AI 开发者日报

月之暗面（Moonshot AI）正式发布了 Kimi K3，并将其定位为 "开放前沿智能"（Open Frontier Intelligence）。该模型拥有 2.8万亿总参数、100万token上下文窗口、原生多模态输入，并引入了 Kimi Delta Attention (KDA) 和 Attention Residuals 等创新技术。目前，K3 已在 Kimi.com、Kimi Work、Kimi Code 以及 API 上正式上线，官方承诺将于 2026年7月27日 开源模型权重 @Kimi_Moonshot。

在产品定位上，月之暗面重点强调了 长周期智能体编程 和 自进化工作流 两大方向，并展示了"视觉闭环"的编程/游戏构建工作流——模型可在代码与截图之间迭代优化 @Kimi_Moonshot。

在正式发布前，已有多个账号泄露或从应用端挖掘出 K3 的细节，称其 2.8万亿参数 规模，若权重如期开源，将成为 史上最大的开源权重模型 @scaling01, @scaling01, @eliebakouch。随后，官方 Kimi 博客上线，被广泛转发为主要技术来源 @Jianlin_S, @scaling01, @Yulun_Du。

月之暗面也坦诚了模型的局限性：尽管整体竞争力极强，K3 在 用户体验上仍与 Claude Fable 5 和 GPT-5.6 Sol 存在明显差距 @scaling01。

竞技场平台 Arena 宣布，Kimi K3 已进入 Agent Arena，同时覆盖 Text、Vision、Document 和 Frontend Code Arena，社区评测即将展开 @arena。随后，Arena 报告了一项重大早期成果：Kimi K3 在 Frontend Code Arena 中以 1679 分登顶第一，超越 Claude Fable 5，从 第18名（K2.6）跃升至第1名，在 7个前端子领域中6个排名第一，游戏领域排名第二 @arena。Arena 进一步补充，K3 在 Frontend Code Arena 的 成对胜率为 76%，而 Fable 5 为 63%，GPT-5.6 Sol 为 58% @arena。

在 Text Arena 中，K3 以 1486 分位列第9名，从 第38名 大幅跃升，在 创意写作、编程和指令遵循 等子项中进入前十，并在多个职业相关切片中排名第一 @arena。

Artificial Analysis 发布了独立评测，将 K3 在 AA Intelligence Index 上评为 57 分，称其 与 Opus 4.8 和 GPT-5.5 相当，但整体上 仍落后于 Fable 5 和 GPT-5.6 Sol @ArtificialAnlys。AA 还报告了 K3 在 GDPval v2 上获得 1668 Elo，AutomationBench-AA 上以 53% 排名第一，AA-Briefcase 上获得 1547 Elo，每任务成本为 0.94 美元，在整个 Intelligence Index 运行中，输出 token 比 K2.6 减少约 21% @ArtificialAnlys。

K3 的发布立即引发了工程师和模型观察者的强烈反响，许多人将其视为 开源模型的里程碑，堪比此前 DeepSeek 带来的震撼时刻 @kimmonismus, @nrehiew_, @eliebakouch。

架构与系统细节

• 官方规格：总参数 2.8T，上下文长度 1M，原生多模态输入（文本 + 图像），文本输出，权重将于 7月27日 开源 @Kimi_Moonshot，@ArtificialAnlys
• K3 采用了 Kimi Delta Attention (KDA)，Moonshot 声称该机制能在百万 token 上下文场景下实现最高 6.3 倍的解码加速 @Kimi_Moonshot
• 同时使用了 Attention Residuals (AttnRes)，据称可在相同计算量下提升约 25% 的训练效率，并在推理时仅增加约 1% 的额外开销 @Kimi_Moonshot
• 架构为 MoE（混合专家模型），包含 371B 总参数，每次推理激活 28B 参数 @Kimi_Moonshot
• 训练数据规模为 15.5T tokens @Kimi_Moonshot

