Step 5 Preview 对决 Kimi K3.1 Pro：两款模型上周均已重新评分。以下是最终经受住考验的结果

如果你查看Step 5 Preview和Kimi K3.1 Pro，一周前得到的结果会是两个数字：44 和 55。这两个数字现在都已不复存在。2026 年 10 月 27 日至 28 日，Artificial Analysis 用第 5 版取代了其 Intelligence Index，该版本 60% 的分数来自私有或留出测试集；同一模型在旧评分标准和新评分标准下所得的分数并不属于同一种测量。Step 5 Preview 在 v5 下得分为 29。Kimi K3.1 Pro 得分为 46。它们之间九分的差距如今是一种可以如实进行的比较，而且它与发布报道所围绕的差距并不相同。

接下来是这项对比，以及没人会放进对比表的那部分：这两个模型在一个将于11月4日见分晓的权重问题上立场相反，而今天只有其中一个能通过 OrcaRouter 调用。

现在大家常引用的这两个数字都错了

Kimi K3.1 Pro 于 2026 年 10 月 23 日发布，Intelligence Index 得分为 55，首次亮相排名第四，比 Kimi K3 高 11 分。四天后，其读数为 46。模型本身没有任何变化，变的是尺子。Artificial Analysis 将综合评分重构为覆盖知识工作、编程、科学和通用四个类别的九项评估，并剔除了三项较旧的评估，包括 GDPval-AA v2.1、SciCode 和 AA-LCR v1.1。它新增了 FrontierCode 2.0——一组 132 项私有编程任务，按补丁是否值得合并来评分——以及 Terminal-Bench-Science。

Step 5 Preview 遭受了同样的打击，而且更严重。在 v5.0 下它的读数是 29，而在此前的指数下为 44；并且它失去的支撑证据比 Kimi 更多，因为 StepFun 的发布材料恰恰倚重那些被移除的评测。在关于该模型的大多数报道中出现的 AA-LCR 88.3 和 SciCode 58.9，如今已是来自不再对头条指数有所贡献的基准的分数。它们仍然是对某些东西的真实测量。但它们不再是该指数所测量的那个东西。

排名后果值得直白说明：在 v5 下，一个开放权重或承诺开放权重的模型得分为 46，落后于得分为 58 的领先者 12 分，而在 v4 下这一差距曾是 3 分。这是关于评分标准的陈述，而不是关于能力突然崩塌的陈述；任何将其呈现为后者的文章，都是在误读自己的来源。

规格行，一次一个维度

总参数与激活参数——Step 5 Preview：总计 600B，每个 token 激活 27B，352 个专家中激活 8 个，另加 1 个共享专家。Kimi K3.1 Pro：总计 2.8T，激活 104B。

• 这是何种发布——Step 5 Preview：一款以预览形式发布的新旗舰模型，权重随后跟进。Kimi K3.1 Pro：Kimi K3 的后训练版本，拥有更大的后训练算力，包括跨数百个领域的联合强化学习——并非新架构。

• 上下文窗口 — 第 5 步预览：100 万 tokens。Kimi K3.1 Pro：1,048,576 tokens。

• 输入模态 — Step 5 Preview：文本、图像和视频。Kimi K3.1 Pro：文本和图像。

• 每百万 token 输入价格 — Step 5 Preview：$1.00。Kimi K3.1 Pro：$2.00，在整个上下文窗口内统一价格，无长上下文附加费。

• 每百万 tokens 输出价格 — Step 5 Preview：$2.70。Kimi K3.1 Pro：$10.00。

• 缓存输入 — Step 5 Preview：输入费率享 90% 折扣。Kimi K3.1 Pro：每百万读取 $0.20，缓存写入在五分钟 TTL 下为 $2.00，在一小时 TTL 下为 $4.00。

• 权重 — Step 5 Preview：已于 2026 年 10 月 15 日发布，提供 BF16 和 FP8 版本，采用 StepFun Model License 1.0。Kimi K3.1 Pro：尚未发布；Moonshot 表示权重预计于 2026 年 11 月 4 日发布。

• Intelligence Index v5.0 下的独立得分——第 5 步预览：29。Kimi K3.1 Pro：46。

每项已完成任务的成本，并附上相关注意事项

Artificial Analysis 报告显示，Step 5 Preview 每个 Intelligence Index 任务成本为 2.35 美元，Kimi K3.1 Pro 为 1.98 美元。这看起来像是 Kimi 的一点优势，而值得理解的是，为什么这并非显而易见。

这两个数字并非在同一任务集上得出，因为任务集在两次测量之间被重建过。两者都是在取数时生效的那个综合基准下的“每个索引任务成本”，这使得比较充其量只有方向性意义。毫无歧义的是其机制：Kimi K3.1 Pro 很啰嗦，每个任务花费约 55,000 个输出 token，完整运行一次共花费 1.5 亿个，而中位数是 8,700 万个；按每百万输出 token 10 美元计算，这种啰嗦很昂贵。它的 1.98 美元是完成所需计费步骤更少的结果，而不是 token 更便宜的结果。

