2.8 兆總參數、100 萬 Token 上下文、原生視覺能力，以及針對長時間程式開發、知識工作與複雜 Agent 任務所做的強化——單看規格，K3 已經足以成為今年最受矚目的模型之一。Moonshot 預計在 2026 年 7 月 27 日釋出完整權重；在那之前，更精確的稱呼應該是「即將開放權重」，而不是已經完全開源，因為授權條款與實際可下載檔案仍是判斷它是否真正開放的關鍵。

但 K3 真正引發震動的地方，不是「又出現一個更大的模型」，而是它把一個延續多年的產業共識推到了失效邊緣：

開源模型落後閉源旗艦半年，這句話可能已經不再成立。

過去開源模型追趕 GPT、Claude，常常像是在追逐一條移動中的終點線。當開源陣營終於摸到上一代旗艦，閉源公司又已經推出下一代產品。

K3 改變的，是這種時間差。

它或許仍然沒有全面擊敗最強的閉源模型，卻已經從「追趕者」變成必須被放進同一張比較表的競爭者。

而這兩者之間，差別很大。

根據 Artificial Analysis Intelligence Index v4.1，Kimi K3 Max 的分數約為 57.1。若以每個模型家族的最佳設定計算，它排在 Claude Fable 5 Max 的 59.9 與 GPT-5.6 Sol Max 的 58.9 之後，進入全球前三名的討論範圍。Artificial Analysis 官方頁面目前以四捨五入後的 57 分呈現，因此不同頁面可能會看到 57 或 57.1 的寫法。

這個排名當然不能直接解讀成「K3 是全球第三強」。

模型評測會受到提示詞、推理強度、工具框架、測試版本與 Agent Harness 影響。尤其 K3 的官方成績混用了 Kimi Code、Claude Code 與其他執行框架，目前也不是所有結果都已由第三方完整重現。

不過，K3 的成績仍透露出一個明確訊號：它不是靠單一數學或程式基準刷出漂亮數字，而是在多步驟工具使用、長時間任務和知識工作上，出現了相對一致的進步。

例如在模擬 44 種職業知識工作的 GDPval-AA v2 中，Artificial Analysis 公布的 K3 Elo 為 1668，超過 Claude Opus 4.8 的 1600、GPT-5.5 的 1494 與 GLM-5.2 的 1514，但仍落後 Claude Fable 5。K3 在 AutomationBench-AA 也取得領先成績，顯示它的強項不只是「回答問題」，而是串接工具、處理中間狀態並完成多步工作。 

這是理解 K3 最重要的角度。

如果上一個時代的大模型是在比「誰知道得多」，現在的競爭已經轉向：

• 誰能維持更長的任務狀態；
• 誰能在失敗後修正路徑；
• 誰能正確使用終端、瀏覽器和各種工具；
• 誰能真正把工作交付出來。

K3 的價值，不只在於智能分數接近 GPT 或 Claude，而是它開始展現出一種過去多半只有頂級閉源模型才有的「工作感」。

K3 發布後，開發者社群的反應大致可以分成四派。

它們看似互相矛盾，但其實剛好反映了 K3 的四種不同身分：旗艦模型、開放權重模型、昂貴的基礎設施，以及尚未完全成熟的新產品。

第一派：開源終於有了「旗艦級體感」

最樂觀的聲音認為，K3 的突破不只是排行榜上的幾分，而是實際使用時開始接近頂級 Claude 的工作方式。

部分早期使用者把它形容為具有「Fable 級體感」：模型在長任務中比較不容易失去方向，能持續呼叫工具，也更願意自行檢查結果，而不是做完第一步就停下來等人類指示。社群對它在前端開發、視覺理解和長流程 Agent 任務上的初步反應尤其積極；Arena.ai 的前端開發相關評測也將 K3 排在非常前面。 

這種「體感」往往比 Benchmark 更難量化，卻可能更重要。

因為真正讓使用者依賴一個模型的，不是它在選擇題上多答對三題，而是它能不能在你離開螢幕之後，繼續做對的事。

一個模型如果智力很高，卻每十分鐘就需要人類介入，那它仍然只是一個高級助理；如果它能在數小時的任務中維持目標、管理上下文並修復錯誤，它才開始接近真正的代理人。

從這個角度看，K3 的突破不是「更會回答」，而是「比較能被交付工作」。

第二派：2.8 兆參數是超跑海報，不是家用汽車

另一派的反應則務實得多。

2.8 兆總參數確實驚人，但它也讓「開放權重」與「人人可用」之間的距離變得非常明顯。

K3 採用高度稀疏的 MoE 架構，據公開資料是在 896 個專家中，每次選擇 16 個專家參與運算。這能控制每個 Token 的實際計算量，但部署時仍然要處理完整模型權重、專家路由、記憶體通訊與分散式推理等問題。Moonshot 建議使用 64 張以上加速卡的 Supernode 進行推理，這顯然不是一般個人玩家能負擔的規模。

