跑分超过 GPT-6：WorkBuddy 新接入的 Kimi K3.1 Pro 强在哪

摘要：

腾讯 WorkBuddy 于 2026 年 10 月 24 日接入月之暗面旗舰模型 Kimi K3.1 Pro，在 Terminal-Bench 4.0 真实终端任务评测中得分 65.7%，超过 GPT-6 Astra 的 58.2%，接近 Claude Opus 5.5。这款 3 万亿参数、100 万 token 上下文的模型，代码与长程 Agent 能力接近前沿闭源模型，金融研究类基准拿下领先成绩。

Kimi K3.1 Pro 的跑分看点集中在两个方向：代码与长程 Agent 能力接近全球前沿闭源模型，金融研究类基准拿下领先成绩。但跑分只是参考，真正决定它值不值得用的是——这些能力能不能落到你的实际工作里。

一、四项基准成绩分别代表什么

Kimi K3.1 Pro 在官方披露的几项基准测试中表现突出，每一项对应的都是具体的工作能力，而非抽象的数字游戏。

Terminal-Bench 4.0（真实终端任务）：得分 65.7%。这项评测考察的是模型在真实终端环境里完成任务的能力——跑命令、看报错、多步调试。Kimi K3.1 Pro 超过 GPT-6 Astra 的 58.2%，与 Claude Opus 5.5 的 66.4% 差距很小。这项成绩的意义在于，它衡量的是“能不能在真实开发环境里干活”，而不是“能不能写对一段代码”。

BenchCAD（借助工具）：得分 92.7%。这项考察的是 3D 与空间推理能力——根据多视角渲染图反向生成 CAD 或 Blender 脚本。接近 Claude Opus 5.5 的 96.2% 和 GPT-6 Astra 的 95.9%。对需要频繁出三维模型草图的工程师和设计师，这是“看图写脚本”的硬能力。

OfficeQA Pro v2：得分 64.4、SpreadsheetBench v2：得分 36.3。这两项是金融相关基准，考察的是模型处理办公文档与表格任务的能力，是官方披露的当前公开基准中的领先成绩。对应到实际工作，就是跨表核对、敏感性分析、投研报告生成这类财务与研究场景。

跑分反映的是模型在特定测试集上的表现，与真实工作场景的完整复杂度不完全等同。跑分高代表能力底子好，但具体到你手上的任务是否顺手，还要实际用起来看。

二、代码与长程 Agent 能力为什么重要

在四项成绩里，Terminal-Bench 4.0 的 65.7% 最值得展开说，因为它指向的是大模型落地最关键的场景——能不能真正替人跑开发流程。

这项评测模拟真实终端环境，考察模型连续完成多步任务的能力：理解代码库、执行命令、读取报错、定位问题、再调试。这与“写一段孤立的代码”是完全不同的难度层级。能在这项上拿到高分，说明模型在长程、多步的开发任务上具备接近前沿闭源模型的水准，而不只是擅长写孤立的代码片段。

配合它 100 万 token 的原生上下文窗口，这个能力的价值会被进一步放大。长程 Agent 任务最怕的就是“做到一半忘了前面”——模型需要记住整个代码仓库的结构、之前改过什么、为什么这么改。100 万上下文意味着它可以把整个代码仓整份读入，通篇保持记忆，不用人为切分。

对研发团队来说，这类组合（强长程能力 + 超长上下文）能支撑的实际工作包括：连续推进耗时较长的开发任务、理解并驾驭大型代码库、协同调用终端工具完成构建与调试，以及结合截图与视觉反馈做任务迭代。

三、3D 创作与金融研究两类专项能力

除了代码，Kimi K3.1 Pro 在 3D 创作和金融研究两个方向的专项能力，覆盖了其他两类典型用户。

3D 创作方向：核心能力是根据多视角渲染图反向生成 CAD 或 Blender 脚本。这类能力的实际价值在于“描述即建模、草图变可编辑脚本”——工程师和设计师可以用它快速生成工业零件、场景原型的建模草稿，再在专业软件里精修，省下从零手动建模的时间。

金融研究方向：这里的关键不只是“能写一段分析”，而是能做端到端的投研交付——自己拆解假设、拉取数据、建立模型、产出可溯源的报告。对应到券商分析师、投顾、财务岗位的日常，就是跨表核对、敏感性分析、自动出图、找预期差并追数据源这类工作。

这两款能力的共同点是：都不是“陪你聊天”，而是“替你跑流程”。这也是 Kimi K3.1 Pro 作为 Agent 底座的定位——长上下文看得全、强推理想得深，高速版还答得快。

四、在 WorkBuddy 里怎么用、谁能先用

在 WorkBuddy 客户端，Kimi K3.1 Pro 通过模型选择器调用。打开对话框右下角的下拉菜单，即可看到 Kimi-K3.1-Pro 与高速版 Kimi-K3.1-Pro-Highspeed 两个选项，选中即用，无需额外配置 API。

开放节奏上，受算力资源所限，现阶段优先向企业旗舰版用户和个人订阅用户开放，普通用户暂未全量放开，后续按资源情况逐步扩容。判断自己能否使用，直接在模型选择器里查看是否已出现对应选项即可。

对于想把团队规模化用上旗舰模型的企业，当前 企业限时·双倍 Credits 活动 正进行中，新购、续费或扩容企业旗舰版，每账号每月可额外获赠 2000 Credits，进团队共享池，跑长程任务、做投研分析这类重度调用旗舰模型的场景，可用这部分积分抵扣消耗。