总结
编程任务：考虑到之前 K3 对 Claude Code 版本很挑剔，旧版本的表现好于新版本，会导致测试结果不够理想，所以本次测试开始使用 Kimi Code 2.3.1 版本进行。K3.1 编程能力整体明显优于前代 K3，并且在多个能力项上达到国产 SOTA。但能力分化也较大。
前端任务，尤其偏静态 UI 呈现的任务上，K3.1 表现出碾压级的实力，UI 细节丰富，精致，交互动画细腻，直出即达到生产级。不过 K3.1 喜欢在 UI 上用小号字体，以便在有限空间里塞入更多说明性文本，让整体看起来更精致，但这提升了阅读难度。部分 SVG icon 绘制存在少量问题，外形正常，但比例失调，看起来古怪。K3.1 在没有特别说明的情况下默认使用墨绿和金色搭配，审美高级。
K3.1 偶尔会忽略提示词中的微小细节要求，比如用简短术语来要求完成一个核心功能。项目 H 正是因为这种疏忽导致评级掉到 B 档，项目 M 中也存在这种情况。而 GPT、Opus 则几乎不会有这种情况（这里 GPT 指 Astra，Opus 指 Opus 5.5，下同）。不过如果将要求换一种表述，引起模型重视，则 K3.1 也可以妥善处理。可见并不是模型不会。
K3.1 在不使用工具情况下建模能力显著强于 K3，属于国内最强，但离全球 SOTA 还有极大差距。这方面最强的 Opus 5.5 可以在同样条件下“徒手”创建精度极高，且符合逻辑的各类模型，而 K3.1 首先是达不到相同的精度，其次对模型的逻辑功能处理不好，形似而神不似。当然，如果接上工具，K3.1 能力得到放大，这类问题也不存在了。
任务效率上，K3.1 的呈现出两种截然不同的表现。前端任务通常有不错的直觉，H 项目上也能实现代码文件一次性输出，测试一遍过，不涂改。稍微复杂的前端也可以在有限步骤内完成，效率处于国内 Top，优于前代 K3，基本持平 GPT-6/6.1。但到 N 项目这类略微冷门的技术栈，K3.1 则需要不断现查文档才能逐步推进，并且验证阶段也会很不自信地多次打包，多次跑全程自检，期间也会验出真正问题，但更多时候是在反复改文案和尺寸，意义不大。
幻觉：K3.1 较前代极大幅改善，跃升至仅次于 GPT/Opus 的位置，高于 Gemini。纯信息提取类任务上对 K3.1 已经没有难度，只是达不到和 GPT 一样的稳定性。如果是带逻辑的信息提取，则 K3.1 表现稍弱，数据直觉不如 GPT。DeepSeek Flash 在这类任务上反而表现更好。
复杂求解：复杂任务，K3.1 能花比 K3 更多的精力（Token）去详尽求解，在各类没有唯一解，需要探索上限的任务上，K3.1 能拿到更接近 GPT（当前最高）的结果，超过 DeepSeek Flash，而且花费 Token 也仅有其一半，这正是 K3.1 作为大尺寸模型发挥优势的场景。