社群有人用了一個很傳神的比喻：

1990 年代的年輕人會在房間貼超跑海報，夢想有一天能買一台；今天的 AI 玩家則在螢幕上收藏 Kimi、DeepSeek 等模型，夢想有一天自己的機器跑得動。

這個比喻點出了當代開放模型的一個尷尬：

權重可以下載，不代表能力可以民主化。

對一般使用者而言，K3 的權重即使公開，實際使用方式很可能還是透過 Moonshot API、第三方雲端供應商或量化後的衍生版本。真正有能力完整部署的，仍然是雲端平台、研究機構與大型企業。

所以 K3 是開放權重的里程碑，但還不是個人 AI 的里程碑。

第三派：Benchmark 很漂亮，但先別急著刪掉 Claude

第三種聲音是典型的工程師懷疑論。

社群對 K3 的跑分感到興奮，但不少人仍想知道：它在真實專案裡能不能穩定地重現這些表現？

目前首批實測對 K3 的視覺理解與前端頁面復刻能力評價不錯，但也有人反映 Agent 集群會自動中止、排程卡住，以及部分客戶端尚未完整支援新 API 參數。這些回饋還不足以形成全面結論，但提醒我們：模型能力與產品可靠性不是同一件事。

這也是為什麼我不建議因為 K3 發布，就立刻把現有的 GPT、Claude 或其他編程模型全部替換掉。

Benchmark 測的是在特定環境中「最高可以做到什麼」；企業真正關心的，則是在大量、重複、混亂的任務中「穩定能做到什麼」。

兩者之間隔著：

• API 穩定性；
• 工具呼叫成功率；
• 長任務的失敗恢復；
• 延遲與併發；
• 內容安全規則；
• 上下文快取；
• 成本預測；
• 版本是否會突然改變。

對開發者而言，一款模型最昂貴的地方，往往不是 Token，而是不知道它會在哪個步驟突然失敗。

第四派：這是中國模型正式進入前沿競爭的訊號

還有一種討論，已經超出模型本身。

Reuters 將 K3 放在中國 AI 實驗室加速開放模型的脈絡中觀察；包括 Moonshot、Z.ai、DeepSeek 等團隊，都正在用更快的發布週期、較低的使用成本與開放權重策略，挑戰「中國模型長期落後美國數個月」的既有判斷。 

這並不只是技術競賽，也是生態競賽。

美國頂級實驗室的核心商業模式，是把最強能力封裝在 API 與訂閱服務裡；中國模型廠商則愈來愈常透過權重開放，換取全球開發者採用。

前者要的是收入與控制權，後者要的是擴散速度與生態位置。

對 Moonshot 來說，開放 K3 的真正目的，未必是讓每個人都在家裡架一套模型，而是讓未來的 AI 工具、研究專案、企業平台和模型衍生版本，都有機會建立在 Kimi 的技術路線上。

權重是入口，生態才是終點。

K3 的 2.8 兆參數很容易成為標題，但只看總參數其實會誤判它的技術意義。

由於它採用 Mixture of Experts 架構，並不是每生成一個 Token，就同時啟用全部 2.8 兆參數。公開資料顯示，K3 以 Stable LatentMoE 搭配 896 個專家、每次選用其中 16 個；然而完整的有效參數量、記憶體需求與不同硬體下的推理效率，仍有待正式技術報告與權重發布後驗證。 

我認為 K3 真正值得看的，不是「模型有多大」，而是 Moonshot 試圖解決三項限制：

1. 超長上下文怎麼跑得動；
2. 超深網路中的資訊怎麼保留下來；
3. 巨大 MoE 的專家怎麼穩定分工。

K3 採用 Kimi Delta Attention 與 Attention Residuals 等技術，目標是改善長序列處理和深層資訊傳遞。換句話說，2.8 兆是結果，不是核心；核心在於 Moonshot 是否找到一種方法，讓龐大的模型容量真正轉化成長任務能力。 

如果只是參數更大、成本更高，K3 很快就會成為一座昂貴的技術紀念碑。

如果它能證明長上下文、工具使用與專家路由可以穩定結合，那它就可能成為下一代 Agent 模型的架構範本。

100 萬 Token，不等於模型真的記得一切

100 萬 Token 上下文是 K3 的另一個賣點。

它可以一次容納大型程式碼倉庫、數百份報告、長時間 Agent 紀錄，或跨文件的研究材料。對需要讀取完整專案、追蹤大量規格與處理複雜文件的使用者來說，這顯然比 128K 或 256K 更有彈性。 

