AI model field notes · 实测观察

Kimi K3.1 Pro 实测：
真的能比肩 GPT-6.1、
Claude Opus 5.5 吗？

看榜单，更要看真实任务里的作品质量、工程可靠性，以及最后能不能交付。

温暖手帐风用户实测初步评估整理日期：2026.10

本页案例图已改为嵌入式离线图解，打开 HTML 不再依赖外站图片；每张图仍可点击回到原文。

本次搜了网络上几个真实的评测案例，初步结论：Kimi K3.1 Pro 已经是值得认真对待的强力选手，尤其在 3D 建模、交互式前端和多步骤任务上表现突出，但目前还没有充分证据证明它能全面追平 Claude Opus 5.5 和 GPT-6.1。

01中国博主刘小排：做 3D 相机，Kimi 排第二

阅读完整实测报告 ↗

刘小排让四个模型完成同一道题：制作一套可以在浏览器中交互的相机实验室。

要求包括 20—35 个可独立操作的零件、真实开合的光圈、拆解与透视功能，以及对焦、光学公式和读数联动。最后还要把镜头从 50mm 改成 85mm，不能只修改界面上的文字。

刘小排原文中的四款模型3D相机任务总榜截图 — **来源：刘小排原文。**为保证本地打开不出现破图，这里按原文公开内容重新排版为离线图解，并非作者原图。点击图片可打开原文查看完整案例和上下文。

实测结果值得关注：

Kimi 排第二。 总体完成度仅次于 Claude Opus 5.5，并比 GPT-6 Astra 高 9 分。
视觉与交互是它的强项。 暗色展台、操作面板、实时读数和零件展示都有较好的产品感。
并非没有工程瑕疵。 作者记录了机身框架、模型导出单位和光圈叶片缝隙等问题；也就是说，视觉效果好不代表所有工程细节都正确。

我的解读

这比单纯让 AI 做一个漂亮网页更有说服力。它说明 Kimi 已经可以在一些复杂的、兼顾视觉与交互的前端工程任务中，交出相当有竞争力的作品。

但这仍是一道精心设计的测试题，不能直接推导出它在所有编程项目上都超过 GPT。

02海外开发者 Paweł Huryn：找出 105 个真实 Bug，Kimi 没赢

查看 Paweł Huryn 的原始 Bug Hunt Bench ↗ · 实时榜单

这次测试不是让模型从零写个网页，而是把 105 个预先植入的 Bug 分布在两个真实代码仓库中，让模型自己发现并修复。

Paweł Huryn发布的Bug Hunt Bench榜单原图，包含Kimi K3.1 Pro得分 — **来源：Paweł Huryn 的 Bug Hunt Bench。**图为根据作者公开榜单数据制作的离线摘录，并非仓库原图；不同模型的 CLI、配置和跑分轮次并不完全相同，适合观察该测试里的结果，不宜当作所有编程能力的总排名。点击图片查看原始仓库。

模型	修复数量
DeepSeek V4.1 Flash 1017 (max)	42.7
Claude Opus 5.5 (max)	41.7
Kimi K3.1 Pro (max)	36

同一张榜单，差距有多大？

105 个预置 Bug 中，每轮平均修复数量。图中模型配置不同，不是同配置排名。

DeepSeek V4.1 Flash 1017 (max)

42.7

Claude Opus 5.5 (max)

41.7

Kimi K3.1 Pro (max)

36.0

0约 50105

数据来自公开测试结果的二次整理，具体测试环境和计分方式应以原始材料为准。图中 effort 配置分别为 max / xhigh；柱形按 105 个 Bug 的满分刻度绘制。

Kimi 修复了 36 个，低于 Opus 的 41.7 个，也低于 DeepSeek 的 42.7 个。另一个值得留意的细节是，后续汇总记录了 Kimi 三次运行得分分别为 30、36、42，波动不小。

当任务是进入既有工程、理解历史代码、定位隐藏问题并完成修复时，Kimi 还不能稳定地宣称领先。

不过，这也不是所有编程工作的代表：修复旧 Bug 和从零搭建新项目，对模型的要求并不相同。

这恰好解释了为什么官方的 Agent 基准成绩很好看，但开发者在实际工作中仍可能觉得它不如 Claude 顺手。

03再看一个实际工作信号：它能做出来，但未必划算

另一个值得参考的是开发者 Curtis Pyke 在 Kingy 发布的编程测试。测试让模型处理四个真实项目中的历史问题，每个模型尝试 8 次。

Curtis Pyke 原文：Kimi K3.1 Pro in Our Five-Model Test ↗

Curtis Pyke在Kingy原文中的五模型编程测试结果图 — **来源：Curtis Pyke / Kingy 原文。**图表按原文公开数据重新绘制为离线版，并非作者原图；区分了“代码补丁通过所有测试”和“正常完成提交”两种结果。点击图片可打开原文阅读测试设置与限制。

模型	通过全部测试的代码补丁	正常完成提交
GPT-6.1 Sol	5/8	0/8
Kimi K3.1 Pro	4/8	0/8
Claude Sonnet 5.5	4/8	2/8

Kimi 的 4 份补丁都通过了对应测试，但 8 次尝试都没能正常完成提交流程。作者将其中四次中断归因于测试环境的输入额度预留检查。

为什么重要？

代码正确、任务完成、Agent 正常交付，是三个不同的指标。 如果模型留下了正确代码，却没有完成最后的检查、说明和提交，对需要无人值守运行的工作流而言，仍然是失败。

04综合判断：现在适不适合替代 Opus？

✓ 值得优先试用

从零生成 3D 场景、交互网页、原型和多步骤内容制作。它有能力给出超出普通代码生成器水平的完整作品。

↔ 建议并行测试

复杂工程、旧代码修复、长时间运行的 Agent 任务。尤其要检查最终交付率、返工次数、耗时和额度消耗。

! 暂不宜直接替换

对正确性要求很高、需要稳定自主执行的生产任务。目前公开实测还不足以证明它在这些场景中全面达到 Opus 水平。

另一个值得关注的博主

另外我挺关注“Ryō”这位博主的，近期发布了不少 Opus 5.5、Kimi K3.1 Pro、GPT-6.1、DeepSeek V4 Flash 一句话出视频的比较，非常有意思，有兴趣可以去看下。

一句话结论：Kimi K3.1 Pro 已经是值得认真试用的强力选手，尤其在 3D 与交互式前端方面；但从真实代码修复和 Agent 交付测试来看，它还没有充分证明自己能全面替代 Claude Opus 5.5。