文 / 窦文雪

编辑 / 子夜

最近一周，华尔街都在陷入一场对芯片产业的 " 信任危机 "。

费城半导体指数在一周内下跌了 12.5%，跌入技术性熊市；17 家华尔街投行连夜下调 AI 芯片企业目标价；高盛更是将这场下跌定义为 " 去杠杆事件 "，认为 " 算力扩张时代 " 或已接近尾声，AI 估值逻辑面临重塑。

这场震荡的开端，部分原因是因为一家中国企业的大模型产品更新。

7 月 16 日，月之暗面发布旗下新一代大模型 Kimi K3，不仅成为全球首个开源的近 3 万亿级模型，还在上线不到一天，就登顶了 Arena.ai 前端代码竞技场，在品牌营销、参考设计、数据分析、消费产品、模拟、内容创作、游戏这七个细分方向中，拿下六个第一，仅游戏类排名稍稍落后于 Fable 5。

这种 " 屠榜式 " 的成绩，让国内外开发者们蜂拥而至。

市场中的测评帖越来越多，甚至特斯拉 CEO 马斯克都在相关评测报道下方留言 " 令人印象深刻（Impressive）"。他还将 Kimi 作为标杆，声称旗下 AI 公司正在训练的 2 万亿参数新模型，且 " 可能超越 Kimi"。

随着 " 测评潮 " 席卷而来，Kimi K3 的用户的请求量在短时间内大幅超出预期，月之暗面也害怕影响现有用户的体验，紧急给 Kimi K3 按下了 " 暂停键 "。

其在 7 月 19 日晚间发布公告宣布，暂停开放 C 端新用户订阅。

图源月之暗面官方微信公众号

一面是展现真实需求的 " 算力崩塌 "，另一面是展现资本恐慌的 " 股价崩塌 "，Kimi K3 实则动摇了市场叙事的逻辑。

长久以来，华尔街笃信高性能芯片决定一切，这也推动了 AI 算力基础设施估值的暴涨。

但 Kimi K3 用更少的算力、更低的成本，交付更高强度的任务结果，并卖到比国内同行更高的价格，或许已经真正动摇了这套逻辑。

这一次，或许曾经的算力至上论，将被重塑了。

让华尔街紧张的，

其实是 Kimi K3 的算力转化效率？

华尔街的紧张不止一次，上一次，它们的危机感来源是 DeepSeek。

在去年年初 DeepSeek R1 发布时，英伟达曾单日蒸发 5890 亿美元市值。

只不过，当时市场的恐惧并没有维持多久，随着推理需求的激增，市场的主流判断回到了 AI 发展仍需要大量算力上，英伟达等芯片股在随后一个月内就迅速收复了大部分失地。

这一次，Kimi K3 引发的这场华尔街震动，也被市场普遍称之为 "DeepSeek 时刻 2.0"。

回看 DeepSeek R1，其以不到 GPT-4 十分之一的训练成本，实现了与顶尖模型相当的性能，且为开源模型。

Kimi K3 也是如此。

在 Kimi K3 身上，第一个有说服力的数据就是 2.8 万亿的参数，这是当前大模型领域的顶级规模，意味着大模型在能力上限、架构效率、资源消耗以及行业影响上达到了新的高度。

图源 Kimi 官网界面

另一个含金量很高的指标，来自 Arena AI 前端代码竞技场。K3 以 1679 分登顶，超过了 Claude Fable 5 的 1631 分和 GPT-5.6 Sol 的 1618 分。第一次，一个开源模型在真实开发者盲测中战胜了所有闭源对手。

这张榜单与实验室中跑出来的分数不同，它采用的是 Elo 对战积分机制：平台上每天有真实的前端开发者在提交自己的实际工作需求，如写一个登录页面、做一个数据可视化图表等。

系统每次随机挑选两个模型，匿名给出两份代码，开发者只看到代码本身，不知道哪份出自谁之手，然后凭实际效果选出更好的一份。赢家从输家那里拿分，对手越强加分越多，对手越弱扣分越狠。

在这种盲选的机制下，品牌光环、营销声势、创始人名气均被屏蔽在外，唯一的评判标准就是代码质量本身。

而拿到这些成绩的 Kimi K3，推理成本却不高。

Kimi K3 的成本相比国际顶尖的大模型产品更低。据第三方机构 Artificial Analysis 测算，Kimi K3 单任务成本约 0.94 美元，与 GPT-5.6 Sol 的 1.04 美元接近，约为 Claude Opus 4.8（1.80 美元）的一半。

Kimi K3 能做到在控制成本的同时保证大模型的性能，核心在于几个关键创新。

首先，Kimi K3 做了两项架构更新，根据月之暗面发布的公告，该产品是基于 Kimi Delta Attention（KDA）和 Attention Residuals（AttnRes）构建，前者为混合线性注意力，后者为注意力残差。

