10月23日，Kimi在官方更新记录中宣布K3.1 Pro系列上线。新模型也已进入Kimi Work，用户可以在桌面端选择它处理工作任务。官方更新记录〔1〕、模型发布说明〔2〕

— Kimi Work中已选中K3.1 Pro

图1｜本次测试保存的真实界面局部，输入框右下角显示已选中“K3.1 Pro 进阶”。

这次更新，我最关注三个亮点。

一是能容纳更多材料和对话。官方公布支持100万Token的上下文容量。Token是模型计量文字等内容的单位，不能直接当成汉字数；容量大也不保证每处细节都读对。这次没有专门测试它能读多长的材料。

二是更擅长把一项复杂工作连续做下去。官方重点介绍了编程、3D创作、金融研究等场景。对法律工作者，我更关心它能否把阅读文件、查资料、核对数据和生成报告接起来完成。

三是更少编造或说错事实。官方称，在专门设置难题的内部测试中，逐条核对模型说出的事实，出错比例从K3的23.4%降至Pro的8.3%。这不是日常使用、更不是法律任务的错误率，仍需看实际工作中的表现。上述能力与测试口径均见官方发布说明〔2〕

这次，我把它放进两项法律工作中，与K3以及Codex中的GPT-6.1 sol high作对照。先把结论说清楚：Pro比K3有进步；与Codex＋GPT-6.1 sol high相比，法律调研仍有差距，案卷整理的几个关键例子表现接近，补证环节没有分出明显高低。

另外，谢凯律师会用民商事诉讼Skill跑一个复杂案件，进一步看看Kimi 3.1 Pro在诉讼实务中的价值。明天会单独分享这组测试，欢迎大家关注。

这次比较的是以下三组实际使用组合。后文简称“GPT”的，始终指第三组。

官方另有主打速度的Highspeed版，本次没有测试。

我给Kimi的两组测试分别建立专门的项目文件夹；Codex组使用对应任务目录。三组拿到相同的业务要求和对应材料，分别完成文件交付。这次比较的是它们在各自产品中完成工作的实际表现。

— K3在Kimi Work中的任务设置

图2｜测试时的真实界面截图，裁去账户侧栏、无关任务和空白。可以看到项目文件夹、任务要求及K3进阶选项。这张图保存在发送前，用于展示设置，不能单凭它证明任务已完成。

两项工作分别看不同问题：

下面分开看每项工作：先看结论依据，再看实际输出和等待时间。

这项任务的结论是：Pro比K3交代了更多关键条件，但还没有达到本次GPT组的表现。它能提供更完整的研究底稿，关键法条仍需复核。

假设我们要给一家出海企业比较韩国、日本、泰国的数据合规要求：收集个人信息要满足什么条件，儿童信息怎样处理，数据能否出境，发生泄露后向谁报告、多久报告。三组都要交来三国对照表、研究报告、来源和待确认事项，法律截止日统一为2026年10月25日。

每个模型各做两组：不使用Skill和使用Skill。两组的任务要求相同，使用Skill的组额外提供同一份海外数据合规调研Skill。Skill可以理解成给AI的工作说明书，规定优先查官方资料、区分现行法规与草案等。每组只执行一次。

— 3.1 Pro在Kimi Work中执行研究

图3｜测试时的真实对话截图。上方是任务要求，中间是Pro的回复和搜索进度，下方能看到模型选择。画面记录的是研究进行到一半的状态；“13分35秒”不是最终完成时间。

为方便比较，我们事先挑了18个需要回答清楚的法律问题，例如儿童同意的条件、跨境传输的限制、泄露报告的期限。逐一核对后，主要条件交代完整的数量如下：

在这18个重点问题上，Pro比K3回答得更完整，GPT又好一些。也有Pro做得更好的地方：韩国一项由企业承担证明责任的要求，Pro使用Skill时的答案交代得更完整。

三者都能写出结构完整的研究报告。下面看具体规则怎样影响判断。

例如日本数据泄露报告的人数条件。K3在总表里写“1000人以上”，正文又写“超过1000人”。Pro两份答案都保持“超过”，GPT也一致正确。

— 两版研究报告对同一规则的实际表述

图4｜两份实际研究结果的节选，按报告原有格式显示。左边可看到K3总表中的“≥1000”与正文“超过1000”不一致；右边是Pro对人数和报告期限的说明。原文件及行号保留在图片中。

假设恰好涉及1000人，又没有敏感信息、财产损害、不正目的等其他独立触发情形，两种说法可能导向不同的报告判断。K3不是完全不知道规则，而是前后没统一；客户只复制总表，就可能抄错。

Pro对韩国儿童信息的说明也更完整。它补上“依法需要同意时”才进一步要求法定代理人同意，而非只看到年龄，就把所有处理都改成征求家长同意。

不过，Pro仍有重要错误。

泰国儿童同意的年龄条件，K3和Pro都写“未满10岁”。GPT指出泰文原文是“不超过10岁”，并说明英文参考译本有差异。本次按保存的泰文原文核对，GPT正确。对恰好10岁的儿童，这个差别会影响判断；其他未成年人的行为能力与具体行为例外仍需另外分析。

