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

榜单成绩亮眼 ≠ 真实任务能打。我们把三组公开实测摆在一起看：Kimi K3.1 Pro 在 3D 和交互式前端上确实出彩，但「生成得漂亮」「代码通过测试」「Agent 完整交付」是三回事。

全文约 8 分钟，下面是完整排版版（可直接滚动阅读）：

嵌入显示不全时，打开独立全文页。

三个案例速览

1. 3D 相机实验室（刘小排）——同一道题，四款模型各做一个可交互 3D 相机。Kimi 的视觉与交互表现突出（交互完整度 18.5/20、界面视觉 18.5/20，均四家最高），综合排名第 2、仅次于 Claude Opus 5.5，但仍有工程细节要修。
2. Bug Hunt Bench（Paweł Huryn）——在两个真实代码仓库预埋 105 个 Bug，模型自己定位修复、盲审计数。这项测试里 Kimi 得分不如部分对照模型（榜单分数要连同 CLI / effort 配置一起解读）。
3. 五模型编码测试（Curtis Pyke / Kingy）——四个历史代码问题每模型试两次，既看补丁是否通过测试、也看 Agent 有没有正常完成提交。Kimi 有通过测试的补丁，但测试中的 8 次尝试都没有正常提交。

原始出处

• 国产模型又往前走了一大步：Kimi K3.1 Pro 实测（刘小排）
• Bug Hunt Bench（GitHub） · 实时榜单
• Kimi K3.1 Pro in Our Five-Model Test: Useful Patches, Incomplete Handoffs（kingy.ai）

口径说明：三组测试的任务、工具与配置并不完全相同，不能拼成一个总榜；各结论只对各自测试场景负责。