Kimi K3.1 Pro 登上代码榜第一拆开两项实测看它强在哪、还差在哪数据截至 2026 年 10 月 26 日。能力分取自 Artificial AnalysisAA独立实测的 Terminal-Bench v4.0 与 SciCode价格取自各厂商官网。数据由大模型选型平台 ModelSagemodelsage.cn整理。10 月 23 日月之暗面发布 Kimi K3.1 Pro。10 月 24 日它的 AA 实测成绩进入 ModelSage 每日抓取的数据在代码能力榜的 171 个模型同一模型的不同推理档分开计里排第一在以 Terminal-Bench v4.0 为口径的 Agent 能力榜上同样排第一。ModelSage 从 8 月初开始逐日存档榜单数据。此前代码分最高的模型先后是 GPT-5.6 Sol、Claude Fable 5.1、Grok 4.6、Claude Opus 5.5全部是海外模型10 月 19 日前代码分以 AA 官方 Coding Index 为主口径与现在不同但第一名同样都是海外模型。国产模型排在第一位在存档里是第一次。但「第一」只是一个平均数。代码分由两项评测合成K3.1 Pro 在两项上的表现差别很大。本文把这两项拆开说明它的第一名是怎么来的、国产模型过去差在哪以及选用之前需要知道的几项限制。一、代码分是怎么算的ModelSage 代码榜的原始分是两项实测通过率的平均Terminal-Bench v4.0在真实的命令行环境里完成多步任务例如安装依赖、运行命令、根据报错排查并修复。考察的是模型像工程师一样自己动手干活的能力。SciCode把物理、化学、生物等领域的科研计算问题写成可运行的代码。考察的是算法与数值计算类编程。两项取平均后再按榜首换算成 100 分。下表是按最高一档推理设置取每个模型的成绩前三名的差距很小。K3.1 Pro 的原始分是 64.0Claude Opus 5.5max是 63.2Claude Sonnet 5.5max是 62.3第一名只领先第二名 0.7 个百分点。真正值得看的不是名次而是三者的得分结构完全不同。二、第一名几乎全部来自 Terminal-Bench分开看两项Terminal-Bench v4.0K3.1 Pro 的 67.2% 是全榜最高比第二名 Claude Sonnet 5.5max的 63.6% 高 3.5 个百分点比 Claude Opus 5.5max的 59.6% 高 7.6 个百分点。SciCodeK3.1 Pro 的 60.8% 在全榜只排第 9比第一名 Claude Opus 5.5max的 66.9% 低 6.1 个百分点。也就是说K3.1 Pro 和 Claude Opus 5.5 的总分几乎相同但长处正好相反前者强在命令行里自主执行任务后者强在科研计算类代码。拿上一代 Kimi K3 对比这一点更清楚SciCode 两代只差 1.3 个百分点Terminal-Bench 则从 12.6% 升到 67.2%。代码分的跃升几乎全部来自后者。这与月之暗面发布说明中的描述一致这一代「大幅增加了强化学习RL环节的算力投入」提升最显著的是代码和长程 Agent 类能力。关于 Terminal-Bench 的成绩厂商与第三方的数字有出入需要说明厂商发布说明K3.1 Pro 得分 65.7%GPT-6 Astra 58.2%Claude Opus 5.5 66.4%K3.1 Pro 略低于 Opus 5.5。AA 独立实测K3.1 Pro 67.2%Claude Opus 5.5max59.6%K3.1 Pro 领先。两边的测试配置不同厂商说明未写明对比模型使用的推理档位数字不能混用。可以确认的是第三方实测结果没有低于厂商自报。三、国产模型过去差在哪Terminal-Bench而不是写代码本身把国产模型与海外头部模型放在一起两项的分布差别很明显SciCode 上两组区间是重叠的。除 K3.1 Pro 外的四款国产模型在 52.1%60.9% 之间海外五款在 56.5%66.9% 之间。