作者 | 王馨

编辑 | 汤安迪

一夜之间，最强开源模型又换人了。

7   月   17   日凌晨，月之暗面正式发布了   Kimi   K3。

在发布博客之前，Kimi 核心研究员张宇拍下了北京美丽的日出，纪念这必定 " 不普通的一天 "。

他形容 K3 是个 " 怪物模型 "，但架构干净、优化优雅、MoE 设计精妙，甚至 " 跨跃了某种奇点 "。

Arena.ai   的   CEO 也发了一条推，说这是 " 今年最重磅的一次发布，也标志着中国开源软件厂商超越美国厂商的里程碑 "。

在   Frontend Code Arena   的榜单上，K3   以   1679   分登顶，把   Claude Fable 5   挤到了身后。而在   K2.6   时代，Kimi   在这个榜上排第   18   名。

第   18   到第   1   的跳跃幅度。是张宇所说的 " 开源模型的斯普特尼克时刻 "。

2.8   万亿参数，全球最大

这是一个   2.8   万亿参数的混合专家模型（MoE），是全球最大的开源模型，专为长时编程、知识工作和推理等前沿智能任务设计。

作为对比，上一代   K2.6   是   1   万亿出头，DeepSeek V4 Pro   是   1.6   万亿。K3   直接翻了一倍多。

但大而不臃肿。总共   896   个专家，每个   token   只激活其中   16   个，稀疏度大约   1.7%，极大地节省了计算资源。

上下文窗口   100   万   token，原生支持视觉理解，但算法团队负责人周昕宇透露 " 并不会跟进视频模型 "。

为了让这个 " 巨无霸 " 跑得通、跑得快，K3   有三项架构创新。

Stable LatentMoE：潜在并行混合专家架构，本质是一种通信优化技术——先下采样投影再路由，专家在潜在空间中运算，最后上采样回传。这项技术源自英伟达的论文，月之暗面首次把它稳定地应用到了训练阶段，让专家之间沟通效率暴增。

KDA（注意力机制）  + AttnRes（残差结构）：两项技术强强联手，确保 K3   在百万   token   的上下文窗口下仍然保持有效注意力，不会 " 丢三落四 " 或在后半段失忆。

量化感知训练：从微调阶段就引入了 MXFP4（一种公开的计算标准）和   MXFP8   格式。这意味着它不绑定英伟达的私有协议，对国产硬件（如昇腾）更加友好。

* ( K3 架构：左侧为 Stable LatentMoE 和 KDA 模块，右上为 AttnRes 操作 α，右侧为块级注意力残差主干结构 )

K3   完整权重预计   7   月   27   日前开放。

跑分很顶，实测如何？

几个关键成绩：

Frontend Code Arena   排第一，1679   分，超过   Fable 5。7   个前端子领域里   K3   在   6   个拿了第一（品牌设计、数据与分析、产品设计、消费产品、模拟、内容创作）。

在用户侧，Kimi   的 " 品味 " 和 " 审美 " 也已得到国内外网友的普遍认可。

在长周期任务中，它同样表现强劲：长周期检索（BrowseComp）拿下单智能体最高分   91.2，且毫无取巧压缩。而同时，K3 每次任务的成本却只有其他模型的几分之一。

Artificial Analysis   综合   Elo   飙升至   1547   分，排名第三，不仅比上一代暴涨了   732   分，完成同等任务还少用了   21%   的输出   token。

Kimi 官方也认为，尽管 K3 整体上是一个非常有竞争力的模型，但与 Fable 5 和 GPT 5.6 Sol 相比，它在用户体验上仍然存在明显差距。

Towards AI   的内部写作基准更戏剧化：K3   从此前的第   21   名直接跳到第一，且成本比前任榜首便宜了   5   倍——这是开源权重模型第一次在该榜单登顶，这三个字的分量显然比分数更重。

不过跑分并不能完全代表真实使用体验。沃顿商学院的 AI 研究员 Ethan Mollick   认为它是 " 离前沿最近的开放模型 "，但在复杂统计审计任务中，K3   仍会误用统计方法，运行   Agent   时偶尔会陷入死循环。

知名开发者   Simon Willison   吐槽其缺乏灵活性：目前   K3   只有 "Max（最高强度）" 推理选项，导致 " 大炮轰蚊子 "，哪怕让他画个简单的   SVG   图，也会消耗上万个推理   token，" 好用，但也确实贵 "。