但這裡必須區分三件事：

• 模型能不能「放進」100 萬 Token；
• 模型能不能在其中「找到」正確資訊；
• 模型能不能在數十輪任務後，仍然知道哪些資訊最重要。

上下文窗口比較像倉庫容量，而不是記憶力。

倉庫可以放進一百萬件物品，不代表管理員能在需要時立刻找到正確的一件。對 Agent 來說，更關鍵的是資訊檢索、優先順序、狀態壓縮與錯誤恢復能力。

因此，K3 的 100 萬 Token 真正價值不在「可以塞更多」，而在 Moonshot 聲稱它可以不依賴大量外部上下文壓縮，直接處理長時間工作的完整狀態。K3 在 BrowseComp 等長流程檢索測試上取得亮眼成績，說明這個方向值得期待，但仍需要更多獨立的真實任務驗證。 

K3 的官方 Demo 很精彩，但要看懂它證明了什麼

Moonshot 展示了幾個極具話題性的案例，包括長時間 GPU Kernel 最佳化、48 小時完成小型晶片設計，以及在約兩小時內進行天體物理研究重現。相關案例涉及閱讀多篇論文、評估數百項狀態方程、產生數千行 Python 程式，或透過開源 EDA 工具完成晶片設計與驗證。

這些 Demo 最容易產生兩種極端解讀。

一種是：「AI 已經可以取代晶片工程師和科學家。」

另一種是：「這都是精心挑選的展示，沒有參考價值。」

我認為兩種說法都太快。

這些案例真正證明的，不是 K3 已經能獨立承擔完整專業職位，而是模型開始能在具備明確目標、可操作工具和可驗證回饋的環境中，持續完成數十小時的工作。

這個能力對產業非常重要。

因為許多知識工作並不要求模型第一次就答對，而是要求它能：

1. 提出假設；
2. 執行工具；
3. 看結果；
4. 找出錯誤；
5. 修正方法；
6. 重新執行；
7. 最後交付成果。

這種迴圈，才是 Agent 從展示品走向生產力工具的關鍵。

價格：比 Opus 便宜，但絕對不算廉價

K3 API 定價為每百萬 Token：

• 快取命中輸入：0.30 美元；
• 一般輸入：3 美元；
• 輸出：15 美元。

Artificial Analysis 估算，K3 在其測試中的單任務成本約為 0.94 美元，接近 GPT-5.6 Sol 的 1.04 美元，低於 Claude Opus 4.8 的 1.80 美元；不過，它仍明顯高於 GLM-5.2 與 DeepSeek V4 Pro 等開放權重競品。

因此，「K3 很便宜」並不是一個準確的說法。

比較合理的說法是：

K3 用接近中高階閉源模型的價格，提供接近頂級閉源模型的能力。

這是一種旗艦定價，而不是開源福利價。

而且 K3 目前只有 Max 推理強度，推理模式長時間開啟，輸出 Token 又比輸入昂貴五倍。如果沒有良好的快取設計、上下文管理與模型分流策略，帳單很可能迅速上升。

企業真正合理的做法，不會是把所有請求都丟給 K3。

比較務實的架構是：

• 簡單問答交給小模型；
• 日常程式修改交給編程專用模型；
• 長文件與跨領域任務交給 K3；
• 只有最複雜、最需要長時間規劃的任務，才使用最高推理設定。

K3 更像是 AI 團隊中的資深架構師，不是每封郵件都要出席的執行長。

K3 和 GLM 5.2，誰是中國開放模型第一？

只看能力評測，K3 目前明顯領先。

Artificial Analysis 的資料顯示，K3 約為 57 分，GLM-5.2 約為 51 分；GDPval-AA v2 則是 K3 的 1668 對 GLM-5.2 的 1514。若 K3 權重如期釋出，它將成為當前能力最強的開放權重模型之一。

但企業選模型時，能力不是唯一問題。

還需要考慮：

• 授權是否允許商業使用；
• 是否有地域限制；
• 能不能修改與再散布；
• 是否容易在現有硬體部署；
• 社群工具是否成熟；
• 推理成本是否可控；
• 供應商是否提供長期維護。

截至 K3 發布隔日，完整權重與正式授權尚未公開。因此，現在就說 K3 是「最強開源模型」可以理解，但若要嚴謹，應該稱為「預計開放權重的最強模型」。真正的開放程度，仍要等 7 月 27 日的權重檔案與授權條款。

