实测Kimi K3.1 Pro修105个植入bug：性价比不如DeepSeek V4.1 Flash

我在真实工作中测试了 Kimi K3.1 Pro。2 个代码仓库，105 个重新植入的 bug。能找多少找多少，能修多少修多少。

结果如下：
DeepSeek V4.1 Flash 1017（max）：42.7
Muse Wonder Full 1.0（max）：42
Opus 5.5（max）：41.7
Kimi K3.1 Pro（max）：36
Muse Spark 1.3（max）：32.2

我很抱歉。考虑到成本，我看不出有什么理由要用这个模型。

在上面的基准测试中，我跳过了这次奇怪的运行：

为什么用 Claude Code 测试框架？K3.1 Pro 的发布帖是在 Claude Code 中评估其编码基准的。之前在我的测试中，对于 Kimi K3，Moonshot 的 CLI 成本约为 Claude Code 的 2.9 倍。更多模型、常见问题解答和实时数据：

Kimi K3.1 Pro max：36, 42, 30
Opus 5.5：
- max：43, 39, 43
- xhigh：35, 37, 36
- high：32, 32, 31
- medium：30, 30, 31
- low：23, 25, 19
Sonnet 5.5：
- max：57, 54, 43（不是写错了，它比 Astra 多执行了 7 倍的轮次，是最顽固的组合）
- xhigh：39, 34, 35
- high：32, 34, 37
- medium：18, 28, 24
- low：20, 17, 20

不行。我没法给未植入的 bug 打分。有些模型，尤其是 OpenAI 的，会通过报告不相关的、真实的“问题”来刷分。其中 99% 都是低优先级。解决其中一些问题实际上会损害产品。我将重新植入的 bug 视为我过去实际处理过的重要问题的代表性分布。所有这些问题在 2026 年初都被前沿模型遗漏了。