权重真的来了，1.56TB 先把问题说清楚：Kimi K3.1 Pro 不是给个人电脑准备的

11 月 4 日，Moonshot 按承诺把 Kimi K3.1 Pro 的权重放上了 Hugging Face，仓库名 moonshotai/Kimi-K3.1-Pro，不用申请就能下载。这是 K3.1 系列第一款开权重的原生多模态 agent 模型：总参数 2.8 万亿，每次推理只激活 1040 亿，896 个专家里每 token 挑 16 个，上下文 100 万 token，附带 vLLM 和 SGLang 的部署配方。先把最实在的数字摆出来：96 个权重分片，加起来约 1.56TB，存成 MXFP4 精度。下载本身就是一道门槛，跑起来更是另一道——这不是“下载就能在笔记本上跑”的模型，而是给有集群、有带宽的机构和云厂商准备的。

成绩单要分两张读。厂商自报里，Terminal-Bench 4.0 拿到 65.7%，只比 Claude Opus 5.5 的 66.4% 低 0.7 个百分点，这是 agent 干终端活的能力；但 Terminal-Bench Science 只有 38.1%，远低于 GPT-6 Astra 的 68.1% 和 Opus 5.5 的 63.3%，科研类终端任务是它的短板。独立榜单 Artificial Analysis 给它 55 分、排第 4，比 K3 的 44 分涨了 11 分，这个第三方口径比厂商榜单更值得信。许可也要先读原文：它是定制许可，不是标准 MIT，面向大规模模型即服务收入设有单独签约门槛，商用和自托管之前必须把条款对清楚。

我的判断是：这次开权重的真正价值不在“人人本地跑”，而在三处——可审计，任何人都能拿真实权重去复测厂商的分数；可替代，API 价是每百万 token 输入 2 美元、输出 10 美元，对个人和中小团队，走 API 远比自建集群划算；可研究，高校和实验室能基于它做 agent 实验。对普通开发者，结论很直接：先用 API 和 Kimi Code 测自己的任务，别为 1.56TB 的下载买单。这个结论在你有现成算力、且任务恰好落在它的强项（通用 agent 编码）时不成立；如果任务偏科研推理，先拿短板那张表去对，再决定。