Hi, 请登录     我要注册     找回密码

Kimi K3.1 Pro 正式发布：2.8T 参数开源权重模型比肩顶级闭源模型

分类：未分类 阅读() 评论(0)

月之暗面正式发布新一代旗舰模型 Kimi K3.1 Pro，这是其最强大的 3T 级开源权重模型。该模型采用 MoE（混合专家）架构，总参数量达 2.8T，活跃参数为 1040 亿，支持 100 万 token 上下文窗口，并具备多模态能力。在具体能力方面，K3.1 Pro 可完成 Unreal、Unity 和 Godot 等游戏引擎中的全项目编码，并擅长在 Blender 和 CAD 软件中进行参数化 3D 建模；在金融工作场景中可靠性显著提升，幻觉率降低 65%，能够进行准确的财务建模。基准测试方面，该模型在编码、智能体和知识类基准上的表现已可匹配最强的专有闭源模型。目前，Kimi K3.1 Pro 及速度快 2-3 倍的 K3.1 Pro Highspeed 版本已在 Kimi.ai、Kimi Work、Kimi Code 和 Kimi API 上线。开源权重计划于 2026 年 11 月 4 日正式发布，完整技术细节见官方发布博客《Kimi K3.1 Pro Tech Blog: Advancing Open Intelligence》。该消息由 Linux.do 社区帖子披露，已在开发者社区引发广泛讨论。

事件分析

从技术路线看，2.8T 总参数配合仅 1040 亿活跃参数的 MoE 设计，体现了当前大模型’以规模换能力、以稀疏控成本’的主流工程思路；100 万 token 上下文则延续了 Kimi 一贯的长文本优势。更具产业信号意义的是，该模型宣称在编码与智能体基准上比肩最强闭源模型，且开源权重即将放出，这将直接加剧与 DeepSeek、Llama 等开源阵营，以及 OpenAI、Anthropic 等闭源阵营的多线竞争。若性能宣称属实，开源权重发布后有望催生新一轮微调、蒸馏与本地部署生态。后续走向上，市场将重点检验其在真实编码与 Agent 任务中的表现、API 推理成本，以及 Highspeed 版本的提速是否以能力折损为代价。

核心观点：当开源权重模型开始比肩顶级闭源模型，大模型竞争正从单纯的能力竞赛转向开放策略与生态卡位之争。

原文链接：Linux.do

C code80.ai · AI 编码 API 聚合 Claude / GPT 多模型统一接入,稳定不限速,按量计费,几行配置接入 Claude Code。 了解一下 ›

相关推荐

抢沙发

评论前必须登录！

立即登录   注册

易安
易安作者
长期关注 AI Agent、软件工程、自动化工作流与个人生产力系统。喜欢把复杂技术拆成普通人也能上手的实践教程,也记录自己在工具链、编程、内容创作和知识管理上的真实折腾。
  • 分享 AI 工具、Agent 工作流与提示词工程的实战经验
  • 记录从想法到产品、从代码到上线的完整实践过程
  • 关注普通人如何用 AI 放大能力,而不是被工具牵着走
阅读作者的全部文章 ›
文章目录

    置顶推荐

    Code80 · AI 编程巴士

    前沿哨所

    • Kimi K3.1 Pro 正式发布：2.8T 参数开源权重模型比肩顶级闭源模型

      月之暗面正式发布新一代旗舰模型 Kimi K3.1 Pro，这是其最强大的 3T 级开源权重模型。该模型采用 MoE（混合专家）架构，总参数量达 2.8T，活跃参数为 1040 亿，支持 100 万 token 上下文窗口，并具备多模态能力。在具体能力方面，K3.1 Pro 可完成 Unreal、Unity 和 Godot 等游戏引擎中的全项目编码，并擅长在 Blender 和 CAD 软件中进行参数化 3D 建模；在金融工作场景中可靠性显著提升，幻觉率降低 65%，能够进行准确的财务建模。基准测试方面，该模型在编码、智能体和知识类基准上的表现已可匹配最强的专有闭源模型。目前，Kimi K3.1 Pro 及速度快 2-3 倍的 K3.1 Pro Highspeed 版本已在 Kimi.ai、Kimi Work、Kimi Code 和 Kimi API 上线。开源权重计划于 2026 年 11 月 4 日正式发布，完整技术细节见官方发布博客《Kimi K3.1 Pro Tech Blog: Advancing Open Intelligence》。该消息由 Linux.do 社区帖子披露，已在开发者社区引发广泛讨论。

