Moonshot AI 把稀疏 MoE 的规模又往上推了一档：Kimi K3.1 Pro 以 2.8T 总参数、104B 激活参数和 1M token 上下文亮相，并给出了明确的定价与开放权重时间表。
发生了什么
据 MarkTechPost 报道，Moonshot AI 发布 Kimi K3.1 Pro。核心规格包括：总参数 2.8 万亿、激活参数 1040 亿的 MoE 架构，上下文窗口达到 100 万 token。在 Terminal-Bench 4.0 上得分 65.7%，定价为每百万 token 输入 2 美元、输出 10 美元，并计划在 2026 年 11 月 4 日前开放模型权重。
这组信息里，三个数字最值得注意：总参数与激活参数之间约 27 倍的差距、百万级上下文，以及一个把开放权重写进时间表的承诺。
为什么重要
MoE 的竞争早已不是“参数量越大越好”，而是“用多少激活参数换多少能力”。2.8T 总参数意味着巨大的知识容量与训练投入，104B 激活则决定了推理时的实际算力成本——这个比例说明模型在容量和效率之间选择了极端稀疏的路线。对开发者而言，激活参数才更接近真实的服务成本结构。
1M 上下文延续了长上下文军备竞赛，但真正的问题是有效上下文：窗口长度不等于模型能在百万 token 里稳定检索和推理。Terminal-Bench 4.0 的 65.7% 是一个偏工程执行的指标，说明 Moonshot 在把模型往“能动手做事”的方向推，而不只是聊天和写作。
定价同样关键。2/10 美元的每百万 token 价格，放在百万上下文模型里属于有竞争力的区间，但长上下文场景下输入 token 消耗会被迅速放大，实际账单取决于使用方式。
影响与看点
对开发者来说，最直接的吸引力是“长上下文 + 可执行任务 + 相对克制的价格”这一组合，适合代码库级理解、长文档分析和终端型 agent 工作流。开放权重的时间表则意味着它可能进入自托管与微调生态，这对受限于数据合规的团队尤其重要。
需要保持克制的几点：Terminal-Bench 是单一基准，不能代表全面能力；开放权重目前只是承诺，具体许可证、是否包含完整训练细节尚未可知；百万上下文在真实任务中的召回质量也需独立验证。
我的判断是：Kimi K3.1 Pro 的真正信号不是 2.8T 这个数字，而是“超稀疏 MoE + 百万上下文 + 明确开放权重日期”被放进同一个产品叙事里——这说明头部开源阵营正在把旗舰级规格当作生态入口来打，而不只是发布一个 API。
