Kimi K3.1 Pro发布：底座未动，后训练沙箱如何将开闭源差距压缩至一个月

开源大模型和最顶尖闭源模型的差距，原本大家都以为至少还要等一年才能抹平。

结果月之暗面把一个底座没重训、版本号只加了 0.1 的模型放出来，这个时间差直接被咬到了只剩一个月。

这就是刚发布的 Kimi K3.1 Pro。

它是一个拥有 2.8 万亿总参数的混合专家模型。 别被这个总数字吓到，它在运行时每次只激活其中的 1040 亿个参数。 而且自带 100 万 token 的上下文窗口。

在第三方独立评测机构 Artificial Analysis 的智能指数排行榜上，它拿到了 55 分，直接冲到全球第四。 排在它前面的，只有 58 分的 Opus 5.5，以及 56 分的 Sonnet 5.5 和 Muse Wonder Full。

更关键的是，月之暗面承诺在 2026 年 11 月 4 日把全部模型权重开源出来。

很多人看到这里都会纳闷： 基座既然还是原来的 K3，版本号也只是小修小补的 0.1，这暴涨的战斗力到底是打哪来的？

答案全在后训练阶段。

过去大模型行业的惯性，是把所有赌注都押在预训练上。 大家总觉得，只有堆上万张显卡、硬啃海量数据炼出来的底座才决定一切。 至于后面的后训练，无非是做做微调和对齐，像是给底座理理发，挤不出多少新的智商。

这次月之暗面把这条路完全反过来了。 底座不动，但他们把后训练阶段的强化学习算力，放大了好几个数量级。 他们没有局限在单一的代码题或数学题上，他们直接在数百个下游领域，同时铺开大规模联合强化学习。

这件事听起来顺理成章，真下场干过工程的人都知道有多折磨。

要让一个模型学会做复杂的现实任务，比如写一整套多模块工程代码、做 3D 建模、算几十页的财务分析， 它就必须像人类实习生一样，在沙箱环境里反复尝试成百上千步。

这种长时间连续推演的强化学习，脆弱到了极点。 沙箱稍微卡顿一次，环境报错反馈慢了半拍，或者打分评价稍微带了点干扰噪音，整轮训练的梯度立刻就会崩溃。 算力成箱成箱地烧进去，不仅换不来性能提升，模型甚至会直接学傻。

他们是怎么把这关闯过去的？ 他们把整个后训练的底层技术栈全部推平重做。 从强化学习架构、长上下文推理吞吐，到沙箱执行环境、推演采样调度，全都重构成了高稳定性的自动化流水线。

目的只有一个：确保砸进去的每一份强化学习算力，都能换回稳定、可预测的回报。

所以你看 K3.1 Pro 真正甩开对手的地方，根本不是死记硬背或者刷常识选择题。 它最强悍的提升，全砸在长流程代码编写、工具调用和全天候复杂任务上。

甚至他们拿出来的产品布局也很有意思。 不仅有标准版，还同步上线了一个速度快两到三倍的高速版本。 顺手还推出了提供全天候托管运行环境的智能体服务，让机器可以在云端沙箱里二十四小时不停运转。

以前行业里总有一种悲观论调，觉得闭源顶尖模型的高墙坚不可摧，开源模型注定只能捡别人一两年前剩下的残渣。 但当后训练的强化学习被做成高确定性的工业流水线， 闭源模型靠技术封锁能维持的先发窗口期，正在被肉眼可见地抹平。

大模型下一阶段的角逐，不再比谁能把基座参数藏得更严实。 比拼的关键，变成了谁能搭出足够稳定、耐造的沙箱练兵场，让机器在里面成千上万轮地自己试错进化。