Kimi认错，杨植麟还是得学梁文锋

　　文 | 字母 AI

　　K3.1 Pro 发布后不到 48 小时，月之暗面就放出公告称“模型存在的限速、额度无故虚耗问题，我们深表歉意。这些问题全是我们的责任，本该更早推动解决。10 月 26 日起，所有档位订阅用户返还月度总额的 25%。我们还调整了产品运行参数，砍掉不必要的子 Agent 调用、压缩冗余输出长度，让额度更耐用。”

　　在这次改动后，最明显的体验就是，K3.1 Pro 没有刚发布那会“烧额度”了。

　　回到模型发布当天，整个 AI 圈子都倒吸一口凉气，性能超越 OpenAI 所有模型，仅落后 Opus 5.5 半个脚掌。第三方评测机构 ModelCompare 发文称，中美 AI 差距已从3、4 个月缩减为仅剩 31 天。

　　然而这场狂欢还没撑过两天，K3.1 Pro 的评价就从“特别好评”，变成了“多半好评”。杨植麟也被冠上了“神鬼二相性”的外号，神在于模型性能突破天际，鬼在于 K3.1 Pro 用起来多少有点“肉疼”。

　　反馈最多的就是额度问题。社区多位用户称，几乎没怎么用，就已经花光了 K3.1 Pro 的 5 小时额度。就拿我自己来说，199 块钱的档位，两天一共生成不到 10 个 3D 模型和几个时长不超过 30 秒的演示动画，月额度已经跑完了一半。

　　哪怕是一些简单的任务，K3.1 Pro 也会调用大量的子 Agent 来思考、推理，其输出结果并没有提升很大，却因为这些子 Agent，导致用户浪费了很多额度。

　　杨植麟也挺无奈，提升模型的智能水平必然需要更多的 token。

　　这也就导致 K3.1 Pro 虽然比 K3 便宜了 30%，却因为额度给得太少，导致最后并没有多少人真正感受到了“便宜”。

　　就在 K3.1 Pro 发布的前一周，DeepSeek 发布了 V4.1 Flash-1017，它的思路完全相反：不拼上限，而是把性能、速度、输出长度一起优化，价格保持不变。

　　V4.1 Flash-1017 完美体现了梁文锋的产品哲学，自发布至今仍然是“好评如潮”。

　　或许杨植麟就该在产品上，该跟梁文锋取取经。

　　额度是月之暗面最大的伤

　　K3.1 Pro 发布后，社区里有很多人都在讨论额度的问题。比如有这样一条高赞评论，发帖人称“它大概只用了 10 分钟，5 小时的额度窗口就已经满了”。

　　Linux.do 上，有一位 199 套餐用户，他表示只发了一句让模型审查项目架构的指令，Kimi 拉起 5 个子 Agent，十几分钟后 5 小时额度就满了。

　　微博用户@这很盒里吧发帖表示，在 WorkBuddy 里使用 K3.1 Pro，一个简单任务还没跑完，就花掉了超过 450 的积分。

　　而实际上，WorkBuddy 的 99 块钱标准版，一个月总共也就 4000 积分。相当于一个简单任务，跑了月额度的 10 分之1。@这很盒里吧还表示，K3.1 Pro 目前消耗积分的倍率是 0.97，也就是说，实际上积分消耗要更少一些。

　　Artificial Analysis 认为，之所以 K3.1 Pro 如此消耗额度，关键就在于 token 效率上。

　　在测试中发现，K3.1 Pro 跑完整套 Intelligence Index 测试集，一共要输出约 1.5 亿个 token，同价位模型的中位数是 8700 万。

　　同一套测试，GPT-6.1 Sol 只用了约 6700 万，GPT-6 Astra 约 6000 万。按 OrcaRouter 的换算，同样的任务 K3.1 Pro 的输出量大约是 Astra 的 2.5 倍。

　　Artificial Analysis 还表示，K3.1 Pro 的速度也低于同类的中位数，大约每秒 70 多到 80 个 token。另外，K3.1 Pro 只支持思考模式，关闭思考的请求会被直接拒绝，每一次调用都在为推理付费。

　　虽然 K3.1 Pro 推出了高速（Highspeed）版本，但是月之暗面官方表示，高速版只加快模型输出。任务里工具调用（读写文件、执行命令等）与脚本执行的耗时不受影响，如果这部分占比大，整体提速就不明显。

　　虽然 K3.1 Pro 相较于 K3 便宜了 30%，可 Artificial Analysis 在测试中发现，K3.1 Pro 的单次任务成本并没有便宜到哪里去。

　　K3.1 Pro 平均单次任务的花费为 2.11 美元，GPT-6 Astra 为 3.26 美元。而 K3.1 Pro 的 token 价格只有 Astra 的五分之一，可落到实际花费上，只省了大约 35%。