Pro使用Skill时的那份韩国报告，还把旧的24小时泄露规则写进行动建议，称“韩国有72／24小时并行”。它引用的现行PIPA第39条之4，实际是诉讼中的保密命令，不能支持这个结论。GPT两份答案没有出现这一已发现的错误。

— 同一份Pro报告既有改善，也有错误

图5｜同一份Pro报告的原文对照展示。左侧补齐了儿童同意的条件，右侧却错用了24小时规则。右侧引文是模型原话，不是本文认可的合规建议。

这类错误会进入客户怎样行动的问题。如果直接把答案转成企业事件手册，就可能写进错误的法定期限。报告有官方链接、写得很细，都不能代替对关键条文的核对。

调研耗时对比

使用Skill时，Pro和K3耗时接近，18个问题中多把4个交代完整；GPT再多交代完整2个，但比Pro多等约14分钟。不使用Skill时，K3不到9分钟就交稿，Pro用了27分钟，GPT约38分钟。Pro在这次调研中处于中间位置：比K3完整，比GPT快，但仍有重要错误。

Skill的补漏作用，在K3上更明显。

把耗时和质量放在一起看，这次呈现出一个值得注意的趋势：模型自身完成任务的能力越强，额外加入Skill带来的提升越小。

K3不使用Skill时不到9分钟就交稿，使用Skill后接近27分钟，耗时约为原来的3倍；它补齐的内容也更多。Pro两组耗时都在25至27分钟，GPT都在38至39分钟，变化较小。结合下面的逐项结果，我的理解是：这套Skill对K3展开研究、补齐遗漏的帮助更明显；Pro和GPT本身已能完成较多要求，额外指导的作用就小了。

逐项评分也能看到这种差别：

这里比较的是每个问题“完整、部分、未通过”三个等级的变化。K3有3个问题从部分变为完整，1个从未通过变为部分；同时有2个从完整退为部分，所以最后只净增1个完整回答。

例如，使用Skill的K3答案补齐了韩国跨境传输的部分适用条件，以及日本共同利用、委托和合并承继等规则。但它也漏掉了不使用Skill时已写到的日本一项跨境信息提供义务。

Pro则是补齐了韩国非同意处理的公开与证明责任要求，同时在泄露报告中混入上文提到的旧24小时规则。一进一退，完整回答总数仍为15个。GPT两组的逐项等级相同。

另一个关键背景是：不使用Skill组，本来就有很详细的任务要求。 委托已经列明18个模块，要求查官方来源、核对版本和生效状态、保留数字的触发条件，并交付对照表、来源台账与待核清单。两组委托的差别，只是使用Skill组增加了使用指定Skill的指令和对应文件。

这让Skill的价值更容易理解：一套好的工作指引，对不熟悉这项工作的模型，更可能起到补漏作用；当模型自己已经能完成这些步骤，额外指引的收益就会变小。本次K3、Pro和GPT的质量与耗时变化，与这个判断相符。

这项任务的结论是：Pro相对K3的进步，主要在初次整理时少漏金额、较忠实地保留原话。这两处GPT也做对了。补证后如何更新事实、保留哪些疑问，三组没有拉开明显差距。

这次使用一宗虚构劳动争议。第一轮先给六份材料，包括申请书、劳动合同、工资表、考勤和聊天记录，要求整理时间线、金额、矛盾和缺少的材料，交来事实表及可用Excel打开的数据表。

第一份结果完成后，再在原对话里补进两份测试材料，内容包括病历、休息建议和人事收件记录，要求更新事实表。补充件是合成文字，不是真实病历或聊天截图。核对重点是：原先哪些说法应当修改，哪些事情仍不能下结论。

初次整理的差别，先看一个工资细节。原工资表2026年7月记载：基本工资10000元、岗位工资3000元、绩效500元。

K3写到了工资结构调整，也提取了其他月份的信息，但两轮结果都没有单独列出该月绩效500元这一项。Pro把这个月的三项工资逐一列出，算出合计13500元，与15000元相差1500元，并把补贴另外列出。GPT也抽出了这个细项。

— 两版实际事实表中的工资记录

图6｜直接从两版交付的数据表选取工资记录，按相同方式显示。左边是K3抽出的工资概括，右边是Pro另行列出的2026年7月数据；原文未改。这不是两份完整表的截图，K3漏项的判断来自核对它的全部两轮输出。

律师拿到Pro的表，可以直接发现这个月份的变化，再追问绩效为什么减少、依据是什么。用K3的表，还得回原工资表寻找。至于相差1500元是否构成欠付，单凭这些数字不能认定，Pro和GPT都保留了这个区别。