MiMo-V2.6-Pro 的 60.9% 与 Claude Fable 5.1xhigh相同GLM-5.3max的 59.0% 高于 GPT-6 Astramax。Terminal-Bench 上两组之间隔着一道明显的缺口。四款国产模型在 33.8%41.9% 之间海外五款在 55.1%63.6% 之间最高的国产与最低的海外之间相差 13 个百分点以上。结论是在「把一道题写成正确代码」这件事上国产模型此前已经接近海外头部差距主要在「放进真实环境里自己跑命令、看报错、改到通过」。K3.1 Pro 第一次补上了这一块这也是它能登顶的原因。四、价格与 Claude Sonnet 5.5 基本持平约为 Claude Opus 5.5 的一半注海外模型的美元价取自 AA 收录的官方定价按 1 美元 6.6702 元折算欧洲央行 2026-10-23 汇率。代码分取各模型最高一档。高速版未单独参加 AA 评测因此不给代码分。K3.1 Pro 的单价与 Claude Sonnet 5.5、Gemini 4 Argon、GPT-6.1 Sol 处在同一档Claude Opus 5.5 的输入价是它的 2.05 倍输出价是 1.96 倍。缓存命中的输入价为 1.3 元/百万 tokens是正常输入价的十分之一。代码类任务往往反复携带同一段代码库上下文缓存命中率高时实际成本会明显低于表中单价。表中只比较单价。推理模型完成同一任务消耗的输出 token 数因模型而异AA 目前尚未公布 K3.1 Pro 的这项数据本文不据此推算总成本。五、选用之前需要知道的四项限制第一标准版的输出速度偏慢。AA 实测 K3.1 Pro 的输出速度在发布后三天分别为 83.3、56.5、48.8 tokens/s在速度榜 301 个模型中排第 259。同日 Claude Sonnet 5.5max为 140.1、Claude Opus 5.5max为 94.2、GLM-5.3max为 85.8 tokens/s。新模型上线初期负载波动大这个数字还会变化。官方同时提供高速版称智能水平相同、输出速度约为 23 倍但单价也是标准版的 2 倍且 AA 尚未对其单独实测。第二科研计算类代码仍是 Claude Opus 5.5 领先。如果任务以算法实现、数值计算为主而不是在命令行环境里多步执行SciCode 的 6.1 个百分点差距更值得参考。第三综合能力并非第一。AA 综合智能指数上K3.1 Pro 为 55.1低于 Claude Opus 5.5max的 57.6 和 Claude Sonnet 5.5max的 56.0。它的领先集中在代码与 Agent 类任务。第四调用与部署有门槛。官方说明 K3.1 Pro 需要在开放平台充值最低 10 元后才能调用新用户注册赠送的代金券不能用于该模型。官方称完整模型权重将于 11 月 4 日前发布在此之前无法私有化部署。六、怎么选CI 修复、跑命令排错、从零搭项目这类需要在终端里多步执行的任务K3.1 Pro 的 Terminal-Bench 成绩目前最高单价与 Claude Sonnet 5.5 持平以人民币结算。对响应速度敏感的话考虑高速版或 Claude Sonnet 5.5。算法实现、科研计算类代码Claude Opus 5.5 的 SciCode 成绩最高单价约为前者的两倍。预算优先GLM-5.3 的 SciCode 与头部模型接近输入价约为 K3.1 Pro 的六成、输出价约为四成但 Terminal-Bench 差距较大更适合以写代码为主、较少自主执行的场景。K3.1 Pro 发布至今只有三天AA 后续复测、其他厂商的新版本都可能改变排名。各模型的代码分、Agent 分即 Terminal-Bench v4.0 成绩换算与价格可以在大模型选型平台 ModelSagemodelsage.cn的代码能力榜和 Agent 能力榜中查看数据每日自动更新。数据来源Artificial AnalysisTerminal-Bench v4.0、SciCode、Intelligence Index、输出速度2026-10-26月之暗面 Kimi 开放平台定价页与 K3.1 Pro 模型说明各厂商官网定价。整理于 2026 年 10 月 26 日。