Kimi K3.1实测：开源模型逼近Opus，视频生成意外抢镜

一场原本以AMA（Ask Me Anything）为主题的直播，因为Kimi K3.1的突然发布变成了一场即兴模型评测会。主播Matt与嘉宾Alex、Brian一边回答观众提问，一边在镜头前接连跑通了多个Kimi K3.1的极限任务——从运动图形、3D渲染到完整小游戏和视频生成。这场没有脚本的实测，意外暴露了当前开源模型最真实的能力边界。

Kimi K3.1是什么：三万亿参数的开源猛兽

直播开场不久，Matt直接在电脑上装好了Kimi官方应用，运行Kimi K3.1 Pro High模式。他半开玩笑地表示"把Kimi装到自己电脑上有点紧张"。

从直播中透露的信息看，K3.1采用MoE架构，总参数约2.8万亿，激活参数1040亿。这个激活比例在同类模型中相当激进，意味着推理成本可控的同时能保留大规模知识。它支持百万token上下文，原生多模态，并能直接输出代码驱动的游戏项目，覆盖Unreal、Unity和Godot三大引擎。

据直播中展示的官方说明，K3.1在编程和智能体任务上比前代提升明显，金融类任务的模型幻觉率下降约65%。团队成员Alex在场表示，自己是长期Kimi用户，理由很直接："我们本来以为开源落后闭源六个月，结果Kimi 3出来的时候发现只差两三个月。"

据B站多位UP主与YouTube科技频道的同期评测，K3.1在代码生成和长上下文任务上的表现确实进入了第一梯队，但在部分细粒度视觉任务上仍与顶级闭源模型有差距——这与本次直播的体感基本吻合。

MoE（混合专家）架构是理解K3.1参数规模的关键。传统稠密模型每次推理都会激活全部参数，而MoE把模型拆成多个“专家”子网络，并由一个路由门控网络决定每个token交给哪几个专家处理。因此K3.1虽然总参数高达2.8万亿，单次推理只激活1040亿参数，算力开销接近一个千亿级稠密模型。这种设计让模型可以“堆知识”而不“堆成本”，但也带来显存占用高、专家负载不均衡、微调难度大等工程挑战。激活比例（激活参数/总参数）越低，通常意味着推理越省钱，但对路由质量和训练稳定性的要求也越高。

实测一：运动图形与3D渲染，代码能力过关但审美欠费

第一个测试是让K3.1生成一段教学视频：用运动图形演示攀岩保护结（belaying knot）的打法。Matt特意说明了这个任务的复合性——需要代码能力、视频转码能力、空间理解能力，还需要模型自己掌握绳结知识或主动联网检索。

结果在五分钟内产出，是一段28秒的1080p视频。

客观评价：代码驱动的动画逻辑正确，绳子的穿插关系在代码层面成立，甚至贴心地加了免责声明"请与合格攀岩教练学习验证"。但视觉效果是典型的"代码生成感"——纯色块、扁平、缺乏材质。

接下来的对比更能说明问题。同样的提示词交给GPT-6.1（直播中称"6.1 Sole Medium"），产出的动画在绳子的上下穿插关系上明显更清晰，有真实的3D纵深感。Matt的判断是"大约好10%到15%"，Alex则直言"还是不够好"。

当Matt要求K3.1用Blender重做一版、把绳子做出编织纹理和连续运镜时，结果依然差强人意。关键缺陷在于阴影：模型给整条绳子加了统一投影，而不是在每一段上下交叠处单独计算，导致空间关系看起来扁平。

这段实测揭示了一个行业共性：开源模型在"代码正确"层面已经接近甚至追平顶级闭源模型，但"视觉品味"和渲染细节仍是一道坎。

**运动图形（Motion Graphics）**指以动态图形、文字、图标、色块等设计元素为主的动画形式，区别于实拍视频和写实3D渲染。它通常由代码或关键帧驱动，强调信息传达和视觉节奏。让大模型生成运动图形，本质上要求模型同时完成三件事：编写可运行的动画代码（如Manim、Processing或Blender Python）、保证时间轴与空间关系正确、以及具备平面设计层面的审美判断。前两者属于“代码正确性”，后者属于“视觉品味”，而后者恰恰难以通过基准测试衡量，也是当前模型生成结果常被评价为“代码感重”的根源。

实测二：小游戏与视频生成，Kimi藏了一张没宣传的牌

游戏测试环节出现了本场直播最有戏剧性的时刻。

Matt让K3.1做了一个类似《Fall Guys》的障碍闯关小游戏，命名为"Bean Blitz"。结果所有障碍物实际上都不起作用，角色可以直接从起点滚到终点——"我第一次玩就拿了第一名"。团队评价这个作品"有魅力"，虽然粗糙，但至少诚实地呈现了自己的粗糙。

