2.8万亿参数之后，KimiK3给出的新答案

7月16日，月之暗面发布Kimi K3。

据月之暗面官方技术博客介绍，Kimi K3拥有2.8万亿总参数和100万Token上下文窗口，原生支持视觉理解，主要面向长流程编程、知识工作和复杂推理。

模型采用混合线性注意力、注意力残差和稀疏混合专家架构，896个专家中，每次计算激活16个。月之暗面称，架构、训练方法和数据配方的调整，使Kimi K3相较Kimi K2的综合扩展效率提高约2.5倍。

参数规模并不是Kimi K3受到关注的唯一原因。

据独立模型评测机构Artificial Analysis数据，Kimi K3在发布时以57分位列智能指数第三，仅落后于Claude Fable 5和GPT-5.6 Sol。

图源：月之暗面

商业层面的差距更加直观，Kimi K3的API价格为每百万Token输入3美元、输出15美元，GPT-5.6 Sol分别为5美元和30美元，Claude Fable 5分别为10美元和50美元。用户获得相近等级的模型能力，付出的单位Token价格可能相差数倍。

这种组合很快传导到资本市场。Kimi K3的突然发布加剧了芯片股抛售压力。有报道将市场焦虑归结为两个方面，模型竞争继续加剧，和支撑AI扩张的巨额企业支出能否产生足够回报。

归根结底，这场浪潮讲述的是力量的扩散。

越来越多公司进入前沿模型区间，开发者和企业也获得了闭源接口之外的选择。相近能力以更多形式进入市场，前沿智能的稀缺性随之减弱，算力需求未必同步下降。

Kimi K3再次说明，算力仍是前沿模型的基础，变化发生在算力、模型能力、服务价格和企业利润之间的传导关系上。而此前默认的是，更多GPU能换来更强模型，更强模型支撑更高定价，最终形成更高利润。如今，这条链条已经无法保持同步运转。

1

Kimi K3的竞争力，

不只在2.8万亿参数

Kimi K3并未在所有指标中取得领先。

Artificial Analysis的测试显示，Kimi K3的智能指数为57分，发布时低于Claude Fable 5和GPT-5.6 Sol。月之暗面在官方公众号中同样承认，Kimi K3的综合表现仍落后于当前最强的两款闭源模型，实际使用体验也存在差距。

不过，Kimi K3进入头部区间，已经改变了行业对前沿模型供应格局的判断。过去，最高水平的模型迭代集中在少数实验室内部。随着具备较强编程、智能体和知识工作能力的产品陆续出现，领先模型需要更频繁更新，研发投入和基础设施投入也会随之增加。

Kimi K3值得关注的另一部分，是它对算力使用方式的调整。传统注意力机制在处理超长文本时，计算开销会随着上下文长度快速增加。

据月之暗面介绍，Kimi Delta Attention用于提高长序列处理效率，Attention Residuals调整不同深度之间的信息传递方式，稀疏混合专家架构则将单次任务激活的专家数量控制在16个。模型拥有2.8万亿总参数，不等于每次推理都要调用全部参数。

图源：月之暗面公众号

这些架构没有消除对大规模基础设施的需求，它们提高了算力转化为模型能力的效率。同样一批芯片可以支撑多少轮工具调用、处理多长的上下文、完成多少有效任务，逐渐成为衡量模型竞争力的重要指标。

Kimi K3的优势还来自多项能力集中在同一款产品上。大型混合专家模型、线性注意力、开放路线和高性价比API此前均已出现，Kimi K3将这些要素组合到接近前沿水平的模型中。

月之暗面计划在7月27日前开放完整模型权重。即使权重顺利发布，部署门槛仍然很高。大规模专家调度还依赖显存、内存容量和高速通信，企业获得模型权重之后，仍要承担相应的硬件和工程成本。

图源：月之暗面

Kimi K3提高了同一份算力所能达到的能力上限，算力本身的门槛没有明显降低。完整部署仍需要大规模显存、内存和高速互联。

API标价也不能完全代表实际任务成本。

Kimi K3每百万Token输入3美元、输出15美元，相当于GPT-5.6 Sol输入价格的六成、输出价格的一半。对于需要高频调用模型的编程、搜索和智能体业务，这种差异可能影响企业采购。不过，Artificial Analysis在AA-Briefcase中的 复杂智能体测试显示，Kimi K3完成一项任务平均需要83轮交互，使用约12万个输出Token，耗时56.4分钟，按照Artificial Analysis的测算，完成一项任务的平均成本达到10.57美元。较低的单位Token价格，被较长的运行时间和较大的输出量抵消了一部分。

这组数据划出了Kimi K3现阶段的边界。它已经能以较低的单位价格提供接近前沿的能力，运行速度、输出效率和大规模部署成本仍有改善空间。

真正值得关注的并非参数纪录本身。前沿能力、计算效率和开放路线被集中到同一款模型中，市场上的可选供应增加，模型厂商依靠能力稀缺获得定价权的难度也会提高。

2

Kimi K3冲击前沿模型价格体系

头部AI公司的商业优势长期建立在能力稀缺之上。前沿模型数量有限，企业很难找到同等级替代产品，也无法获得模型权重。模型与云平台、办公软件和开发工具深度绑定后，供应商进一步提高了客户的切换成本。

