Moonshot 下調 Kimi K3.1 Pro 的駭客能力，開放發布與中國出口規定將至

駭客測試分數降低，模型能力依然更強

北京新創公司 Moonshot AI 表示，計畫於 2026 年 11 月 4 日前發布 Kimi K3.1 Pro 的模型檔案，因此先降低了模型的攻擊性駭客能力。調整後，模型在內部軟體漏洞利用測試中的分數從 90.5% 降至 81.0%，但仍遠高於前代模型的 33.3%。

Moonshot 於 10 月 23 日發布 K3.1 Pro，並在 10 月 24 日的聲明中說明限制措施。該公司移除用來教授特定網路技能的素材，同時保留模型的一般程式設計能力，讓它仍可用於建置與修復軟體。

這項公告發布前八天，中國商務部與科技部提出新的技術出口管制措施。提案將禁止出口用 AI 生成及修改惡意程式碼的技術，同時限制使用 AI 發現軟體漏洞的技術出口。

Moonshot 的發布讓兩項議題交會：可廣泛下載的模型應具備多強的駭客能力，以及政府應如何管制既能協助軟體防禦者、也能協助攻擊者的技術。

Moonshot 說明這次發布預定採取的界線時表示：

我們的目標是不發布會讓網路能力絕對前沿進一步延伸的開放權重。

該公司的權重是包含模型所學內容的檔案。公開權重後，外部開發者就能在自己的電腦上執行及修改系統。這讓使用者擁有更多掌控權，但副本散布出去後，Moonshot 能管理存取或調整安全防護措施的能力也會降低。

Moonshot 移除了哪些內容

Moonshot 表示，網路安全素材透過兩種途徑進入模型的開發過程：一是中期訓練階段使用的一般訓練資料集，二是強化學習環境中的網路安全任務。強化學習是透過反覆嘗試任務並依據表現取得回饋，來提升模型能力。

該公司移除了這兩個階段中的網路安全素材，但保留一般程式設計內容。其內部測試名為 xdev-bench-hard，用來衡量模型能否重現近期揭露的軟體漏洞並設計利用方式，最多嘗試三次，成功即計入分數。

測試涵蓋 Linux 核心、Node.js 和 JavaScriptCore 等軟體中的漏洞。這些都是用於執行作業系統、伺服器應用程式及 JavaScript 程式碼的元件。漏洞利用是一種將軟體弱點轉化為特定行動的方法，例如取得存取權，或使程式以非預期方式運作。

經過篩選後，K3.1 Pro 的分數下滑 9.5 個百分點，從 90.5% 降至 81.0%。DeepSeek V4.1-Flash 在同一項內部比較中的分數為 85.7%，使篩選後的 Kimi 模型低於這個對手。

前代模型 Kimi K3 的分數為 33.3%。因此，篩選後的後繼模型仍高出 47.7 個百分點，顯示即使針對性移除素材，其處理這類任務的能力仍大幅進步。

一般程式設計能力為何仍與駭客行動相關

Moonshot 將模型仍具備的網路能力，部分歸因於一般程式設計與長流程除錯能力有所提升。能檢視程式碼、追蹤跨檔案的故障，並測試可能修復方式的模型，也能運用這些能力尋找及利用弱點。

該公司的發布部落格如此說明兩者的關聯：

即使移除特定資料，模型的表現仍大幅優於前代，顯示更強的一般程式設計與長流程除錯能力，也能延伸應用於網路安全任務。

軟體防禦者可以運用這些能力檢查較少受到關注的舊系統；Moonshot 也以此作為支持開放權重的理由。組織可以在本地執行模型，檢查自己負責維護的軟體。

攻擊者也能運用類似能力搜尋弱點，並將部分入侵流程自動化。因此，實際問題不只是模型是否看過明確的惡意範例；實用的程式設計能力也可能轉用於攻擊行動。

Moonshot 尚未公開 xdev-bench-hard 測試，也沒有第三方獨立驗證測試結果。該公司也未說明外部開發者進一步訓練模型後，是否能恢復發布前移除的能力。對於使用者能修改模型檔案的模型而言，這些都是評估時的關鍵問題。

政府測試如何評估 Kimi K3

英國人工智慧安全研究所與美國人工智慧標準與創新中心先前曾評估 Kimi K3。該模型於 2026 年 7 月 16 日發布，並預定於 7 月 27 日開放權重。兩個機構的聯合網路安全評估為了解前代模型提供了獨立參考。

