜单 Financial Modeling +7.2、Financial Research +11.6、Business Operation 约 4.2 倍于 K3；内部幻觉压测 claim 级幻觉率 23.4%→8.3%。“3T-class”官方未解释具体所指，不做引申。

作者观点

官方主张：大规模 RL 的每一分算力都能换来稳定可预测的回报；K3.1 Pro 在代码、智能体与知识榜单上已持平或逼近最强闭源模型，是“推进开放智能前沿”的一步。

为什么重要

长程智能体任务（Terminal-Bench 这类“真终端、真约束”榜单）是第一次有开源系模型摸到 Opus 5.5 的线；比分数更值得看的是方法论——环境质检平台、rollout 调度、沙箱基建这套 RL 工程栈，是任何做长程 RL 的团队都能抄的作业。

编辑点评

编辑分析：榜单要分两档看——Terminal-Bench 4.0 与第三方 AA 55 分（见第 1 篇）指向同一结论，互为咬合，可信度最高；BenchCAD、OfficeQA、财务与幻觉榜单多为官方口径，待独立复现。行走仿真案例是全文信息密度最高的段落：它展示的不是分数，而是“模型在奖励失效时转向修环境”的行为模式——这正是长程 RL 想要的性状。

深度摘要

“LLM from scratch”系列第 48 篇。先手工推导：LayerNorm = 去均值（re-centre）+ 方差归一 + 可学习的 scale/shift；RMSNorm（Zhang & Sennrich 2019）跳过去均值，只除以 RMS 再做可学习缩放（当前主流不用 shift）。逐操作数账：RMSNorm 每个向量省 3d_emb−1 次加减法和 1 次除法，乘法与开方数不变。然后真刀真枪训了四个 GPT-2 small 量级模型：手写 RMSNorm、手写 LayerNorm、PyTorch 内置 RMSNorm、PyTorch 内置 LayerNorm。结论：① 不加归一化的对照组直接发散（梯度飞出图表），归一化不可或缺；② 手写版 RMSNorm 训练快约 2.5%（作者凭 60+ 次训练经验判断为真信号）；③ PyTorch 内置版只差 0.5%，大概率是噪声；④ 真正的大头是融合 kernel：PyTorch 内置实现比手写快 10–11%，量级上碾压“换归一化类型”的收益；⑤ 测试集 loss 差异（0.006 / 0.001 量级）归为噪声。考据细节：原论文公式 (4) 无 shift、(5) 为有 shift 的一般式，作者 GitHub 代码的 bias 默认关闭；epsilon 放在开方内还是除法处，PyTorch 官方实现与作者的选择一致（开方内）。

关键要点

• 手工推导操作数：RMSNorm 每向量省 3d_emb−1 次加减法、1 次除法
• 四个 GPT-2 small 量级模型对照：手写 × 内置，RMSNorm × LayerNorm
• 无归一化对照组直接发散：归一化不可或缺
• 手写版 RMSNorm 快 2.5%（判为真信号）；内置版差 0.5%（判为噪声）
• 融合 kernel 快 10–11%，碾压归一化类型的差异
• 考据：原论文公式 (4)/(5) 的 shift 之谜与 epsilon 位置

关键事实

事实（均为作者实测报告）：RMSNorm 由 Zhang & Sennrich 2019 年提出；作者训练了四个 GPT-2 small 风格模型做对照；无归一化版本梯度发散；手写 RMSNorm 训练时间与 token/s 均快约 2.5%，PyTorch 内置版差距约 0.5%；内置（融合）实现比手写快 10–11%（LayerNorm）/ 略低于 10%（RMSNorm）；手写版 test loss 差 0.005956，内置版差 0.001225；原论文公式 (4) 无 shift、(5) 有 shift，作者 GitHub 实现的 bias 默认关闭（作者致谢 GPT-6 Astra 帮忙挖出该细节）。

作者观点

作者主张：省计算是实的，但选 RMSNorm 还是 LayerNorm 对最终模型质量几乎无影响；工程上真正值得抠的是融合实现，而不是归一化流派。LayerNorm 的去均值步骤可能并非 load-bearing（关键）部件。