Step 5 Preview 在输出上的价格便宜 3.7 倍，在输入上便宜 2 倍；而在现有测量数据上，它还是速度明显更快的模型：在 StepFun 的 API 上每秒输出 179.1 个 token，同类中位数为 74.1，Kimi K3.1 Pro 的实测值约为 73。如果你的工作负载对延迟敏感且输出量大，那么这一定价排序与速度排序是一致的，选择起来很轻松。如果你的工作负载更看重 17 个指数点的答案质量差异、而不是首 token 时间，那么同样的数字就指向相反的结论。

权重：一个已经发布，另一个则是附有日期的承诺。

这是基准测试表格所掩盖的不对称之处。Step 5 Preview 的权重自 10 月 15 日起已可下载：Hugging Face 和 ModelScope 上的 BF16 与 FP8 检查点，同日发布的 vLLM 和 SGLang 配置方案，以及一篇介绍 92 层窄深堆叠架构和稀疏 GQA 注意力模式的技术博客。FP8 检查点大约需要 773 GB 显存和至少四块 GPU，默认面向 B300，在 Hopper 路径上则使用八块 H200。该许可证为 StepFun 自有，未获 OSI 批准：对实质性使用的输出要求署名，硬件制造商需另行协商，年收入超过 2000 万美元的模型即服务运营商则需获得商业许可证。

Kimi K3.1 Pro 的权重在发布当天并不存在——Artificial Analysis 在 10 月 24 日仍将该模型归类为专有模型——而公布的日期是 2026 年 11 月 4 日。当这些权重正式上线时，Moonshot 的模型将成为 v5 指数上得分最高的可下载模型；对于任何想要获得接近前沿的能力、又不想让供应商介入的人来说，这都是一件真正意义重大的事。

在11月4日之前，这一比较是在一个你可以运行的模型与一个你只能调用的模型之间进行的。对Kimi来说，这并非永久性的劣势，但在本周却是实实在在的劣势，也正是今天做出的决定可能不同于九天后你会做出的决定的原因。

现在每个分别可以在哪里被调用

这两个模型中，一个在 OrcaRouter 上，另一个不在。Kimi K3.1 Pro 以 kimi/kimi-k3.1-pro 的模型 ID 存在于在线目录中，与另外五个 Kimi 模型并列。Step 5 Preview 则不在其中：该目录收录了来自 16 家提供商的 214 个模型 ID，截至 2026 年 10 月 29 日，其中没有 StepFun 条目。如果你想现在使用 Step 5 Preview，可以调用 StepFun 自己的 API，或自行托管该检查点。

这种不对称正是这组对比对路由决策有用的地方。由于我们按供应商目录价原样传递、不加价，你在这里看到的 Kimi 费率表就是 Moonshot 的费率表——$2.00 和 $10.00——Moonshot 之后做出的任何降价也同样如此。又因为故障转移是自动的，所以“Kimi 是便宜、可衡量的选项”在实际中的含义是：你可以把它放在链的首位，让平台在供应商服务水平下降时自动回退，而不必把回退逻辑写进客户端并持续维护。

迁移问题，如果你正在切换

无论你朝哪个方向走，有三件事都会耗费你的时间。

首先是输出量。Kimi K3.1 Pro 的成本结构主要取决于它写了多少，而不是它的费率。一个在 Step 5 Preview 上能产出简洁答案的提示词，在 Kimi 上可能产生三倍的 token，而你的账单会随 token 走，而不是按费率表走。在比较这两个价格之前，先在你自己的工作负载上测量每个任务的输出 token。

第二点是缓存的经济性。Step 5 Preview 将缓存输入费用减免 90%。Kimi K3.1 Pro 读取缓存每百万 token 收费 0.20 美元，但写入缓存也要收费——五分钟 TTL 为 2.00 美元，一小时 TTL 为 4.00 美元。对于每一步都会重新发送长系统提示词的 agent 循环来说，这两种方案下的情况截然不同；看起来更便宜的价目表，未必对应更便宜的循环。

第三点是评测框架敏感性。Moonshot 自己给出的表格显示，Kimi K3.1 Pro 在 Terminal-Bench 4.0 上的成绩为 65.7%，而 Claude Opus 5.5 为 66.4%，GPT-6 Astra 为 58.2%；独立评测方对同一模型报告的成绩是 67%。Terminal-Bench 的分数会随脚手架不同而上下浮动数十个百分点，因此，两个实验室的运行结果之间 1.7 个百分点的差距，并不能衡量 1.7 个百分点的能力差异。在这个对比中，每一行涉及不同厂商的数据都应当被视为关于方向的判断。

本周具体该做什么：如果你的工作负载是长上下文、输出密集且对延迟敏感，那么 Step 5 Preview 的 $1.00 和 $2.70 是更便宜的试验选项，而其权重让它可以便携部署。如果工作是智能体编程、补丁质量就是全部产出，那么 Kimi K3.1 Pro 在 v5 上的 46 分以及在 Terminal-Bench 4.0 上的 67% 使它成为更值得买的选择，而 11 月 4 日就是让它从一次押注变成一项资产的日子。无论哪种情况，都不要把决策建立在 44 和 55 之上。那两个数字属于一套已不复存在的评分标准。