      事件分析

      从技术路线看，2.8T 总参数配合仅 1040 亿活跃参数的 MoE 设计，体现了当前大模型’以规模换能力、以稀疏控成本’的主流工程思路；100 万 token 上下文则延续了 Kimi 一贯的长文本优势。更具产业信号意义的是，该模型宣称在编码与智能体基准上比肩最强闭源模型，且开源权重即将放出，这将直接加剧与 DeepSeek、Llama 等开源阵营，以及 OpenAI、Anthropic 等闭源阵营的多线竞争。若性能宣称属实，开源权重发布后有望催生新一轮微调、蒸馏与本地部署生态。后续走向上，市场将重点检验其在真实编码与 Agent 任务中的表现、API 推理成本，以及 Highspeed 版本的提速是否以能力折损为代价。

      核心观点：当开源权重模型开始比肩顶级闭源模型，大模型竞争正从单纯的能力竞赛转向开放策略与生态卡位之争。

      原文链接：Linux.do

    • 谷歌Gemma优化版发布：思考token最多省69%，精度几乎无损

      Bottlecap AI发布ThinkingCap系列第五款模型，首次将token效率优化应用于谷歌Gemma-4-26B-A4B-it。Gemma-4-26B-A4B是谷歌的稀疏混合专家模型，总参数26B，每token仅激活约4B。优化后的模型在十二项基准测试中平均减少38.9%的思考token，最高降幅达69.1%，精度仅下降0.15个百分点，小于多数基准的运行间波动范围。推理设置完全不变（思考模式开启、温度1.0、top_p 0.95），基于vLLM可直接替换原模型。评测采用多种子测试并以95%置信区间报告精度：十二项基准中八项差异小于噪声范围，五项反而优于原模型；指令遵循任务提升1.83个百分点，唯一明显损失来自AA-LCR长文本基准（下降4.00个百分点）。此外，原模型3.64%的回复出现循环输出，优化后降至0.76%，在AIME、HMMT等数学基准上改善尤为显著。模型已在Hugging Face以bottlecapai/ThinkingCap-gemma-4-26B-A4B-it名称发布，附带GGUF版本供本地部署。公司另提供效率更高的PRO版本，思考token平均减少62%、最高减少87.6%。

      事件分析

      推理模型思考冗长推高部署成本，是当前推理侧优化的核心痛点。此次工作的技术看点在于：不改解码参数、通过训练目标约束实现等精度降思考，并公开带置信区间的多种子评测，透明度高于常见的单次跑分。循环输出率从3.6%降至0.8%，说明部分思考token本质是无效生成而非有效推理，压缩空间真实存在。产业层面，token效率直接转化为推理成本下降与响应提速，对自托管、边缘设备和消费级硬件场景价值更大，GGUF同步发布也印证其瞄准本地部署用户。后续看，此类思维链瘦身有望成为开源模型后训练的标配方向，但AA-LCR上的精度损失提示，长上下文深度推理任务对过度压缩仍然敏感，压缩与泛化的边界仍需更多模型验证。

      核心观点：推理模型竞争正从拼规模转向拼思维链效率，谁能无损压缩思考过程，谁就掌握推理降本的主动权。

      原文链接：Hacker News

    • 图片转可编辑PPT工具实测：框架图效果最稳，超长图仍是难题

      一位开发者在V2EX分享了自己开发的图片转可编辑PPT工具，并公布了三类图片的实际转换结果。该工具的出发点很实际：经常收到截图或PDF页面需要改成PPT，但源文件已丢失，重画一张信息图通常要一两个小时，因此尝试将图中的文字、箭头和卡片重建为可编辑对象。实测结果显示：第一类以文字和简单形状为主的图（如学术框架图、流程图、组织架构图）效果最稳定，标题、标签、卡片、箭头可分别选中编辑，照片作为独立图层保留并可替换，但单张处理需20至40分钟；第二类写实插画、照片、地图占比高的图，照片和插画按区域裁切回贴，能移动替换但不会重绘为矢量，原图中模糊的小字也无法凭空变清晰；第三类超大图、长条图、超长截图目前不稳定，分块、对齐和渲染容易出问题，建议先裁剪关键区域或按页拆分处理。作者还提出三个验收动作：双击文字出现光标、选中箭头或卡片出现控制点、选择窗格中显示为一组独立元素，三项全部通过才算真正可编辑。该工具以两种形式发布：开源skill（img2ppt）面向习惯Claude Code或Codex的开发者，在线工具（image2ppt.asia）面向不想配置环境的用户，两者基于同一套服务，仅在操作方式上有差异。