这两项更新，能让信息在更长序列和更深模型中流动得更顺畅。

两项架构更新图，图源月之暗面官方微信公众号

其中，KDA 是一种混合线性的注意力机制，可以用线性注意力替代大部分计算，同时保留少量全注意力层处理需要精确检索的场景。

而传统 Transformer 的注意力机制，在处理超长文本时计算成本会呈平方增长，这种架构的更新结果，就是让 KV 缓存使用量减少了 75%，在 100 万 token 上下文长度下解码吞吐量提升最高 6 倍。

AttnRes 可以让模型有选择的跨层检索信息，相比于传统模型还需要在各层均匀积累信息，这种架构能让底层学到的东西不容易被顶层 " 忘掉 "。

同时，Kimi K3 进一步扩大了 Mixture of Experts（MoE）的稀疏度，虽然模型参数很高，拥有 896 个专家模块，但每次推理时只激活 16 个。也就是说虽然模型的知识面很广，但每次回答问题调用的计算量都受到了严格的控制。

上述结构的改进，让 K3 相比上一代 K2 的整体训练效率提升了约 2.5 倍，能更有效地把算力转化为能力。

MoE 架构控制单次推理的计算量；KDA 注意力机制解决长文本的存储和传输效率；量化感知训练让模型天生适合低精度部署。三项技术的 " 组合拳 "，成为 Kimi K3 实现性能登顶与成本可控的核心。

C 端需求暴涨，Kimi K3 实测表现如何？

就像在 Arena AI 前端代码竞技场投票的开发者一样，Kimi K3 在实操中的能力吸引了大量海内外开发者测评，Kimi K3 被 " 挤爆 " 到暂停销售。

而这种火爆的场面实则在发布前就已经埋下伏笔。

7 月 15 日，月之暗面在 X 平台发布了一支 36 秒的视频。画面里全是档案纸、磁场线、金属小球，还有各种三个一组的构图，色调偏冷，审美不错。即便月之暗面没有解释这支视频的意思，但很多用户都知道，这是 Kimi K3 的预告片。

这支 Kimi K3 的预告片，是 Kimi K3 自己剪辑的，它在 56 段原始素材里完成选片、卡点、动作匹配和音频处理。月之暗面用这种方式，证明 Kimi K3 能做出关注细节、完整、让人满意的复杂作品。

官方交出的成品往往有一定的迷惑性，但在过去的一周中，Kimi K3 顶住了大量海内外开发者带来的测评压力。

很多测评者从这条原始的预告片出发，反证 Kimi K3 的生成能力。

有测试者将 Kimi 的原预告片交给 K3 参考，让它重新生成一段动画。从其生成的画面来看，K3 能够完成理解原视频、重建网页画面，到处理镜头、动效和交互的整个过程。

在测评的过程中，Kimi K3 也确实证明了自己在生成画面时很注意细节上的处理。

例如有网友测试了水流效果的生成，称 Kimi K3 能模拟出逼真的水波纹，保持物理上的连贯性；也有人用樱花盆景测试 Kimi K3 的 SVG 视觉生成能力，发现 Kimi K3 在树干扭曲、分层树冠等细节上比 Fable 5 更贴合要求。

除了视觉生成，开发者们还从 3D 生成、游戏生成、编码能力等方面给 Kimi K3 出了很多测试题，而 Kimi K3 的表现都可圈可点。

3D 交互是很多测评者屡试不爽的测评内容。PANews 的测试显示，上传一段 3D 棱镜宣传视频，Kimi 3 能自主解析动态光影、几何体结构，一键输出完整可运行的 WebGL 渲染工程，独立编写底层 Shader 实现色散光带特效。

还有网友让 Kimi K3 用 Three.js 生成一个可探索的微型城市，要有高低错落的建筑、街道、树木、一条穿城而过的小河，同时需要一个昼夜循环系统。而 Kimi K3 生成的内容，画面和配色都很和谐，提示词中要求的元素也都没有落下。

月之暗面展示的 Kimi K3 创作数字作品案例，图源月之暗面官方微信公众号

在游戏生成领域，Kimi K3 也表现突出。

科技博主 Chris 用 Kimi K3 构建了一个 CS:GO × Portal 克隆游戏，三轮对话、花费约 60 万 Token，按 API 定价算下来只花了 3.24 美元，而同样的 Token 成本，Fable 5 需要 10.80 美元、GPT-5.6 Sol 需要 6 美元。

也有测试者花了整整一天时间，开了最高档 699 元会员，消耗了 5 亿以上的 Token。几个小时后，Kimi K3 一次性生成了一个可用性和完整度都很高的 GTA 网页游戏。

在更复杂的工程任务中，K3 已经超出了 " 写代码 " 的范畴。

有博主新建了一个空工程，通过让 Kimi K3 从零完成一个包含三个模块的桌面 Web 产品，得出了其长任务推进、模块拆分、代码实现和自验证能力很强，已经能完成一次小型产品级交付的结论。

也有开发者用 K3 交付了一个真实的小程序项目——复用现有数据、打通 Google 登录和微信身份、支持朋友圈转发。首轮需求提了五个要点，K3 最终全部完成。

当然，Kimi K3 并非没有短板。

生成速度是测评者们反馈最多的问题。有测评者发现，K3 在复杂场景下的生成时间接近半小时到两小时，同场景生成时间约为 GPT-5.6 Sol 的 2 到 3 倍。有用户让 K3 做一个视频，第一版全是静态图片，不满意后要求动态视频，K3 花了三个小时去找片段合成、写代码模拟曲线。