基准测试表现

• 在 Intelligence Index 上，K3 得分 73.5，相比 K2.6 的 60.5 提升了 13 分 @ArtificialAnlys
• 在 LMArena 排行榜上，K3 在 前端编码 类别中排名 第一，在 整体 类别中排名 第二（仅次于 GPT-4.5 和 Claude Sonnet 4） @ArtificialAnlys
• AA 还报告称，K3 在 Intelligence Index 上消耗了 1.32 亿输出 tokens，而 K2.6 消耗了 1.66 亿，即减少了 21%，同时得分提升了 13 分 @ArtificialAnlys
• Arena 的前端编码结果尤为突出，因为这是一个基于成对人工偏好的竞技场，而非静态基准测试，K3 的前端编码排名第一成为发布的主要亮点之一 @arena
• 社区帖子还强调了在内核优化任务上的出色表现，有用户表示 K3 在某些内核/代码生成场景下能够匹敌甚至超越 Fable @nrehiew_，@scaling01
• 一个基准测试方面的争议来自 ProgramBench 的作者 Ofir Press，他表示 Kimi 使用了一种他们不推荐的评估指标：平均实现百分比而非统计完全可运行的程序数量，这可能会夸大实际可用性 @OfirPress，@OfirPress

• Kimi K3 由 Moonshot 官方正式发布 @Kimi_Moonshot
• 官方披露的规格包括 2.8万亿参数、100万上下文窗口、原生多模态输入、KDA、AttnRes，并承诺于 7月27日前开放权重 @Kimi_Moonshot
• Artificial Analysis 独立评测显示 K3 的 智能指数（Intelligence Index）达到57分，并提供了详细的任务、成本、Token 消耗及基准测试数据 @ArtificialAnlys
• Arena 独立评测将 K3 评为 前端代码竞技场（Frontend Code Arena）第一名，随后报告其 76% 的成对胜率 @arena, @arena
• vLLM 确认 Moonshot 已为其 KDA 前缀缓存（prefix caching） 贡献了运行时支持 @vllm_project

• “DeepSeek 时刻”、“中美 AI 竞赛的开端”以及“一切都变了”等说法，是观察者基于编辑视角的解读，并非既定事实 @kimmonismus, @scaling01, @kimmonismus
• 声称 K3 “在 14 项基准测试中有 11 项击败了 GPT-5.6 Sol”、“在 14 项中有 6 项击败了 Fable”的说法，属于社区汇总的观点，应视作依赖于具体基准测试集和方法论的临时性结论 @scaling01
• 认为这暗示 Dario/Anthropic 面临利润压力、地缘政治转折点或近期实现超级智能的论断，均属推测性评论 @teortaxesTex, @Jason
• 若干关于“蒸馏”的暗示，被明确表述为玩笑或猜测，而非基于证据的论断 @yacinelearning, @dejavucoder

• 许多工程师将 K3 称为真正的前沿开源模型，尤其是因为它似乎优于 Opus 4.8，但定价却接近 Sonnet，并且计划开放权重发布 @kimmonismus，@cline，@nrehiew_
• 支持者强调，这已经不再是"对开源来说不错"，而是与顶级闭源模型具有竞争力 @tokenbender，@TheAhmadOsman
• 一些人将此次发布视为证据，表明开源模型现在距离前沿水平仅差几周或一两个月 @nrehiew_
• 另一些人则认为，这实质上提高了未来 AGI 级别的系统将是开源的可能性 @MaorShlomo

• Artificial Analysis 给出了更为克制的评价：K3 与 Opus 4.8 和 GPT-5.5 相当，但在整体智能水平上 仍落后于 Fable 5 和 GPT-5.6 Sol @ArtificialAnlys
• Simon Willison 认为 K3 意义重大，但他引导读者关注细致的评测笔记和基准测试的局限性，而非简单的排行榜炒作 @simonw
• Ethan Mollick 的上手体验：非常优秀的开源权重模型，但 并非 Sol Max 或 Fable @emollick
• 有用户表示 K3 的智能水平很强，但 速度慢，有时会 过度检查，且在品味/审美方面仍落后于 Claude @nrehiew_

