一个视频、四条旁证、一个被用过的旧代号：Kimi K3.1 是被社区”扒”出来的

一个视频、四条旁证、一个被用过的旧代号：Kimi K3.1 是被社区”扒”出来的

今天上午，月之暗面官方账号发了一支 24 秒的复古电脑风预告片。画面里 Kimi Code 终端明晃晃地显示着一行字：`Model: Kimi K3.1`。

这是官方第一次承认这个型号。

但有意思的是——在官方承认之前，整个社区已经猜了两天。

10 月 22 日凌晨，Arena（原 LMSYS Arena）的 Code Arena 匿名测试池里多出两个模型，代号 Kibitz 和 Kalmia。没有厂商前缀，没有模型卡，没有 API，只能在 Battle 模式里随机抽到。

社区靠什么认出来的？分词器特征。Kibitz 的分词器跟 Kimi K3 系列一致，SVG 和 3D 渲染类提示词下的输出被描述为带有 Moonshot 的工程特征。Kalmia 则被指（未经确认）对应阿里的 Qwen 4。

然后是一天之内凑齐的四条旁证：

1. SGLang 仓库里出现了两个 K3.1 部署适配提交 2. 有第三方托管平台已经在跑 K3.1 的部署 3. 有人在 Kimi Coding API 端点里看到了 K3.1 的响应记录 4. 多家媒体援引信源称”本周发布”

四条旁证指向同一件事：这版模型不只是存在，它已经在对外服务链路上跑过一遍了。

我得说，这套”匿名上 Arena → 社区扒代号 → 官方预热 → 正式发布”的流程，已经成了中国大模型发布的标准剧本。K2 当年顶着 Kibitz 这个名字匿名参赛，Hard Prompts 拿了第一（1412 分），overall 第四，是第一个挤进总榜 top5 的开源权重模型。

对，Kibitz 不是新名字。K2 用过。

这就有两种解释：月之暗面刻意复用旧代号保持叙事连贯，或者匿名名池撞车了。目前没有证据能区分。但考虑到 K2 那次匿名登顶带来的传播效应，前者的概率明显更高——这是一次精心设计的叙事接力。

先把底座讲清楚：K3 是什么水平

要看 K3.1 的升级幅度，得先知道 K3 站在哪。

在 WebDev Arena 榜（92.1 万票、150 个模型）上，GPT-6 Astra (Max) 以 1775 分列第 2，Kimi K3 (Max) 以 1655 分列第 16。K3 在 Design Arena 的细项：SVG 胜率约 60%，3D Design 约 68%。

价格也摆在一起看：K3 是 2.85 美元 / 百万输入 token、14.25 美元 / 百万输出 token，1M 上下文。上一代 K2.6 是 0.75 / 3.5，262K 上下文。

这个价差是 3.8 倍输入、4 倍输出。所以对于实际使用者来说，问题从来不是”K3 强不强”，而是”什么时候值得上 K3″。我的分法很简单：上下文超 200K、或者要喂图喂视频，没得选，K3；日常短上下文的代码活，K2.6 便宜 4 倍，没必要硬上。

K3.1 可能改了哪里：三档推理强度 + Agent 长任务

K3.1 的官方规格还没出，但 9 月下旬以来多轮报道指向几个方向：

– Low / High / Max 三档推理强度可调 – Agent 模式、Swarm 多智能体协作 – “Extra Long” 超长上下文选项 – 野村证券的报告把重点放在”Agent 连续完成长时间任务的能力”上，并提到后训练、电脑操作记录和真实任务数据可能是优化方向

这些是转述和信源，不是官方规格表。但它们共同指向一个判断：K3.1 的升级重心可能不在扩参数量，而在推理调度和长程任务的完成质量上。

这个判断如果是真的，那是很对的方向。因为跑分榜上的差距，早就不能反映真实体验了。

我最想聊的：SVG 和 3D 为什么成了新的试金石

社区这次最先转发的不是跑分，而是作品——中世纪像素城堡、可驾驶的 3D 汽车、直升机、SVG 和单页网页 demo。

这个观察方向本身很有道理，因为 SVG 同时暴露两样东西：渲染结果和源码结构。

一个 SVG 可以”看起来不错”，但源码里可能藏着过度嵌套的 “、重复路径、失效的滤镜引用、超出视口的图形。对于要把生成结果直接放进产品页面的开发者来说，可维护性和渲染稳定性比视觉初稿的冲击力重要得多。