K3 在 ExploitBench 的得分為 32%，GLM-5.2 則為 24%。這項由卡內基美隆大學開發的基準測試，評估模型利用 V8 中 41 個漏洞的進展情況。V8 是在 Chrome 中執行 JavaScript 與 WebAssembly 的軟體引擎。

K3 在 41 個樣本中，沒有任何一個成功達成任意程式碼執行。領先模型平均能在 20 個樣本中達成這項結果。任意程式碼執行是指讓目標系統執行攻擊者選擇的指令；這種情況尤其嚴重，因為可能讓攻擊者取得控制權。

兩個機構也在 The Last Ones 測試 K3。這是一個模擬企業網路，包含分布於四個網路區段、約 20 台電腦。測試共有 32 個依序進行的攻擊步驟，人類專家約需 20 小時才能完成。

在最多使用 1 億個 token 的限制下，K3 平均完成至第 17 步；GLM-5.2 為第 11 步，美國領先模型則為第 28.5 步。K3 在 10 次嘗試中有 1 次完成整個測試，能力最強的模型則在 10 次嘗試中完成 6 或 7 次。

如何看待測試的限制

英美兩個機構表示，在評估期間，K3 的安全防護機制允許模型嘗試開發漏洞利用方式及執行攻擊性網路操作。評估結果顯示，K3 的能力高於先前領先的開放權重模型，但低於受測的最強模型。

The Last Ones 測試從已取得網路初始存取權開始，設有一條刻意安排的攻擊路徑，沒有啟用中的防禦者或防禦工具，也不會懲罰可能觸發安全警示的行為。這些條件為模型提供了可循序推進攻擊的結構化環境。

兩個機構將這些評估結果形容為初步且具選擇性。K3 的整體能力估值來自單一基準測試，因此與透過更多元任務評估的模型相比，統計不確定性更高。

測試採用權重封閉的美國模型時，研究人員停用了系統安全防護，以便在減少拒答的情況下衡量模型的最大能力。公開版本則啟用了這些防護。讀者比較結果時，應同時考量模型本身的能力，以及提供模型存取服務所附帶的管控措施。

K3.1 Pro 的最新 81.0% 分數來自 Moonshot 的另一項內部測試。在同一項測試中，前代模型的分數為 33.3%，因此這兩者的比較最具參考價值。若能對新版本進行獨立評估，安全團隊將更有依據判斷其能力。

中國提出禁令與限制

中國兩部委於 2026 年 10 月 16 日發布第 48 號公告。公告就修訂《禁止出口限制出口技術目錄》徵求意見，意見徵集至 11 月 15 日止。

提議新增的項目涵蓋 40 項技術：23 項人工智慧技術、5 項生物醫藥技術，以及 12 項太陽能製造技術。三個領域中，14 項技術將禁止出口，另有 26 項將受到限制。

人工智慧類別包括大型模型、智慧代理、運算叢集與資訊處理。智慧代理是會使用工具並循序採取行動以達成目標的系統，而非只回答單一問題。

利用 AI 生成及修改惡意程式碼的技術，列入擬禁止出口項目；利用 AI 尋找漏洞的技術，則列入擬限制出口項目。兩者差異重大：禁止出口代表涵蓋的出口將被禁止；限制出口則代表相關技術移轉須受出口管制。

商務部的政策說明指出，這些技術可能被用來攻擊關鍵資訊基礎設施、國防工業系統與政府核心系統，或繞過安全防護。商務部稱，這次修訂屬於常規技術貿易管理，不針對任何特定國家、地區或實體。

最終規定出爐前先行登記

中國提議修訂目錄目前仍在徵求意見，但臨時登記要求已於 10 月 16 日公告發布時生效。在修訂後的目錄生效前，出口商必須先為涵蓋的技術移轉辦理登記。已開始但尚未完成的移轉也包括在內。

公告列出數種涵蓋的安排：將技術所有權移轉至境外、授權國內技術供海外使用，以及使國內技術的所有權或實際控制權轉由外國持有的變更。

登記須透過商務部統一業務平台上的技術貿易申報系統辦理。出口商必須提供包括出口商與接收方、目的國家或地區、技術、預定用途及預估出口金額等資料。

商務部也區分技術移轉與提供服務存取權。依據該部對提議規定的說明，在海外部署受限制的 AI 技術，將納入出口管理。部分安排，例如在企業自有的海外雲端環境中部署，可能適用自動許可程序。

