月之暗面发布 Kimi K3.1 Pro 模型并承诺开源权重，推出 2 至 3 倍速高速 API
月之暗面（Moonshot）推出 Kimi K3.1 Pro 多模态 MoE 模型，拥有 2.8T 总参数与 104B 激活参数，并宣布将在 2026 年 11 月 4 日发布开源模型权重。
推荐理由：材料汇总了该模型在独立评测中的表现与推理成本讨论，有助于读者了解开源大参数架构在实际落地中的算力需求。
Kimi / 月之暗面
全部主题月之暗面 Kimi 系列模型与产品动态：K 系列开源模型、长上下文技术与产品演进的追踪。
最新精选
第 1–8 条 · 共 8 条Latent Space精选AI 评分7777 Simon Willison精选AI 评分8080 Kimi K3.1 Pro 上线 API 并计划开源完整权重
月之暗面在 API 上线 Kimi K3.1 Pro 模型，并承诺于 2026 年 11 月 4 日前开源完整权重。该模型输入与输出价格分别为每百万 token 2 美元和 10 美元，Artificial Analysis 评分为 55 分，同时提供速度快 2 至 3 倍的高速版本。作者通过 Moonshot API 实测了该模型在三种推理等级下的 SVG 代码生成效果。
推荐理由：原文对比了该模型与前沿模型的基准得分与 API 定价，读者可以快速了解即将开源的高性能模型的性价比定位。
The Decoder精选AI 评分8080 月之暗面发布推理模型 Kimi K3.1 Pro，在基准测试中逼近 Claude Opus 5.5
月之暗面发布推理模型 Kimi K3.1 Pro 及其高速版本，在 Artificial Analysis 智能指数上取得 55 分，排名第四并逼近 Claude Opus 5.5。
推荐理由：该模型通过大幅增加后训练算力显著提升智能体表现，并在开源权重前主动剔除了高危网络攻击训练数据。
The Decoder精选AI 评分7777 OpenAI 称已拦截推理过程窃取行为，但研究显示该手段在 Azure 上依然生效
OpenAI 宣布封禁了超过 15000 个涉嫌通过跨会话解密窃取模型链式推理的账户，并指相关核心活动关联至月之暗面相关人员。然而研究团队测试发现，尽管 OpenAI 与 Anthropic 官方 API 已封堵该漏洞，但相同攻击在 Microsoft Azure 上依然能成功提取包括 GPT-6 Astra 与 Sonnet 5 在内的模型思维链。
推荐理由：研究展示了通过云端第三方接口绕过多层保护窃取模型链式推理的技术细节与平台漏洞。
Together AI Blog精选AI 评分8282 Kimi K3 完整开发者指南
Together AI 联合月之暗面推出 2.8T 参数开源模型 Kimi K3 的接入支持并发布完整开发指南，该模型原生支持 1M 上下文窗口与多模态视觉输入。
推荐理由：文章系统梳理了该开源模型的底层架构与接口参数，开发者可据此掌握长上下文缓存与动态工具调用的工程实现。
Together AI Blog精选AI 评分8080 Together AI 与月之暗面达成战略合作，原生托管并支持 Kimi 系列开源模型
Together AI 宣布与月之暗面（Moonshot AI）达成战略合作，成为其开源模型发布平台并原生提供 Kimi 系列模型的托管推理与后训练支持。平台首发接入 2.8T 参数的稀疏 MoE 模型 Kimi K3，支持 Serverless、预留吞吐量和独立实例三种部署形态，并提供零数据保留保障与 99% 可用性 SLA。
推荐理由：该合作让开发者能在合规的云端基础设施上即时调用月之暗面的大参数开源模型，并直接衔接微调训练与生产级推理服务。
Interconnects精选AI 评分8383 Kimi K3 与开源权重的升级演进：中美大模型竞争与行业冲击分析
月之暗面发布 2.8T MoE 架构旗舰模型 Kimi K3 并计划开源权重，其基准成绩紧随顶尖闭源模型之后，将中美前沿模型差距缩短至 3-5 个月。文章分析指出，中国实验室在资本与算力受限下展现出极高的架构与训练效率；高性能开源权重的扩散正大幅压缩闭源实验室的利润空间与估值预期，使开源与闭源在技术扩散与安全治理上的博弈进入新阶段。
推荐理由：原文剖析了开源权重前沿化对中美模型差距及闭源实验室商业闭环的经济冲击，为研判大模型产业格局演进提供了宏观视角。
Together AI Blog精选AI 评分6161 Kimi K2.7 Code 对比 Claude Fable 5：落地页生成成本降低 94%
Together AI 测试对比了 Kimi K2.7 Code 与 Claude Fable 5 生成 12 个落地页的效果，结果显示 Kimi 生成成本比 Fable 5 降低约 94%，平均便宜约 16 倍且产出质量接近。
推荐理由：测试展示了借助 MCP 补充多模态视觉参考来弥补开源代码模型设计短板的方案，同时大幅压缩落地页生成的调用成本。