这些优势仍然存在。Kimi K3带来的变化，是高水平模型供应继续增加，单款模型保持稀缺性的时间可能缩短。

企业拥有更多选择后，开发者能够在不同模型之间切换，闭源厂商需要加快产品更新。领先模型的有效定价周期随之缩短，研发和基础设施投入仍可能继续提高。

价格变化已经十分明显。

OpenAI为GPT-5.6设置了三个价格层级。旗舰模型Sol每百万Token输入5美元、输出30美元，Terra分别为2.5美元和15美元，Luna降至1美元和6美元。不同价格覆盖不同任务，也让用户不必为所有需求购买最高配置。

模型厂商设置更多产品层级、降低部分产品价格，反映出行业竞争已超出性能榜单。模型能力继续提高，单位Token价格仍可能下降。

Kimi K3带来的冲击更在于前沿模型能力定价逻辑的变化。

开放模型短期内也很难替代闭源产品。企业采购AI服务时，会同时考察稳定性、响应速度、数据安全、合规责任、技术支持和工具生态。Kimi K3在运行速度等方面仍有不足，闭源模型在服务质量和企业支持上保留优势。

变化发生在溢价的来源上。当模型能力差距收窄，闭源厂商需要依靠服务质量、平台生态和企业支持证明更高价格的合理性。单纯依靠模型领先收取溢价，能够维持的时间可能越来越短。

而模型供应增加，也会影响资本市场评估AI公司的方式。

头部AI企业和云厂商的高估值，通常包含几项预期，包括技术领先能够维持较长时间、客户不易流失、模型价格保持高位，以及规模扩大后毛利率继续提升。

目前尚无公开数据表明，Kimi K3已经引发头部模型企业客户的大规模迁移。它提出的问题更直接，模型调用量增加之后，收入增速能否覆盖单位价格下降，技术优势又能否持续转化为高价格和高毛利。

3

算力不会轻易迎来过剩时代

Kimi K3发布时，芯片股已经进入调整阶段。

外媒称，费城半导体指数在Kimi K3发布当周下跌10%，报道的措辞是，Kimi K3的发布加剧了抛售。它让一个已经存在的问题再次受到关注。模型能力的市场价格不断下降，算力需求的增长还能为企业带来多高的利润率和估值溢价。

Kimi K3上线后的情况，又增加了一层复杂性。

据月之暗面Kimi团队7月19日发布的公告，模型上线后48小时内，用户请求量大幅超出预估，并逼近现有集群的承载极限。公司决定暂停C端新用户订阅，将现有算力优先用于服务已订阅用户，同时推进扩容。

图源：月之暗面

针对外界关于其他新模型可能超过Kimi的讨论，月之暗面相关负责人7月21日回应称：“我们拭目以待，欢迎大家一起掰一掰手腕。他有信心，我们有更强的信心。”

这番表态显示了公司对产品能力的信心。更长时间的检验仍要落在服务稳定性、推理成本、用户留存和商业收入上。Kimi K3上线初期没有表现出推理算力过剩，资本投入的回收压力却已经更加明显。

这一现象与Kimi K3的任务形态有关。

编程和智能体任务需要模型反复读取文件、调用工具、执行代码并修正结果，单项任务的推理消耗远高于普通问答。Artificial Analysis的测试显示，Kimi K3完成一项AA-Briefcase任务平均需要83轮交互。用户获得的已经不再是一次回答，而是一段持续运行的工作流程。

单次计算成本下降后，更低的价格和更强的能力会吸引更多用户，任务数量和运行时间也可能增加。算力没有出现过剩，资本投入的回收压力已经更加明显。

据公开信息，多家海外大厂的资本开支预测在增加。这些资本开支并不全部用于AI，但数据中心、服务器、芯片和网络设备已成为主要投向。企业需要承担前期采购成本，随后还要支付电力、维护和折旧费用。模型服务价格下降后，新增投入需要依靠更大的调用量和更长的时间收回。

杰文斯悖论能够解释算力需求为何可能继续增长，无法直接回答利润问题。Token数量体现使用量，API和云服务收入体现商业化程度，自由现金流和利润率才决定投资的最终回报。AI使用量增加之后，每一份算力的售价和市场给予的估值仍可能下降。

过去，GPU供应紧张、订单增长和数据中心扩建就能为高估值提供支撑。资本开支基数扩大后，设备利用率、单位推理成本、内存和网络瓶颈，以及每一美元投入所产生的收入，会得到更多关注。

Kimi K3这样的超大规模稀疏模型，也将竞争范围扩大到完整计算系统。据月之暗面介绍，模型需要在大量加速器之间调度专家参数，100万Token上下文提高了内存和存储要求。GPU依旧是核心硬件，高带宽内存、高速互联、集群调度、电力和冷却同样影响最终运行成本。

未来的算力红利将更多取决于系统效率，设备利用率、推理成本、内存配置和通信效率，共同决定算力需求能否转化为利润。

模型价格下降后，更多企业和用户可能进入市场，整体计算需求仍有扩张空间。真正发生改变的，是利润在产业链上的分配，以及高利润能够维持的时间。

而Kimi K3让这些变量开始各自移动，算力规模继续扩大、模型价格继续下降、资本开支回收周期延长，可以同时发生。

建立在技术稀缺之上的暴利，和算力本身的长期价值，原本就是两回事。

​