依據說明所述，透過 API、應用程式、網站或軟體即服務提供模型存取權，不屬於大型模型技術出口類別。輕量型本地裝置部署也不在該類別內。API 可讓一個電腦程式向另一個程式請求服務，使客戶無須取得模型底層檔案也能使用模型。

開放發布適用不同規定

中國公告排除已透過開源發布或學術論文進入公領域的技術。商務部也說明，部分涉及開放發布、海外研究合作及相關活動的 AI 技術出口，可適用自動許可及其他簡化程序。

因此，除了技術能力，發布與移轉方式也很重要。依照公告所述的架構，提供託管模型的公司、將受限制技術移轉至海外部署的公司，以及散布已進入公領域技術的開發者，可能面臨不同待遇。

Moonshot 計畫發布權重，使這些差異與其國際影響範圍息息相關。政府尚未在這些文件中公開判定 K3.1 Pro 的分類，最終目錄的實施日期也尚未公布。

接下來的日期讓發布時程與政策進程緊密交錯：

• 2026 年 7 月 16 日：Kimi K3 發布，並預定於 7 月 27 日開放權重。
• 10 月 16 日：中國發布第 48 號公告、啟動徵求意見，並開始實施臨時出口登記。
• 10 月 23 日：Moonshot 發布 K3.1 Pro。
• 10 月 24 日：Moonshot 說明降低模型攻擊性網路能力的措施。
• 11 月 4 日：Moonshot 計畫在此日期前發布 K3.1 Pro 的權重。
• 11 月 15 日：中國擬議修訂出口目錄的公開意見徵集截止。

能力更強，使用成本更低

K3.1 Pro 更廣泛的發布，也說明了它的網路能力為何不只攸關專業安全工作。該模型總參數量為 2.8 兆，啟用參數量為 1,040 億，屬於 Moonshot 所稱約 3 兆參數級別。參數是模型在訓練過程中學習到的數值設定。

模型的上下文視窗為 100 萬個 token，並可處理文字與影像。Token 是系統處理的資訊片段；上下文視窗越大，單次任務中可處理的資料就越多。Moonshot 也提供 K3.1 Pro Highspeed，並表示其執行速度快兩至三倍。

標準 API 的輸入價格從每百萬個輸入 token 3 美元降至 2 美元，輸出價格則從每百萬個輸出 token 15 美元降至 10 美元，降幅均為三分之一。快取輸入，也就是重複使用先前已處理的資料，價格從每百萬個 token 0.30 美元降至 0.20 美元。Highspeed 的價格為每百萬個輸入 token 4 美元、輸出 token 20 美元。

Artificial Analysis 的 Intelligence Index 將 K3.1 Pro 排名第四，得分 55，比 K3 高 11 分，距離得分 58 的 Claude Opus 5.5 差 3 分。Moonshot 的終端機程式設計比較中，K3.1 Pro 得分 65.7%，接近 Opus 5.5 的 66.4%。但在科學終端機任務上，Moonshot 列出的 K3.1 Pro 分數為 38.1，低於 GPT-6 Astra 的 68.1 與 Opus 5.5 的 63.3。

Moonshot 也公布了不同測試中的錯誤率。在發布部落格中，模型產生虛構或錯誤說法的比率為 8.3%，低於 K3 的 23.4%；API 快速入門文件則以不同對話集得出 6.85%，低於 23.35%。兩份文件描述的都是專門測試，客戶在工作中仍須自行查核答案。

對開發者與安全團隊而言，眼前的變化是能以更低的 token 價格取得更強的程式設計與自動化能力。對 Moonshot 而言，發布權重會讓更多關於部署、修改與安全防護的決定權，轉移到下載模型的組織手中。

重點摘要

• Moonshot 表示，移除網路安全訓練素材後，K3.1 Pro 的內部漏洞利用測試分數從 90.5% 降至 81.0%。
• 篩選後的模型在同一項測試中的分數，仍遠高於 Kimi K3 的 33.3%。
• 內部基準測試尚未公開，新結果也未經獨立驗證。
• 英美先前的測試發現，K3 在 10 次嘗試中有 1 次能完成模擬企業網路攻擊。
• 中國提議禁止出口 AI 惡意程式技術，並限制出口利用 AI 發現漏洞的技術。
• 臨時出口登記於 10 月 16 日開始，公開徵求意見將於 11 月 15 日截止。
• Moonshot 計畫在 11 月 4 日前發布 K3.1 Pro 的權重，讓外部開發者能更大程度掌控模型的使用方式。