为什么重要

终结“RMSNorm 玄学”：给了可复现的量化答案。对训小模型、做边缘部署的人，这是直接的选型指导——别在归一化类型上纠结，去抠 kernel 融合。

编辑点评

编辑分析：罕见的“把论文 claim 自己训一遍”的帖子，是 Karpathy 式“train small models to understand”的实践。本文可信度的来源恰是作者对噪声的诚实：0.5% 判噪声、loss 差判噪声、连两次手写训练落在同一台机器这种混杂因素都主动交代。这种帖子比一百篇“RMSNorm 详解”都值得读。

深度摘要

1978 年手稿，德克萨斯大学 E.W. Dijkstra 档案转录全文，本周被 HN 翻红（355 points）。Dijkstra 批“用母语指挥机器”的愿景：① 换接口不是零和分工，跨接口的协作沟通成本要另算，窄接口才是正解；② 数学史为证：希腊数学困于言辞与图像表述、穆斯林代数退回修辞体后消亡，现代文明恰恰靠 Vieta、Descartes、Leibniz、Boole 的形式符号才挣脱经院哲学；③ 形式文本的美德：合法操作只需满足几条简单规则，能系统排除母语里无从察觉的胡话；④ “被迫用形式符号”是特权而非负担——它让小学生能做到昔日天才才能做到的事；⑤ “自然”使用母语的代价，是能毫不费力地说出“错得不明显”的话；⑥ “新文盲”备注：教育远离智识训练，人们连母语都用不好，更遑论指望母语编程。结语：能用母语编程的机器，“造出来和用起来一样地难”。

关键要点

• 1978 年手稿，UT Austin 档案转录，HN 355 points 翻红
• 换接口的成本要另算：窄接口才是正解
• 数学史论证：形式符号 vs 修辞体的千年对决
• “被迫用形式符号”是特权，不是负担
• 母语的“自然”= 能毫不费力地说错得不明显的话
• 结语：自然语言编程的机器，造用两难

关键事实

事实：EWD 667 为 Dijkstra 1978 年手稿，本文为 UT Austin 档案的转录文本（全文 6304 字符）；本周经 Hacker News 重新传播（355 points）。文中引 Housman、点名 Vieta / Descartes / Leibniz / Boole，属原文内容。

作者观点

作者主张：编程本质上是形式符号的使用；指望“更聪明的机器”来包容含糊指令是缘木求鱼；自然语言编程既难造又难用，不值得追求。

为什么重要

这篇 48 年前的檄文精准命中了 2026 年 vibe coding 争论的核心：LLM 让“用母语下指令”成为现实，而 Dijkstra 的质疑（接口成本、含糊其辞的代价）正是今天 prompt 脆弱性与幻觉治理讨论的古典版本。读原文比读二手转述更锋利。

编辑点评

编辑分析：有趣的对照是本期第 1、2 篇——Kimi 恰恰在“自然语言下发长程任务”上刷出 SOTA（11.2 秒双足行走、3D 建模）。Dijkstra 会如何回应？很可能是：让自然语言可靠的恰是窄接口与形式反馈（仿真器、沙箱、测试），而不是自然语言本身变可靠了。两边都是对的，只是层次不同——而这正是重读经典的价值：它不提供答案，它提供坐标系。

深度摘要

Block 发布自称“最逼真的全双工语音模型”。核心 claim：从零开始、只用人声对话训练——无文本、无预训练模型，靠“听”学会实时对话；对话中自己决定说什么、何时说、用什么声音与人格；get 到笑点会中途发笑、被要求大声就提高音量，“没人教过它这些”。Block 称这是“世界首个只靠听人话就学会逼真实时对话的 AI”，并向研究者抛出问题：语音学语言/学事实的样本效率与文本相比如何？学新语言多快？能做什么样的上下文学习？页面其余为营销文案与真人对话录音演示。

关键要点

• 自称从零开始、只用人声对话训练：无文本、无预训练模型
• 全双工：自己决定说什么、何时说、用什么声音与人格
• 行为细节：中途发笑、被要求即提高音量，“没人教过”
• Block 自称“世界首个只靠听学会逼真实时对话的 AI”
• 抛出的研究问题：语音 vs 文本的样本效率、新语言习得、上下文学习

关键事实

事实：Block 于 10 月 23 日前后发布 Dessa 页面（HN 147 points）；页面可见文本共 1660 字符已全部读取；页面主体为真人对话录音演示（音频，无法以文本形式核验）。除此之外无公开技术报告、无独立评测数据。

