Kimi认错，杨植麟还是得学梁文锋

K3.1 Pro发布后不到48小时，月之暗面就放出公告称“模型存在的限速、额度无故虚耗问题，我们深表歉意。这些问题全是我们的责任，本该更早推动解决。10月26日起，所有档位订阅用户返还月度总额的25%。我们还调整了产品运行参数，砍掉不必要的子Agent调用、压缩冗余输出长度，让额度更耐用。” 在这次改动后，最明显的体验就是，K3.1 Pro没有刚发布那会“烧额度”了。 回到模型发布当天，整个AI圈子都倒吸一口凉气，性能超越OpenAI所有模型，仅落后Opus 5.5半个脚掌。第三方评测机构ModelCompare发文称，中美AI差距已从3、4个月缩减为仅剩31天。 然而这场狂欢还没撑过两天，K3.1 Pro的评价就从“特别好评”，变成了“多半好评”。杨植麟也被冠上了“神鬼二相性”的外号，神在于模型性能突破天际，鬼在于K3.1 Pro用起来多少有点“肉疼”。 反馈最多的就是额度问题。社区多位用户称，几乎没怎么用，就已经花光了K3.1 Pro的5小时额度。就拿我自己来说，199块钱的档位，两天一共生成不到10个3D模型和几个时长不超过30秒的演示动画，月额度已经跑完了一半。 哪怕是一些简单的任务，K3.1 Pro也会调用大量的子Agent来思考、推理，其输出结果并没有提升很大，却因为这些子Agent，导致用户浪费了很多额度。 杨植麟也挺无奈，提升模型的智能水平必然需要更多的token。 这也就导致K3.1 Pro虽然比K3便宜了30%，却因为额度给得太少，导致最后并没有多少人真正感受到了“便宜”。 就在K3.1 Pro发布的前一周，DeepSeek发布了V4.1 Flash-1017，它的思路完全相反：不拼上限，而是把性能、速度、输出长度一起优化，价格保持不变。 V4.1 Flash-1017完美体现了梁文锋的产品哲学，自发布至今仍然是“好评如潮”。 或许杨植麟就该在产品上，该跟梁文锋取取经。 01 额度是月之暗面最大的伤 K3.1 Pro发布后，社区里有很多人都在讨论额度的问题。比如有这样一条高赞评论，发帖人称“它大概只用了10分钟，5小时的额度窗口就已经满了”。 Linux.do上，有一位199套餐用户，他表示只发了一句让模型审查项目架构的指令，Kimi拉起5个子 Agent，十几分钟后5小时额度就满了。 微博用户@这很盒里吧发帖表示，在WorkBuddy里使用K3.1 Pro，一个简单任务还没跑完，就花掉了超过450的积分。 而实际上，WorkBuddy的99块钱标准版，一个月总共也就4000积分。相当于一个简单任务，跑了月额度的10分之1。@这很盒里吧还表示，K3.1 Pro目前消耗积分的倍率是0.97，也就是说，实际上积分消耗要更少一些。 Artificial Analysis认为，之所以K3.1 Pro如此消耗额度，关键就在于token效率上。 在测试中发现，K3.1 Pro跑完整套Intelligence Index测试集，一共要输出约1.5亿个token，同价位模型的中位数是8700万。 同一套测试，GPT-6.1 Sol只用了约6700万，GPT-6 Astra约6000万。按OrcaRouter的换算，同样的任务K3.1 Pro的输出量大约是Astra的2.5倍。 Artificial Analysis还表示，K3.1 Pro的速度也低于同类的中位数，大约每秒70多到80个token。另外，K3.1 Pro只支持思考模式，关闭思考的请求会被直接拒绝，每一次调用都在为推理付费。 虽然K3.1 Pro推出了高速（Highspeed）版本，但是月之暗面官方表示，高速版只加快模型输出。任务里工具调用（读写文件、执行命令等）与脚本执行的耗时不受影响，如果这部分占比大，整体提速就不明显。 虽然K3.1 Pro相较于K3便宜了30%，可Artificial Analysis在测试中发现，K3.1 Pro的单次任务成本并没有便宜到哪里去。 K3.1 Pro平均单次任务的花费为2.11美元，GPT-6 Astra为3.26美元。而K3.1 Pro的token价格只有Astra的五分之一，可落到实际花费上，只省了大约35%。 这一切可能和K3.1 Pro的训练有关。 杨植麟认为，要想让模型实现更长的输出，那就必须得在整个过程中始终保持严谨，反复检查、修改、自我修正。从K3开始就是如此，当时的官方技术文档里写到，K3会在输出中表现出过度谨慎、反复自我审视。 Fireworks AI官方研究博客《Introducing Ember-1》中提到，就算拿掉了K3反复检查的过程，对模型性能几乎没有影响。换句话说，K3有点太严谨了。 到了K3.1 Pro，模型不仅要对任务严谨，还对整个环境严谨。 K3.1 Pro官方技术报告里提到过一个案例，