我的判斷是：

K3 贏在能力上限，GLM 5.2 暫時贏在部署現實。

對追求最強 Agent 能力的團隊，K3 很有吸引力；對需要立即私有化部署、法律條款清楚、成本可預測的企業，GLM 或其他較小模型可能更實際。

最強模型與最好用的模型，從來不是同一件事。

我對 K3 的五個看法

一、K3 是開放模型的里程碑，但不是開放模型的勝利

K3 證明開放權重模型可以進入前沿能力區間。

但閉源陣營沒有停止移動。Claude Fable 5 與 GPT-5.6 Sol 目前仍在部分綜合測試、輸出品質和完整產品體驗上領先；K3 比較接近「站到旁邊」，而不是「完成超車」。

真正的勝利，要看半年後是否有大量開發者基於 K3 做出微調、量化、工具鏈和企業產品。

開放權重只是發布行為，開放生態才是長期結果。

二、K3 的真正對手不是 GPT，而是整套 Claude 工作流

模型公司喜歡比較 Benchmark，但使用者不是在購買分數。

使用者購買的是一套可以工作的系統：模型、CLI、IDE、工具呼叫、檔案處理、記憶、權限、安全、除錯與團隊協作。

Moonshot 同步推動 Kimi Code，顯示它也理解：只賣一個模型 API 已經不夠。下一階段的競爭，不是 K3 能不能在某個程式測試贏 Claude，而是開發者願不願意把每天的工作環境搬到 Kimi 生態。

三、模型變強之後，稀缺資源會從「答案」轉向「驗收」

當模型可以連續工作 48 小時，人類真正缺少的可能不再是產出能力，而是驗證能力。

誰來確認晶片設計真的可製造？

誰來確認研究結果不是模型在錯誤假設上建立出一座漂亮建築？

誰來確認幾千行自動生成的程式，沒有埋下安全漏洞？

Agent 能力愈強，人類的角色愈不會消失，而是從「親手完成」轉向「定義標準、設計驗證與承擔責任」。

K3 如果真的讓長任務 Agent 普及，最先升值的能力，可能不是提示工程，而是測試、審核和風險管理。

四、100 萬 Token 會讓企業更容易犯下一個錯：以為資料塞進去就等於知識管理

企業看到長上下文，容易認為可以把所有文件都丟進模型。

但沒有整理過的制度、過期版本、互相矛盾的規範與缺乏權限標記的文件，放進 100 萬 Token 之後仍然是混亂，只是規模更大。

K3 可能降低資訊載入的技術門檻，卻不會替企業解決資料治理。

未來企業 AI 專案的差距，不只來自用了哪個模型，而來自誰擁有更乾淨的資料、更清楚的權限，以及更可靠的驗收流程。

五、K3 最大的風險不是模型不夠強，而是它太難被廣泛部署

2.8 兆參數讓 K3 取得了能力與行銷上的雙重優勢，也帶來龐大的部署難題。

如果一般企業最終仍只能透過 Moonshot API 使用，而無法有效私有化部署，那麼它的「開放權重」價值就會比較偏向雲端供應商、國家級研究機構與大型科技公司，而不是普遍的開發者民主化。

因此，7 月 27 日之後真正值得看的，不只是誰成功下載模型，而是：

• 社群能否做出可用的量化版本；
• vLLM 等框架多久能完整支援；
• 部署需要多少張 GPU；
• 稀疏 MoE 的跨卡通訊效率如何；
• 精度下降能否控制；
• 授權是否真的允許廣泛商用。

這些答案，會決定 K3 是一場產業革命，還是一座只有少數人能進入的技術地標。

結論：K3 沒有終結閉源模型，但終結了一種想像

Kimi K3 尚未全面擊敗 Claude，也沒有讓 GPT 失去競爭力。

它的 API 不便宜，完整權重尚未釋出，授權仍待確認，產品穩定性也需要更多時間檢驗。

但它已經完成了一件很重要的事：

K3 終結了「頂級 AI 能力必然只存在於封閉平台」的想像。

過去，閉源模型的優勢建立在明顯的能力差距上。當這個差距縮小到幾分，競爭規則就會改變。

企業會開始問：

• 為什麼要支付更高的閉源溢價？
• 為什麼不能保留自己的資料與模型控制權？
• 為什麼不能同時使用多家供應商？
• 為什麼模型不能像資料庫一樣被替換？

而閉源廠商也必須拿出比「模型比較聰明」更完整的答案。

我的最終判斷是：

K3 不是開源擊敗閉源的那一刻，而是開源取得上桌資格的那一刻。

它最大的成就不是排行榜第三，也不是 2.8 兆參數，而是讓整個產業第一次認真思考：如果最強模型不再只能由少數美國公司控制，那麼下一個 AI 平台的主導權，究竟會落在誰手上？

答案還沒有出現。

但從 K3 開始，這已經不再是一場只有 OpenAI、Anthropic 和 Google 能參加的比賽。