　　这一切可能和 K3.1 Pro 的训练有关。

　　杨植麟认为，要想让模型实现更长的输出，那就必须得在整个过程中始终保持严谨，反复检查、修改、自我修正。从 K3 开始就是如此，当时的官方技术文档里写到，K3 会在输出中表现出过度谨慎、反复自我审视。

　　Fireworks AI 官方研究博客《Introducing Ember-1》中提到，就算拿掉了 K3 反复检查的过程，对模型性能几乎没有影响。换句话说，K3 有点太严谨了。

　　到了 K3.1 Pro，模型不仅要对任务严谨，还对整个环境严谨。

　　K3.1 Pro 官方技术报告里提到过一个案例，模型模拟人学习行走的过程，K3.1 Pro 发现手臂动作始终不理想、调整奖励也没有解决，于是回头检查模拟器，修掉了 36 处肩部肌肉力臂的计算错误，再重新训练，最终才让效果更好。

　　这也是为什么 K3.1 Pro 虽然性能很高，然而输出更长，token 更多，因为它要对几乎一切保持严谨，甚至连环境都是如此。

　　杨植麟烧 token，梁文锋则是省 token。

　　DeepSeek 称 V4.1 Flash 1017 的迭代为“帕累托改进”。这是一个经济学概念，它指的是一件事改完之后，至少有一个方面变好了，同时没有任何一个方面变差。

　　放在模型里体现出的，就是模型的各项基准分数更高，任务完成更快，输出更短，价格也没有变。

　　DEV 社区里就有人做过测试，说 DeepSeek V4.1 Flash 1017 相比较 4.1 Flash，输出变短、任务变快，每完成一个任务的成本，反而下降了。

　　其实 V4.1 Flash 本身是个极其“话痨”的模型，OrcaRouter 上就有实测表示，同样是在 Artificial Analysis 那套 Intelligence Index 上，V4.1 Flash 要输出 2.5 亿 token，比 K3 的 1.6 亿还多 56%。

　　但是由于 V4.1 Flash 的 Causal Encoder-Decoder 架构，552B 总参数但 prefill 只激活 8B、decode 只激活 16B。KV 缓存被压到每 token 只有 890 字节，显存占用降到上代的四分之一、SSD 占用上代的八分之一。

　　所以 DeepSeek 跑分更强、任务完成更快、输出还变短，梁文锋不愿意牺牲掉某一项属性换来另一项。

　　Agent 是服务 AGI 的一环

　　梁文锋曾经说过，“现在投资人看到的最多的是 Agent，但对于我们这些研究的⼈来讲，现在看到更多的是学习，以及怎么解决学习这个问题。”

　　言外之意，梁文锋觉得 Agent 只是 AGI 的一环而非全部。

　　2025 年的时候，杨植麟登上了张小珺《商业访谈录》。对于纯推理模型和 Agent，杨植麟提出了一个缸中之脑理论：“想象一个鱼缸，你把一个脑子放在里面，跟外界没有联系。它只是在自己大脑里面想，一直想，不需要跟外界产生任何交互，就能解一道题。”

　　对于 Agent，杨植麟说：“它不再是‘缸中之脑’，是跟外界有交互的。我的下一步行为，是根据交互中得到的反馈，和外界给我的新状态的更新有关系。”

　　缸中之脑就代表了 o1 那样的强推理模型，可杨植麟想要的，是让模型能够使用更多的工具，进行更多轮的交互。

　　不过无论梁文锋和杨植麟怎么说，那都是他们在产品哲学方面对 Agent 的定义，真要看模型 Agent 如何，还得放到真实任务里。

　　除了 Artificial Analysis，社区也经常用“致知｜大模型智力长期追踪榜单”（猫榜）来测试模型的水平。

　　它把模型的能力拆成推理、Agentic 和视觉三个板块。在 Agentic 这一页，用的是一组需要长流程、多约束和工具协作的任务。左边的数字和字母，表示扣分数和档位，页面上写着“1/A 代表扣分数/档位”，数字越小越好；右边的￥金额，看起来是模型跑完这道题的花费。

　　相比上一代 K3，K3.1 Pro 的进步非常明显。K3 在 Rust App 上是“Failed”，也就是不能实现，K3.1 Pro 则拿到了 23 分、C档；K3 在 Science 上是 26 分、C+，K3.1 Pro 提升到了 16 分、B档；Animation 也从 22 分提到了 17 分。

　　这个结果，和月之暗面官方强调的“Agent 执行能力大幅提升”是吻合的。

　　然而在这个榜单上，K3.1 Pro 却输给了 DeepSeek V4.1 Flash 1017。

　　Rust App 上，DeepSeek V4.1 是 12 分、B档；K3.1 Pro 是 23 分、C档；Simple Model 这一项，K3.1 Pro 是 5 分，DeepSeek 是 10 分，两者同为B+ 档，Kimi 略好一些；Animation 这一项，双方都是 17 分、B档，打平；Science 一项，DeepSeek 是 13 分，Kimi 是 16 分，同为B档，DeepSeek 略好。