定价：国内最贵

K3   的价格策略很值得玩味。

国内定价为每百万 token 输入 2 元（缓存命中）和 20 元（未命中），输出 100 元。

国际定价为每百万 token   输入 0.3 美元（缓存命中）和 3 美元（未命中），输出   15 美元。

这是中国   AI   实验室有史以来最贵的模型定价。作为参照，DeepSeek V4   的输出只要   $0.87，GLM-5.2   是   $4.40。K3   直接把价位拉到了   Anthropic   中端模型   Sonnet   系列的水平。

但和真正的直接竞品比，它又明显便宜：Claude Fable 5   输出   $50/ 百万   token，GPT-5.6 Sol   是   $30。K3   的输出定价分别只有前者的   30%、后者的   50%。

月之暗面把价格定在 " 中国最贵但全球看仍然便宜 " 这个区间，一面向国内证明 " 强模型可以收费 "，一面向海外证明 " 便宜也能赚钱 "。这两个命题同时成立的话，AI   的商业飞轮就真的转起来了。

不只是又一个 " 最强模型 "

K3   戳破了行业的几个既定认知。

破局 " 开源即免费 "

K3   是中国   AI   实验室有史以来定价最贵的模型，但同时承诺开源权重。这在过去是很难并存的组合。

以前的开源逻辑是：开源   →   免费 / 低价   →   靠生态赚钱。DeepSeek、Llama   走的都是这条路。

但   K3   走出了一条新路：开源权重  +  前沿定价  +  高部署门槛，形成一个互相支撑的三角。

先看定价端。输出   $15/ 百万   token，有人按稀疏度   1.7%   反推，推理毛利率在   75%-85%   之间。这个毛利足够支撑下一代模型的训练投入。

再看部署端。官方建议   64   个以上加速器。2.8T   参数、896   个专家、百万上下文。就算权重开放，谁真正跑得起来？网友已经质疑：" 开放了又怎样，最后不还是少数大云厂商和推理平台能玩？"

这正是这套设计的目的。开源不是 " 免费送 "，而是给大客户和云厂商一个选择权。微软和亚马逊会很乐意承接   K3   的推理负载，不是把钱给月之暗面，而是给自己的云客户。月之暗面则通过   API   维持高毛利，把收入投入下一代训练。

刺破   AI   估值泡沫

有人算了一笔账：月之暗面估值   315   亿美元，而   Anthropic   和   OpenAI   各超过   1   万亿美元。

30   倍的估值差，换不来   30   倍的能力差。

如果开源权重模型能以更低成本逼近闭源旗舰，那几千亿美元的资本开支承诺建立在什么上面？

K3   发布后，网上有人把它称为 "bubble-popping   results"（刺破 AI 估值泡沫的信号）。

Anthropic   最近在重置用户额度，定价压力已经是事实了。当开源模型好到用户开始认真考虑切换，闭源厂商的定价权就不再是铁板一块。

未来钱会往两个方向流：一是   Anthropic、OpenAI   等闭源厂商继续烧钱冲下一个代际；二是微软、亚马逊等云厂商大量采购   GPU   来跑开源模型，卖给自己的企业客户。

K3   给云厂商提供了一个 " 前沿级别的开源货 "，让他们有理由去下更多算力订单。

" 稀缺驱动创新 "

就在   K3   发布的同一天，有媒体报道称   Google   旗舰模型   Gemini 3.5 Pro   已延期数月，因为编程能力一直不达内部目标。

Google   手握全球最多算力，模型却频频延期。这说明肯定不是算力的问题。有人认为恰恰是 " 稀缺导致创新 " ——因为四处受限，所以必须在架构上不断突破。

比如   K3   的   LatentMoE   技术源自英伟达的论文，原本侧重推理，但月之暗面把它稳定化用于训练。这不是简单的工程复现，而是在约束条件下重新发明路径。

月之暗面总裁张予彤的原话是：" 我们知道我们没有奢侈到可以简单地只堆算力。"

•END •

Question. Write. Narrate. Believe.  

Become a story.

易简传媒的愿景是提问和传播商业故事，让读者更开阔，更聪明。有 2500 万微信粉丝关注我们的账号，欢迎大家关注：

↓↓↓