Kimi K3.1 Pro 权重开放：2.8T 参数按约兑现，国产开放权重再下旗舰一城

11 月 4 日，月之暗面按承诺开放了 Kimi K3.1 Pro 的权重（Hugging Face 官方仓库）——从 10 月 23 日 K3.1 Pro 发布时给出的「11 月 4 日开放」预告，到今天如约兑现，没有跳票。HN 首页 330 分。

模型规格：一只「量化友好」的巨兽

按官方 model card：总参数 2.8T、每 token 激活 104B 的 MoE，93 层（1 dense）；架构上最有意思的变化是用 24 层「Gated DSA」替换了 Kimi K3 的全注意力 Gated MLA 层，专为长上下文效率设计；视觉编码器为 MoonViT-V2（401M），支持文本+图像。上下文 1,048,576 token（1M）。

对本地部署者最重要的细节是量化感知训练（QAT）：权重以 MXFP4、激活以 MXFP8 训练——模型在低精度下就能保持性能，意味着社区量化版本的损失会比常规模型小得多。许可为 Kimi K3.1 Pro 自定义许可（非标准开源协议），商用前需自查条款。

基准位置：编码/agent 逼近闭源旗舰，性价比是王牌

基准成绩单（最大推理档）：DeepSWE v1.1 75.5、BrowseComp 92.1、GPQA-Diamond 94.2（与顶级闭源模型大致持平）、内部幻觉基准（带工具）8.3% 为其基准线中最低。与竞品互有胜负：SWE Marathon（51.7）与 BrowseComp 领先，Terminal-Bench-Science（38.1 vs Astra 68.1）与 ExploitBench（74.7 vs 100）落后。

值得单独说的是发布节奏的信号：这是我们盯守了近两周的节点（10/24 报道发布时即记录「11/4 开放权重」），月之暗面用「先闭源 API + 定期放权重」的节奏，把企业侧的 API 采用与开源社区的跟进压到同一条时间线上——比「发布即开源」更能持续制造话题，也比「只做 API」更能赢得开发者信任。社区已经开始在 llama.cpp、Ollama、LM Studio 上准备量化版本。

对企业的启示

其一，「旗舰级开放权重」的选项又多了一个，而且不是缩小版。 2.8T/104B 的体量意味着自托管需要 serious 硬件（多节点 H100 级别或后续的量化方案），但它把「编码/agent 能力对齐闭源旗舰」的模型放进了可自持许可范围。数据敏感行业（金融、医疗、政务）的模型选型清单值得更新。

其二，QAT（量化感知训练）可能是下一个基线配置。 MXFP4 训练意味着开源模型「量化后掉点」的老问题在源头被解决——未来评估自托管模型时，问一句「是不是 QAT 训练的」会越来越重要。

其三，价格战背景下的时间差策略。 与今天同场的腾讯 Hy4（见今日快讯）选择了「API 便宜+未来开源」的路线；月之暗面则用「API 与权重同期交付」制造确定性。两条路线都在把「用什么模型」的决策权进一步交回企业手里——这比任何单点跑分都更值得我们持续关注。ProMen 在为企业规划 AI+ 部署时，持续跟踪开放权重阵营的旗舰化进度。