　　另外，K3.1 Pro 在 Data Process 和 Metal 两项还是“Pending”，意味着完整的结论目前还不能下。

　　明明在 Artificial Analysis 上直逼 Opus 5.5 的 K3.1 Pro，却在这里评分低于 DeepSeek？

　　这是由于猫榜有个规则，“模型不限制 Max Token，但根据题目难度对超长思考进行扣分惩罚。”等于你花的 token 越多，就越给你扣分，K3.1 Pro 吃了大亏。

　　在 Rust App 上，DeepSeek 花了 12.32 元，K3.1 Pro 花了 221.21 元。Simple Model 上，Kimi 花了 12.60 元，DeepSeek 是 5.88 元。Animation 上，Kimi 是 38.77 元，DeepSeek 是 10.77 元。Science 上，Kimi 是 25.80 元，DeepSeek 是 6.21 元。

　　还有一点，K3.1 Pro 的技术博客里写到，模型会“过度主动（excessive proactiveness）”，遇到模糊意图会替你做决定、过度即兴。尤其是对于 Agent 来说，K3.1 Pro 更愿意去根据提示词来自由发挥。

　　可猫榜里面，像是 Rust App 这类任务，它的环境反馈链极长、需求边界完全卡死，会严格限制模型的发挥。

　　梁文锋在做的，是让每一次 Agent 调用都稳定、便宜；杨植麟在做的，是让最难的那几个场景，看起来足够惊艳。

　　月之暗面需要“克制”

　　K3.1 Pro 的 3D 能力是发布的重点之一。你可以给模型几张图片，不需要交代任何事情，它就能将其转换成 3D 建模。

　　发布后的第二天，社区上出现了一个高赞帖子。发帖人称，他发现 Kimi 内置了一个名为 model3d_generation 的技能，会运行一段 Python 脚本，通过外部 API 的服务来生成 3D 模型。

　　发帖人特意禁用了这个技能，让 K3.1 Pro 只用自己的代码生成，质量明显差了一截。更关键的是，脚本里支持三个模型版本：v3.1、v3.0 和 v2.5，这和 3D 生成公司 Tripo AI 的模型版本完全吻合。

　　事实上，早在 K3.1 Pro 发布之前，Kimi Work 桌面端就已经把 Tripo 3D 纳入了插件生态。

　　月之暗面资源中心 10 月 17 日更新的《如何制作具有逼真效果的 3D 图像设计》一文中明确写道，Kimi Work“支持 Blender、Tripo 3D 及其他插件”。

　　官方 10 月 14 日的博客《10 款值得尝试的免费和付费 AI 3D 图像生成器》中也提到，Kimi Work 已经集成了 Tripo 3D。

　　其实月之暗面自己发布的技术博客里明确表示 K3.1 Pro 在游戏引擎里工作时，会“结合网页搜索和 3D 生成”来创造完整的体验。BenchCAD 的 92.7%，标注的也是“借助工具”。

　　这意味着，官方并没有说这些成果是模型“徒手”完成的。

　　请“外援”这件事，并没有什么错。调用工具，原本就是 Agent 能力的一部分，一个会找到合适工具并把它接进工作流的模型，比一个什么都自己硬算的模型更有用。

　　但问题就在于，杨植麟想要的太多。除了 3D 建模和游戏引擎，K3.1 Pro 所覆盖的还有代码、长程 Agent、金融研究等等。

　　每一个方向单独看，都有道理，也都有真实的进展。

　　Artificial Analysis 的数据显示，K3.1 Pro 在科学推理上是 34.3%，同期 Opus 5.5 是 59.0%，GPT-6 Astra 是 63.3%。在不用工具的 HLE 测试里，K3.1 Pro 是 51.1%，低于 Opus 5.5 的 59.8%；长上下文推理，也从 K3 的 88.7% 略降到了 86.3%。

　　战线拉得太长，每一条线上能分到的资源就变少了。

　　相较之下，梁文锋就非常克制，他曾经说过：“这也是我们克制的一部分。我希望这些商业机会能够让其他⼈来做，我们希望这些商业机会、怎么用这个 AI ，是整个社会、我们所有的合作伙伴⼀起来做，大家⼀起来分享这个收益，而不是我想独吞，这不可能。”

　　DeepSeek 并不是什么都不做，它同样有搜索和抓取 API，有各种产品化的动作。区别在于，每一件事都被放在“服务 AGI 主线”这个前提之下，不服务主线的事，哪怕是好生意，也宁愿不做。

　　克制不是佛系，它本质是一套资源分配的方法。先决定什么不做，再决定怎么做好。