作者观点

公司主张：语音是与智能交互最自然的方式；现有语音 AI 把声音转文本丢掉了情感、韵律等大量信息，“世界上最强的 AI 听不出你的感受，又荒谬又危险”；Dessa 开辟了一个全新的模型类别，其涌现行为值得研究者探索。

为什么重要

“纯语音训练”若属实，是文本中心范式之外的重要数据点：语音是否自带文本丢掉的信息（情感、韵律、打断时机），直接关系到下一代多模态模型的路线。这正是 Karpathy 多次谈及的 audio-native 方向。

编辑点评

编辑分析：按“公司主张”阅读，不要按“已验证事实”阅读。“最逼真”“世界首个”都是形容词，真正的看点是它提出的研究问题（样本效率、跨语言、上下文学习）——这些问题本身成立，不依赖 Block 的 claim 为真。等独立评测或技术报告再下判断；此前不把它当作已验证的 SOTA。

深度摘要

据 Sveriges Radio 时政节目 Ekot 10 月 23 日报道：瑞典政府办公厅（Regeringskansliet，辖首相办公室与各部）将从 10 月 26 日（周一）起在雇员工作电脑上网络封锁 ChatGPT 与 Claude，员工改用唯一通过评审的 AI 服务 Microsoft Copilot（内部评审后还加固了其安全配置）。数字化负责人 Mikael Wettercrantz 在内网发帖警告：使用无合同的 AI 服务“可能对我们的信息安全造成后果”；新闻办公室以涉密为由拒绝透露技术细节。部分员工仍可经办公厅自研的 AI 助手平台间接使用两款模型；DeepSeek 此前已被限制。Skatteverket（税务局）、SiS（国家寄宿照顾委员会）已实施类似封锁，Kronofogden（执行局）正在考虑；Trafikverket（交通局）年内审计发现员工在 10 个开放 AI 服务中输入过敏感信息，且对 AI 生成答案的处理也不当。

关键要点

• Regeringskansliet 10 月 26 日起在工作电脑网络封锁 ChatGPT、Claude
• 唯一过审替代品：Microsoft Copilot（评审后加固了安全配置）
• 数字化负责人内网警告：无合同 AI 服务威胁信息安全
• 部分员工经自研 AI 助手平台仍可间接使用；DeepSeek 此前已被限
• 税务局、SiS 已跟进封锁；执行局考虑中；交通局审计曝敏感信息外流

关键事实

事实（转述自 Ekot 报道，经两家英文转述源交叉核对）：封锁对象为雇员工作电脑上的 ChatGPT 与 Claude 直接访问，10 月 26 日生效；Copilot 为唯一过审 AI 服务且经历了安全加固评审；Wettercrantz 内网帖原文警告信息安全后果；新闻办公室拒绝透露技术细节；自研平台保留部分间接访问；DeepSeek 此前已被限制；Skatteverket、SiS 已实施类似限制，Kronofogden 考虑中；Trafikverket 审计发现 10 个开放 AI 服务的使用及敏感信息输入问题。以上均非直接引自瑞典语原文，见读取说明。

作者观点

转述方 getaibook 的评论：瑞典模式的价值在于它是“封禁 + 给过审替代品”的完整采购闭环，而非只发备忘录；政府工作流正收敛到“能签下安全协议的供应商”，目前是微软；这与美国 DHS 下架 DeepSeek（供应链理由）形成对照——标准不同，终点一致。

为什么重要

这是“政府 AI 采购范式”的现场样本：能力（前沿消费级助手）vs 可控（合同 + 审计 + 数据处理）的权衡。它恰与本月消费级智能体（放开手脚替用户办事）形成镜像——政府还在论证“能不能把文档粘进聊天框”，消费端已在比拼“替你办事”。两端速度差，就是未来几年企业 AI 政策的书写处。

编辑点评

编辑分析：注意这不是“瑞典禁用 AI”，而是“没签合同的 AI 服务不得进工作流”——真正的看点是 Copilot 的过审能否经得起真实使用的边缘案例（涉密边缘材料、多语言文档、批量处理）。若前沿助手继续拉开能力差距，各机构迟早要面对“给被封工具签企业协议”的回头路，这正是 OpenAI/Anthropic 的 Azure/VPC 企业版在等的位置。