      事件分析

      该工具是多模态大模型在文档重建场景的典型应用：将视觉理解结果转化为结构化、可编辑的矢量对象，而非停留在图片描述层面。其技术难点集中在版面分析、元素分割与图层还原，作者公开的实测数据（单张20-40分钟、三类图效果分层）为同类产品提供了少见的透明参考基准。从产业角度看，AI应用正从「生成新内容」向「重建可编辑资产」方向延伸，与微软、谷歌在办公套件中内嵌的AI转换功能存在潜在竞争关系。开源skill与在线服务并行的双轨发布策略，也是当前AI工具社区常见的分发模式。后续值得关注的节点包括：扫描件OCR还原、手绘图识别等场景的成熟度，以及处理耗时能否通过模型与流程优化压缩至分钟级。

      核心观点：AI工具的真实价值不在宣传语而在能力边界，公开坦诚的实测结果比全能承诺更能赢得开发者信任。

      原文链接：V2EX 分享发现

    • 独立开发者打造双拼输入法Rectfly：整句纠错对标Gboard，数据全程留在本地

      一位独立开发者发布了iOS双拼输入法Rectfly，主打对标谷歌Gboard的双拼纠错能力。开发者表示喜爱Gboard的双拼纠错体验，但担忧其可能停止维护，且不愿使用腾讯、豆包等国内输入法，因此自行开发了这款产品。Rectfly支持小鹤双拼、自然码、智能ABC、拼音加加四种双拼方案，不支持全拼输入。核心功能包括整句纠错、中英混输、Rime词库导入和英文输入，其中整句纠错基于开源的万象语法模型实现，部分词库同样来自万象项目。开发者还参照Gboard的体验打造了英文输入功能，并参考了多篇ACL收录论文及谷歌关于Gboard空间模型个性化的公开研究。隐私方面，该输入法无后端服务器，未集成数据收集SDK，全部信息处理在手机本地完成；用户可自愿加入「联邦评测」，将模型评测结果反馈给开发者，借助联邦学习思路在不涉及个人数据的前提下提升打字准确率。目前产品通过TestFlight分发，需iOS 26及以上版本，并需开启「完全访问」权限以使用语法模型与按键震动。官方数据显示，下载万象语法模型后整句首选准确率约97%，不下载则降至约57%。

      事件分析

      技术层面，Rectfly的核心亮点是将语法模型完全部署在本地设备上实现整句纠错，摆脱了传统中文输入法依赖云端计算的架构；「联邦评测」设计借鉴联邦学习思想，在不采集用户数据的前提下获取真实场景的模型反馈，兼具工程务实与隐私考量。产业层面，国内主流输入法长期依赖云输入和用户数据驱动商业化，隐私争议不断，此类本地化、零数据收集的产品提供了差异化路线。万象等开源语法模型的成熟，也表明Rime社区生态已足以支撑独立开发者构建高质量的输入产品。后续值得观察的方向包括：iOS 26的版本门槛对早期用户规模的限制、联邦评测能否实质性提升准确率、独立开发者的长期维护投入，以及是否会扩展至安卓平台。

      核心观点：输入法是数据敏感度最高的入口级应用，本地语法模型加联邦评测证明隐私保护与97%整句准确率可以兼得。

      原文链接：V2EX 分享发现

    • AI 编程热潮下的冷启动困境：Vibe Coding 展示站无人问津

      一位独立开发者在 V2EX 发帖分享，其搭建的 Vibe Coding 项目展示站上线后陷入冷启动困境。该站点定位为收录各类 Vibe Coding 项目，同步最新 AI 资讯与实用开发指南，希望为独立开发者提供一个长期展示作品、互相寻找灵感的平台。然而运营现状并不理想：站点流量低迷，后台日常访问量仅为个位数，也没有用户主动投稿，内容更新几乎完全依赖站长本人。发帖者坦言，经常更新完看着个位数的访问数据，会怀疑自己是否在做一件根本没人需要的东西。为寻求真实反馈，作者在帖子中提出三个问题：一是这类专注 Vibe Coding 项目展示与资讯的网站是否有使用价值；二是开发者是否愿意将自己的项目投稿上去，若不愿意原因何在；三是其他独立做站的开发者是如何熬过冷启动阶段的。作者同时表示欢迎任何建议，并附上了站点地址 vibefix.work。该帖折射出当前 AI 编程热潮下的一个侧面：借助大模型与 AI 编程工具，个人开发者搭建网站的门槛大幅降低，各类 Vibe Coding 相关的聚合站、工具站快速涌现，但同质化竞争与冷启动获客难题随之凸显，产品能否存活越来越取决于分发与运营能力，而非单纯的技术实现。