3D 场景同理：镜头参数、光照分层、几何体组织方式，反映的是模型对结构化代码的控制力，不是单纯的画面观感。

K3 的 SVG 胜率 60%、3D 68%，说明它在这类任务上有竞争力。但十月实测暴露的工程细节问题也提示：视觉生成的高上限和工程细节的稳定性，并不总是同步。

如果 K3.1 确实在 Agent 长任务上做了优化，那么真正能说明进步幅度的不是单次渲染效果，而是：

– “一次生成、少轮修改”的比例 – 以及修改后是否引入新错误

这两条，现在的 Arena 排行榜完全测不出来。

匿名测试这条链，唯一能亲手验证的一环

整个爆料链里，有一个环节对普通开发者是真有实际价值的：

匿名期你能免费用上还没官宣的模型。

不用申请、不用等 API 权限、不用付钱（Arena 本身免费）。去 Code Arena 的 Battle 模式随机抽，抽到就是练手机会。

这也是为什么每次有匿名模型上 Arena，社区就疯了。不是八卦，是薅羊毛的机会。

但要提醒一句：Battle 模式不能指定模型。 你抽到的可能是 Kibitz，也可能是 Kalmia，甚至可能是某个你完全没听过的实验室。想系统性对比 K3.1 和 Qwen 4，靠 Battle 是做不到的——样本量不够。

说三个也许不好听的判断

第一，”性能直追 Astra”这个说法，信息量约等于零。

新浪科技那条标题，我看到的第一反应是：又是这套。

Astra 是 GPT-6 的版本代号，榜单上 1775 分。K3 现在 1655 分。120 分差距在 WebDev Arena 这个尺度上是什么概念？在不同任务类型上的实际表现差异会非常大——代码任务可能持平，长文档理解可能差一截，多模态可能是完全不同的量级。

一个模型”直追”另一个模型，这个说法必须配上是哪一类任务、多大的样本、什么评测条件。 否则它就只是一句能让评论区沸腾的话。

第二，三档推理强度这个设计，反映了一个行业级的问题。

为什么现在模型都要出 Low / High / Max？

因为用户根本不知道该给多少算力。

模型厂商把”该想多久”这个决策交给用户，本质上是在说：”我们也不知道你的任务值多少 token。”

这是个体验上的倒退。你在用 ChatGPT 或者 Claude 的时候，从来不需要先选”我要用思考模式还是快速模式”——它自己会判断。

K3.1 如果真的做成可调三档，功能上是加分的，但产品思路上是欠打磨的。更好的设计应该让模型自己判断这个任务值多少推理预算，而不是把它变成一个用户必须回答的问卷。

第三，现在这个发布节奏，已经变成了”检测器竞赛”。

Kibitz 上 Arena → 有人扒分词器 → 有人查到 SGLang PR → 有人看到 API 响应记录 → 官方发预告片 → Arena 官方账号配合转发。

这套流程今年跑了多少遍了？K2、K2 Thinking、K3，现在 K3.1。

好处是：透明度高，社区能提前上手，发布当天就有真实评价。 坏处是：所有人都开始在”预热期”做判断，而预热期的信息永远是筛选过的。

你想想，社区现在看到的 K3.1 作品，是有人在 Battle 里抽到之后精心挑出来发的。那些失败的、崩坏的、没法看的输出，不会有人转。所以现在朋友圈里刷的”惊艳”,样本偏差大得吓人。

等模型卡出来，等 API 上线，等有人跑完整套 SWE-bench 和 Terminal-Bench，那时候的判断才算数。

时间线：这周

多家报道说”本周发布”。今天是 10 月 23 日，周五。

如果这几天内 K3.1 真的落地，我打算做三件事：

1. 拿 K3 做对照，在 200K 上下文边缘各跑一遍长文档任务，看它说的”Extra Long”到底是多少 2. 用同一个 SVG 提示词连跑 10 次，统计”一次生成就直接能用”的比例，而不是只看最好那一次 3. 试 Agent 连续任务——让它连做 20 步操作，看第几步开始崩

这才是评测。榜单上是别人的判断，自己手里跑的才算数。

等模型卡吧。

—

*相关：Arena.ai Code Arena 匿名模型区* *旁证来源：X @pengsonal（2026-10-22）、SGLang 仓库提交、Gate News / ChainCatcher / Max For AI 报道* *官方信号：@Kimi_Moonshot 24 秒预告片（2026-10-23）、Arena.ai 官方回应* *未确认部分：Kibitz→K3.1、Kalmia→Qwen 4 的身份映射；三档推理强度、Swarm 协作等规格*