还有开发者实测后吐槽它 " 太啰嗦 "、生成的信息图审美一般，有人直接表示自己的编程任务没有跑通，换回 Claude Opus 效果更好。

不过，这些短板并没有挡住用户涌入的热情。那些 " 惊艳 " 的时刻让不少开发者相信，Kimi K3 的能力已经跨过了一条关键的阈值。随着测评热潮的退却，真正看到 Kimi K3 价值的使用者也将在未来逐渐涌现。

需求的暴涨，或许将让同行们感到一丝紧张，毕竟，每一个更强的模型出现，都意味着行业的座次将会重新排列，在激烈的竞争中，每家大模型公司都要保持快速奔跑。

定价不便宜，Kimi K3 开拓商业化空间

令同行和市场紧张的第三个关键，或在于 Kimi K3 的定价体系。

Kimi   K3 输入定价为 20 元 / 百万 tokens（缓存未命中）、2 元 / 百万 tokens（缓存命中），输出定价为 100 元 / 百万 tokens。

Kimi K3 定价图源月之暗面官方微信公众号

虽然依托 Kimi K3 的 Mooncake 分离式推理架构，还能让用户的实际使用成本更低。月之暗面官方披露，依托 Mooncake 架构，K3 在编程高频场景下的缓存命中率超过 90%。

但如果只横向对比输出价，Kimi K3 的价格远超国内同行，按照混合 API 定价来看，Kimi K3 的每百万 token 2.3 美元，也显著高于国内同类竞品：阿里 Qwen3.7 Max 为 1.4 美元，智谱 GLM5.2 为 0.9 美元，MiniMax M3 为 0.22 美元，DeepSeek V4 Pro 为 0.18 美元。

但与海外顶级模型相比，Kimi K3 仍有价格优势。

Kimi K3 的输出价格（约 15 美元 / 百万 token）与 GPT-5.6 Terra（OpenAI 的中端层）持平，约为 Claude Opus 4.8（25 美元）的 60%、GPT-5.6 Sol（30 美元）的 50%、Claude Fable 5 的三分之一。

综合来看，即便 Kimi K3 相比于国内大模型而言并不 " 实惠 "，但它也还是被 " 挤爆 " 了。这恰恰意味着实力决定价格，当模型足够强，其企业就有足够的定价权，商业化的空间也将较为可观。

不少券商分析师也对此给出了积极的评价。例如摩根士丹利分析师将 K3 的高定价定性为国内大模型行业 " 定价回归 " 的标志性正面信号；华泰证券也指出，K3 智能的提高直接带来了 Token 定价的提高，随着长上下文、多模态和复杂工作流能力提升，国产模型定价正由低价竞争逐步转向能力定价。

对于当下的月之暗面来说，Kimi K3 带来的是从商业到资本的多重利好。

近期，有消息称月之暗面正在冲刺上市，其已经向投资人发送上市议案，预计最快 6 个月内完成港股 IPO。

而在这个过程中，决定月之暗面上市顺利与否的关键因素——估值与收入，都在快速增长。

目前，月之暗面的投前估值已达 315 亿美元，从 2025 年底 C 轮的 43 亿美元至今，半年内翻了超过 7 倍，累计融资额突破 376 亿元人民币。

另据多家媒体报道，月之暗面的年度经常性收入（ARR）在 2026 年 3 月首次突破 1 亿美元，5 月达到 2 亿美元，6 月站稳 3 亿美元关口——三个月内翻了 3 倍。API 收入已占整体收入的七成以上，公司告别了早期依赖 C 端个人订阅的单一模式，进入 C 端 +B 端并行的规模化变现周期。

而 Kimi   K3 的发布，已经让 Kimi 收获了大量资本的目光，且根据 IT 时报报道，数据显示，在 7 月 17 日 K3 发布节点，年化收入（ARR）从平缓波动区间陡然冲高，创下历史最大单日增幅。

图源 Kimi 官网

对于独立的大模型企业来说，商业化始终是资本和公司共同关注的重点。尽管月之暗面已经撼动了算力底座对模型能力的决定性影响，但这不意味着算力就不重要，月之暗面想要达到更高的参数规模，对通信带宽和内存仍然有着极高需求，未来的投入依然不会少。

如果 Kimi 能够跑通 " 高定价 - 高收入 - 高研发投入 - 更强模型 " 的正循环，就意味着其将真正形成一条完善的商业化路径。

Kimi K3 依靠架构创新降低算力消耗，凭借综合能力获得市场溢价，依托真实需求打开商业化空间，三重突破叠加，将成为资本市场评估它的关键指标。

如果后续，更多的 "Kimi K3" 路线被证实有效，旧有的行业估值逻辑或将真正颠覆，一场围绕技术效率与商业价值的竞争周期，即将全面开启。

（本文头图来源于月之暗面官方微信公众号。）