      事件分析

      Vibe Coding 作为近一年爆火的开发范式，催生了大量周边生态：提示词合集、项目展示站、教程聚合等。此类站点的技术实现门槛已被 AI 编程工具大幅拉低，真正的瓶颈转向内容供给与用户增长，典型的双边平台冷启动问题：没有项目展示就吸引不来访客，没有访客项目方更无投稿动力。从产业视角看，这折射出 AI 编程生态’生产过剩、分发稀缺’的结构性特征：当人人都能快速做出产品，注意力反而成为最稀缺资源。同类平台的后续走向，大概率取决于能否找到差异化定位，如深度项目评测、收益数据透明化、垂直细分方向，或借助社交渠道完成初始种子用户积累。单靠站长个人更新维持的模式，在缺乏外部导流的情况下难以长期持续，也可能加速同类站点的洗牌与整合。

      核心观点：AI 编程让产品'做出来'极易，'被看见'更难，分发与冷启动正取代开发本身成为独立开发者的核心瓶颈。

      原文链接：V2EX 分享发现

    • DeepSeek Harness沙箱缺陷：低完整性标签导致Windows文件写入被拒

      一名开发者在Windows 11 22H2系统上使用DeepSeek Harness（版本0.2.1-rc.2）时遇到权限异常问题。因C盘空间不足，该用户将AppData文件夹设为DSH工作区，用于分析哪些文件可以删除。分析完成后，Codex无法正常写入项目文件，桌面图标也丢失显示变为白色。经排查，问题根源在DSH的Windows沙箱授权机制：在默认权限（工作区内修改）下执行shell命令后，沙箱会在工作区目录及所有子目录添加Low Mandatory Label（低强制完整性标签）。受影响的程序运行时继承该标签，以Low完整性级别运行；当它们向其他项目的Medium完整性目录写入文件时，会被Windows强制完整性控制机制拒绝，报Access denied错误。该问题并非孤例，GitHub上deepseek-ai/deepseek-harness仓库的Discussion #7846也报告了类似情况：Windows ACL沙箱的常驻低完整性标签导致工作区内其他工具无法写入，Electron构建静默退出。作者最终借助GPT分析受影响目录，将完整性级别恢复为Medium后问题解决。整个排查耗费大量时间，作者发布这篇复盘，希望帮助遇到同样问题的开发者少走弯路。

      事件分析

      该事件暴露了AI编程工具沙箱设计中安全与兼容性的平衡难题。Windows强制完整性控制机制自Vista时代便已存在，但普通开发者很少直接接触低完整性标签的副作用。DSH采用ACL配合完整性标签实现权限隔离，思路符合最小权限原则，却低估了对工作区内其他工具链的连锁影响，且缺乏清晰的诊断提示，导致排查成本高昂。值得注意的是，作者最终使用GPT来分析并修复DSH造成的问题，AI工具之间互相救场的场景颇具代表性。随着AI Agent被授予越来越大的文件系统操作权限，沙箱机制的粒度、可观测性与退出通道将成为工具竞争力的关键指标。DeepSeek官方能否在后续版本提供标签自动清理或白名单机制，值得持续关注。

      核心观点：AI Agent的沙箱安全机制若缺乏透明性与恢复通道，防护本身就会成为新的故障源。

      原文链接：Linux.do

    最新文章

    热门专题

    热门标签

    AI编程claude大模型AIAI Agent人工智能开源项目Gemini开发者工具开源GitHubClaude Code开源工具AI工具开发工具谷歌openaideepseek提示词工程cursoranthropic网络安全AI应用ChatgptAI开发agentAI安全自动化智能体AI智能体

    网站统计

    • 日志总数：29342
    • 评论总数：7
    • 标签总数：17919
    • 用户总数：3675
    • 最后更新：2026-10-24