Kimi K3：编程基准、成本与开放权重 AI 竞争

Moonshot AI 的 Kimi K3 在部分测试中与领先的专有模型相比表现出色，因而受到关注。我认为这可能是开放权重 AI 的重要时刻，但这里涉及的不只是一个排行榜，还有部署成本、速度以及美国和中国实验室之间的竞争。我还让模型构建了一个魔方模拟器，最后会试用它。

视频展示的 Arena 前端开发图表中，Kimi K3 的胜率为 76%，领先于 63% 的 Claude Fable 5 和 58% 的 GPT-5.6 Sol。这项特定比较的结果令人印象深刻，但不能证明 K3 是所有前端工作中最好的模型，更不能说明它在所有任务中都最强。

Moonshot 将 K3 描述为拥有 2.8 万亿参数和 100 万 token 上下文窗口的模型，面向长程编程、知识工作和推理。这是一个非常大的模型，一般家用电脑很难容纳。其混合专家架构在处理每个 token 时只激活总参数的一部分，而规模本身也不能决定质量。

我以前谈过美国开放模型的经济问题。我把 K3 的规模和报告的能力与 Thinking Machines 的 9750 亿参数开放模型进行比较，同时承认参数量不是一切。开放模型权重，与公开全部训练数据及复现所需的一切材料，是不同的事。

在一段简短的宣传演示中，Moonshot 展示了一个模拟游戏世界，里面有人物、实时反射和变化的昼夜光照。该公司表示，演示视频本身也是由 K3 剪辑的。设计和 3D 素材看起来很出色，但经过挑选的宣传案例并不是对一般性能的独立测量。

视频显示的价格是：每百万缓存命中输入 token 0.30 美元，每百万缓存未命中输入 token 3 美元，每百万输出 token 15 美元。我将这些价格与 GPT-5.6 Sol 比较，估计 K3 的单 token 价格大约是对方的一半。这是当时画面上显示的价格，不能保证现在的价格或总成本相同。

单 token 价格只是计算的一部分：如果模型完成任务需要消耗更多 token 或执行更多步骤，较便宜的 token 仍可能带来相近的账单。DeepSWE 图表将任务成功率与平均任务成本放在一起比较，理想方向是成功率更高、成本更低。该快照只涵盖特定编程任务和智能体配置。

我展示的图表中，Kimi K3 Max 和 GPT-5.6 Sol 的每项任务成本都在 4.70 美元左右，K3 的完成率稍低。根据价格比较，我推测 K3 完成同样工作大约使用了两倍 token，但图表本身无法证明这个确切比例：输入、输出、缓存和智能体行为都会影响成本。GPT-5.6 Sol Max 在图表上的得分更高，费用也更高。

美国人工智能顾问 David Sacks 认为 K3 的前端排名和其他成绩令人担忧。我认为这个模型在一些指标上有竞争力，而 Fable 和 GPT-5.6 在其他工作中似乎更具通用性。这些观察针对特定基准，并不能证明各国能力存在一个单一、永久的排名。

我认为，美国零散的监管规则可能拖慢前沿实验室，而中国实验室继续发布强大的模型。我举出延迟或撤回的发布作为论据，但排行榜无法证明每次发布决策背后的原因。我也想明确表示，我很欣赏中国实验室开放这些能力强大的模型。

Vercel 首席执行官 Guillermo Rauch 表示，K3 在 Next.js 网络工程评估中领先，以更短时间达到了与 Fable 相近的成功率。截图标注最高成功率为 92%，获得辅助后升至 96%；这些数字适用于该评估及其设置。视频引用的另一项早期内部写作基准显示，K3 在特定编辑文风上以 2840 Elo 排名第一，每篇脚本的估计成本为 0.25 美元。

我们需要保留一些限定：基准测试可能逐渐饱和，真实生产环境中的使用也很重要。Anthropic 指控 Moonshot 等实验室未经授权大规模提取 Claude 输出，用于模型蒸馏；这是 Anthropic 的指控，并非关于 K3 性能来源或训练数据的已确立结论。开放权重和技术说明本身也不会披露全部训练输入，更不意味着模型可以完全复现。

我认为，对于很多企业工作，用户不一定需要绝对最前沿的模型。不过，强大的开放权重替代品可以给专有模型提供商带来压力，并增强竞争。2026 年 7 月 18 日的视频画面中，Kimi 页面表示完整模型权重计划在 7 月 27 日前发布，因此讨论可用性时需要注明这一时间背景。

我也提醒大家，不要以为公开排行榜揭示了竞争的全貌。封闭实验室可能在发布前测试更新的模型；我估计 Anthropic 可能领先八到十个月，也猜测尚未发布的 Fable 或 GPT 模型正在测试中，这些都是看法，并非经过核实的内部信息。

我欢迎开放发布，因为研究人员、开发者和企业可以在共享的进展上继续构建，而竞争压力也能改善产品。我预计成本下降会促进更多使用，为应用、推理服务商和芯片制造商创造机会。这是关于可能影响的经济判断，并非这一次模型发布已经证明的结果。

我看到的风险是：如果美国企业基于中国模型构建业务，而这些模型后来针对中国芯片优化，就可能产生依赖。这是我在其他视频中讨论过的情景，并不是这次模型发布已经证实的事实。与此同时，我自己的魔方实验已经耗时超过 30 分钟，这与我听到的一项批评相符：K3 可能比较慢，也消耗较多 token。

魔方模拟器终于完成了。魔方带有反光，打乱功能看起来正常，按下复原按钮后，它回到了完成状态。这是一个令人鼓舞的交互式应用构建案例，但一次目视检查不能证明它在所有魔方状态下的可靠性，也不能证明一般编程能力。