真正的高潮来自另一条测试线：让模型做一个关于Theo的恶搞视频（YTP风格）。K3.1调用了一个此前几乎无人知晓的能力——Kimi自带的视频生成模型。

生成结果让在场所有人愣住：五分钟成片，有完整叙事、角色动作、镜头切换，甚至配了一段8-bit电子乐（虽然直播音频没播出来）。Brian的评语是"如果不告诉我，我分辨不出这是AI做的"，Matt随即表示要把视频发到X上。

这条信息值得单独拎出来：Moonshot在发布K3.1时几乎没有宣传其视频生成能力，但实际接口已经可用。据直播中读取的日志，调用路径走的是Python FFmpeg处理流程。这可能是当前开源阵营中少数具备端到端视频生成能力的模型之一。

**YTP（YouTube Poop）**是一种源自早期YouTube的恶搞剪辑文化，以素材拼接、音画错位、重复循环和荒诞叙事为特征，风格上刻意粗糙、反逻辑。用AI生成YTP风格视频是一个颇具难度的测试：它不只是要求画面连贯，还要求模型理解这种亚文化的“故意鬼畜”美学，并在叙事节奏、镜头切换和配乐上做出匹配。直播中K3.1能产出有完整叙事和8-bit配乐的五分钟成片，说明其视频生成链路已具备一定的长时序一致性和风格控制能力，而不只是几秒钟的片段演示。

实测三：基准成绩与"体感"的错位

直播中展示了一张K3.1的基准对比图。Terminal Bench、Humanity's Last Exam、GPQA等指标上，K3.1的位置紧贴Opus 5.5和GPT-6 Astra Fable 5.1，部分项目甚至反超。

但Matt当场泼了冷水："基准成绩和实际手感是两回事。我只跑了四个测试，但已经能感觉到它不是Opus那个级别。"他还指出一处可疑细节——某张对比图的横轴标签是通用名称（coding、reasoning、mathematics、agentic），而不是具体基准名，且Kimi K3.1在所有项目上都是第一，"这看起来像是自己做的图"。

这个质疑值得记录。模型的官方基准与第三方复现之间存在天然张力，尤其在开源模型竞争白热化的当下，基准可信度本身正在成为一个议题。

同一场直播里，团队还顺手对比了DeepSeek^广告 V4.1 Flash（版本号标注为10.17）。在Matt本地的DGX Station上，DeepSeek以70-80 token/秒的速度运行，功耗约1600瓦。这个对比的潜台词很清楚：开源模型的能力上来了，但自建推理的硬件门槛依然是真实成本。

多模型并用时代的真实工作流

抛开模型评测，直播里关于日常工具链的讨论反而信息密度更高。

Matt透露自己的工作流已经分裂成几块：个人助理用GrokBot，编程主力是Codex和Claude，深度自动化交给自动化工具。Alex则分享了一个关键用法——把GrokBot接到Cursor里，让前者带着额外上下文去调用后者。据他转述，SpaceX的工程师团队大量采用这种方式，"因为GrokBot掌握的上下文是Cursor单独不具备的"。

团队还提到了一个订阅整合趋势：xAI的Unified订阅把GrokBot、Cursor和X Premium打包，个人AI订阅正在从"按工具买"转向"按平台买"。

直播中有个细节颇能说明个人智能体的成熟度：Matt手动发送嘉宾邮箱邀请时拼错了Alex的地址，几分钟后某个个人助理主动弹窗提示"你拼错了，建议跟进更正"。这种主动纠错能力，比任何基准分数都更能反映产品化水平。

Cursor是一款基于VS Code的AI编程编辑器，核心能力是把代码库上下文、多文件编辑和模型调用整合进IDE工作流。把GrokBot这类通用个人助理“接到Cursor里”，通常是通过MCP（Model Context Protocol）或自定义工具调用实现的：由具备更广上下文的助理负责理解任务背景、拆解步骤，再调用Cursor完成具体代码修改。这种“外层助理+内层编码器”的分层用法，反映出一个现实——单一模型很难同时擅长长期记忆、跨应用协调和精细代码编辑，组合调用反而能弥补各自的上下文盲区。

一场直播测出的三个判断

第一，开源与闭源的差距在收窄，但收窄的是能力下限，不是上限。 K3.1能跑通复杂复合任务、能自造游戏、甚至能出视频，这些在两年前是不可想象的。但细节打磨、视觉审美、复杂空间推理这些"最后一公里"，仍是闭源顶级模型的护城河。

第二，视频生成是Kimi被低估的能力。 官方几乎零宣传，实测却达到了"肉眼难辨"的水准。如果这条能力正式开放API，对内容创作工作流的影响会相当直接。

第三，基准图的公信力正在被透支。 当一张图里所有指标都是自家第一、横轴却用通用名词时，观众的信任会打折。模型竞争进入下半场，评测透明度的价值会越来越高。

直播最后，Matt说了句大实话："我必须在所有工具之间做选择，个人助理用GrokBot，编程用Codex和Claude，每个都得试。"这大概就是当下AI重度用户的真实状态——没有银弹，只有拼装。