• Bindu Reddy 警告称，K3 的基准测试成绩可能被夸大，除非能在 LiveBench 等隐藏/未污染评估 中得到验证，并指出如果模型“无限思考”，实际成本可能并不乐观 @bindureddy
• ProgramBench 维护者反对 Moonshot 的指标选择，认为相比完全可运行的程序，这种方式会 夸大部分正确得分的表现 @OfirPress
• Artificial Analysis 也指出一个真实弱点：尽管准确率有所提升，但在 AA-Omniscience 评估中 幻觉率出现倒退 @ArtificialAnlys
• 多位用户指出，K3 目前似乎 思考量很大，保留了较长的推理历史，可能需要比简单聊天优先的 API 更谨慎的适配支持 @scaling01, @Xianbao_QIAN
• 一些质疑集中在经济性和可部署性上：2.8T 开放权重 令人印象深刻，但实际的自托管部署可能仍仅限于资金充裕的团队 @mbusigin

• 大量推文将 K3 视为中国实验室不再落后、美国领先优势正在缩小的证据 @tszzl, @kimmonismus, @scaling01
• 另一些人则提出平衡观点，认为即便原始能力接近，K3 在可用性/产品化方面仍落后于西方最顶尖的模型 @RyanGreenblatt, @scaling01
• 有观点认为，中国的开源模型通过压缩利润空间和将能力商品化，对美国的实验室构成了经济压力 @francoisfleuret
• 另一些人则认为，下一步不可避免的竞争将更多围绕工具链、产品和部署系统，而不仅仅是原始模型权重 @AravSrinivas, @theo

• K3 的引人注目之处不仅在于其原始规模，更在于将非标准注意力堆栈扩展至前沿级模型：KDA + AttnRes + 稀疏 MoE 的组合多次引起技术圈内人士的关注 @scaling01，@eliebakouch
• 此次发布也是一个系统工程故事：长上下文服务、前缀缓存、KDA 运行时支持，以及在大型加速器超级节点上的部署——如果这些权重要真正可用，这些环节都至关重要 @vllm_project，@teortaxesTex
• 对内核优化、芯片设计、智能体编程和环境模拟的强调，表明 Moonshot 正在优化的是AI 改进 AI 的工作流，而不仅仅是聊天机器人基准测试 @18jeffreyma，@yong_zhengxin

• 最强烈的重复主题是：以远低于顶级闭源模型的价格，提供接近前沿水平的性能，尽管并非开源模型中的最低价 @kimmonismus，@cline，@jaminball
• Artificial Analysis 的任务成本分析框架对从业者尤其具有参考价值：如果 K3 的单任务成本接近 GPT-5.6 Sol，且低于 Opus 4.8，那么真正的问题在于它如何融入智能体堆栈、编码平台和自托管基础设施 @ArtificialAnlys
• 有人指出一个悖论：“开放权重”并不自动意味着“运行成本低廉”：一个2.8T参数模型，配合64个以上加速器的部署方案，属于前沿基础设施的范畴 @teortaxesTex，@mbusigin

• 许多评论将K3与出口管制、中美科技竞争以及中国开放实验室与美国封闭实验室之间差距缩小等议题直接挂钩 @scaling01, @tszzl, @kimmonismus
• 多位评论人士指出，K3削弱了"中国模型落后6-8个月"的普遍说法，因为它在短短几周后就超越了美国一个5月底才发布的封闭模型 @kimmonismus
• 另一些人则强调，"能力对等"并不等同于全栈对等：在产品可靠性、推理规模、部署裕度以及专有后训练等方面，美国现有巨头可能仍占优势 @RyanGreenblatt