另一个例子，是员工请假时怎么描述身体情况。

原群聊8月3日晚写：“肠胃突然很难受，吐了两次，明天想去医院。”K3把它写成“以急性肠胃炎为由”请假；Pro和GPT保留了肠胃不适、呕吐及准备次日就医的说法。

— 症状和诊断不能提前混在一起

图7｜首轮事实表的原文对照展示。案卷是虚构材料；图片按原文重新排版，便于阅读，不是Kimi软件界面的截图。

当晚的聊天只有症状，第二天才是材料记载的就诊日。把后来的疾病说法写回前一晚的聊天，就会改变主管当时听到了什么，以及哪份证据能够证明诊断。这一处，Pro的进步有实际意义。

但Pro也有不如K3细心的地方。申请书一处写“工作年限3.5个月”，另一处写“工作3年4个月”。K3明确提示两处不一致；Pro虽然都抄到了，却主要说算术一致，没有充分指出“3.5个月”的单位异常。GPT提醒应核对3.5的性质和年限进位。

整体看，Pro整理得更完整；单位异常这一处，K3提示得更明确。

再看中途补进材料后，三组有没有改对。

第一轮只有员工在群里说病历已经发送。后来补进的合成企业微信记录，增加了发送时间、附件名和人事的回复：

这时，事实表应当更新：不再只有员工单方面说“我发了”，还多了对方回复收悉的文字记录。但它仍然不能证明公司已经批准三天病假，也不能自动把原考勤里的旷工改成病假。

三者都处理对了这些区别，也没有乱改与新材料无关的入职时间、工资等内容。原始病历、完整聊天和审批记录仍需核对，它们也都保留了这些缺口。

这次中途补证，三组都完成了主要更新。GPT的更新说明更细；Pro较K3的优势，主要在前面看到的工资细项、原话和证据出处。

案卷整理耗时对比

Pro第一次整理比另两组都慢，补证更新才更快。两轮加起来，它比K3多约2分钟，比GPT少约1分钟。这次整理案卷，Pro比K3更细，代价是多等约2分钟；与GPT相比，前面几个关键点都做对了，总耗时略短。

回到这次测试，Pro的进步落在具体工作上：调研中少漏适用条件，案卷中补齐工资细项，也更忠实地保留了聊天原话。GPT在法律调研中仍更稳；Skill对K3的补漏作用，则比对Pro和GPT更明显。

这些差别，才是选择工具的依据。日常法律工作包含查法、读卷、提取事实、核对金额、更新证据和起草文件。不同任务需要的能力不同，同一模型搭配不同的Agent或Skill，也可能交来不同质量的成果。

因此，我们需要把常做的工作变成一组固定测试：保留相同的材料、任务要求和交付标准，换模型时看它多找到了什么、漏掉了什么；加入Agent时，看它能否把检索、读文件和生成成果接起来；使用Skill时，看既有方法是否让结果更完整、执行更稳定。再把耗时、Token消耗和人工修改量放在一起，判断新增的投入换来了什么。

模型提供理解与推理能力，Agent组织工具和执行过程，Skill承载专业方法。要组好法律人的工作台，就要测清楚：对一项固定任务，每增加一个模型、Agent或Skill，究竟带来了多少增益。

有了这样的测试积累，工具升级时就可以用原任务复测，保留有效的组合，调整收益变小的环节。法律人的AI工作台，也就能随着自己的业务和技术变化，持续改进。

测试记录：2026年10月25日晚至26日凌晨执行，法律截止日为2026年10月25日。Kimi使用Work桌面版3.2.20，K3和Pro均选进阶；GPT使用Codex中的GPT-6.1 sol high。共9个任务、12次任务发送，每组执行一次；AI辅助逐项核对18个法律问题及16组案卷事实。耗时从任务发出计至结果文件完成，包含搜索、工具调用和写文件。案卷及补证为虚构测试材料。

用量记录：GPT四次任务累计总Token为30,050,105，其中缓存输入28,800,256、未命中缓存输入1,114,995、输出134,854。Kimi两版本的原会话Token计数未取得。

来源与核对：Kimi模型发布说明〔2〕、上线日期记录〔1〕、Kimi Work介绍〔3〕；法律问题沿用本次保存的原文及核验，包括日本PPC泄露说明〔4〕、韩国PIPA本次采用的版本〔5〕。文件、原文位置与图片出处见本文材料索引。

[1] 官方更新记录：https://www.kimi.com/code/docs/kimi-code/whats-new.html

[2] 模型发布说明：https://www.kimi.com/en/blog/kimi-k3-1-pro

[3] Kimi Work介绍：https://www.kimi.com/help/kimi-work/overview

[4] 日本PPC泄露说明：https://www.ppc.go.jp/news/kaiseihou_feature/roueitouhoukoku_gimuka

[5] 韩国PIPA本次采用的版本：https://www.law.go.kr/LSW/lsInfoR.do?ancYnChk=0&chrClsCd=010202&efYd=20260911&lsiSeq=283839