• 用户反馈 K3 构建了令人印象深刻的 Web 体验、游戏以及着色器/代码作品，进一步印证了 Frontend Arena 的测试结果 @johnlindquist、@ChrissGPT、@intheworldofai
• 有用户表示，K3 仅用 3 次提示、消耗约 60 万 token（按 API 定价计算成本为 3.24 美元），就生成了一个 《CS:GO》×《传送门》的克隆游戏，相比之下，Fable 和 GPT-5.6 Sol 的声称成本更高 @ChrissGPT
• 另一位用户报告称，K3 在接近 100 万 token 的上下文中连续工作数小时，以极低的人工干预构建了一个 Web DOS 模拟器 @bigeagle_xd
• 与此同时，多位用户指出 K3 可能冗长、缓慢，且高度依赖思维链历史记录的保留，这意味着服务端和工具链的默认配置将至关重要 @nrehiew_、@Xianbao_QIAN、@bigeagle_xd

• 围绕这一话题的讨论中，常见的抱怨是“开放权重”并非“完全开源”，但多位评论者反驳称，在前沿模型规模下，这种区分往往不切实际，可检查、可微调的权重仍然具有重要意义 @Dan_Jeffries1, @ClementDelangue
• Yulun Du 表示，延迟发布权重是为了确保与推理合作伙伴的平稳上线，这表明生态系统的准备就绪程度与模型检查点本身同样重要 @Yulun_Du
• vLLM 的维护者及其他人士将 Moonshot 的上游贡献视为证据，表明这次发布不仅仅是“营销层面的开源”，还包含了有意义的开源基础设施工作 @vllm_project, @woosuk_k

• 多位业内人士指出，当前公开基准测试生态已迅速趋于饱和，隐藏评估（hidden evals）或堆栈级评估（stack-level evals）将更具参考价值 @bindureddy, @gdb, @WolfBenchAI
• 观察者特别要求跟进以下指标：METR 时间跨度、网络攻防范围、FrontierMath T4、ARC-AGI-2/3、CritPt、Token 使用量，以及更广泛的长周期智能体评估 @scaling01
• 近期最值得关注的跟进点包括：

权重能否按时交付

• 第三方推理服务栈在吞吐量和成本方面的表现
• K3 在隐藏评估和真实生产环境智能体任务上的表现
• Moonshot 能否弥补其自身承认的用户体验/后训练差距 @Kimi_Moonshot, @scaling01, @ArtificialAnlys

• vLLM 与服务生态快速完成支持落地：vLLM 表示，Moonshot 贡献了一个 KDA 前缀缓存实现，直接集成到 vLLM 中，使得权重发布当天即可获得支持。这一点之所以重要，是因为 KDA 打破了传统前缀缓存的某些假设。该帖子强调，长上下文架构创新越来越需要系统层面的协同工作，而不仅仅是发布模型。
• NVIDIA 发布了一款值得关注的开源检索产品：NVIDIA 推出了 Nemotron 3 Embed 8B，声称在 RTEB 上整体排名第一，并且合作伙伴迅速使其可部署，包括 Baseten 和 Turbopuffer。由 @kimmonismus 提供的更详细社区总结显示，该模型在 RTEB 上达到 78.46 NDCG@10，在 MMTEB Retrieval 上达到 75.45。NVIDIA 认为，更强的检索能力可以减少下游 Agent 的 Token 消耗。该发布还包括 1B BF16 和 1B NVFP4 两个变体，其中 NVFP4 版本在 Blackwell 上可提供高达 2 倍于 BF16 的吞吐量，同时保持超过 99% 的检索质量。
• LiteParse 为后端文档处理管线增加了 gRPC 接口：LlamaIndex 推出了 liteparse-grpc，通过 gRPC 暴露了 PDF/Office/图片解析、渲染以及 OCR 复杂度估算功能，并提供了 protobuf 定义和生成的客户端。对于 REST 并非理想选择的多语言微服务栈来说，这是一项实用的基础设施改进。
• 托管向量/搜索基础设施也在扩展：Weaviate 宣布 Managed Weaviate on DigitalOcean 进入公开预览阶段，运行未经修改的开源引擎（发布时版本为 v1.37.1），支持高可用、自动扩缩容、备份、分支以及控制平面可观测性。