Kimi K3 发布后，最显眼的数字是 2.8 万亿参数。
但参数规模解释不了这次升级最值得关注的地方。K3 的重点不是把一道题答得更漂亮，而是在较少人工干预下，连续阅读代码、调用工具、查看结果，再回头修改方案。
Moonshot 给出的案例包括优化 GPU kernel、从头搭建一个小型 GPU 编译器、完成跨论文的计算研究，以及用开源 EDA 工具完成一次芯片设计验证。这些案例主要来自官方，尚不能证明普遍成功率，却清楚展示了 K3 的产品方向：一个面向长时程工作的 Agent 模型。
图源：Kimi K3 官方技术博客
两组证据，分别说明了什么
K3 是否真的强，不能只看一张官方榜单。把 Moonshot 的发布材料和 Artificial Analysis 的独立测试放在一起，信息会更完整。
| 观察来源 | K3 的结果 | 能说明什么 | 不能说明什么 |
|---|---|---|---|
| Artificial Analysis Intelligence Index v4.1 | 57 分，页面列第 4 | 按该机构当时的综合指数与模型设置，K3 进入其前列 | 不等于稳定的“全球第四”；榜单、方法和模型设置会更新 |
| Kimi 官方评测与案例 | 展示了多项长时程编程、知识工作和多模态任务结果 | Moonshot 将 K3 定位为面向长时程复杂工作的模型 | 不能单独证明普遍成功率；部分比较的 Agent 运行环境不同，官方案例仍待复现 |
截至 2026 年 7 月 18 日，Artificial Analysis 页面显示，K3 的 Intelligence Index 为 57，在该页面同类比较的 187 个模型中列第 4。这个指数覆盖知识、科学推理、长上下文、终端和 Agent 等九项评估。它不能代表全部能力，但至少提供了一组与官方发布相对独立的综合信号。
Moonshot 自己也没有宣布全面领先。官方技术博客明确写道，K3 的整体表现仍落后于 Claude Fable 5 和 GPT-5.6 Sol，实际用户体验也存在明显差距。
更准确的描述是：K3 已经进入前沿模型的竞争区间，但现有公开证据不足以把它写成最强模型，也不足以据此判断中美模型的整体强弱。
2.8 万亿参数，并不是一起上班
K3 采用稀疏混合专家架构，也就是 MoE。它共有 896 个专家，每处理一个 token，只选择其中 16 个。
2.8 万亿描述的是模型的总参数容量，不代表每次生成都调用全部参数。MoE 的目标，是扩大模型容量，同时避免每个 token 的计算量与总参数等比例增长。
16/896 只表示被选中的专家数量占专家池不到 2%，不能理解成“只计算全部参数的 2%”，因为模型还有注意力层和其他非专家参数。如此高的稀疏度也会带来路由、负载均衡和跨设备通信难题。Moonshot 为此引入 Stable LatentMoE、Quantile Balancing 和全平衡专家并行训练等方法。
所以，参数规模是 K3 的基础，但真正的问题是：这些参数能否被稳定训练、准确选择并以可接受的成本运行。
KDA 和 AttnRes，分别处理长度与深度
K3 还有两项关键架构变化。
Kimi Delta Attention（KDA）面向长序列。传统全注意力在上下文变长后，计算和缓存压力会迅速上升。此前的 Kimi Linear 论文显示，KDA 可以降低长上下文的 KV cache 占用并提高解码吞吐。K3 提供 100 万 token 上下文，但窗口大不等于模型一定能有效使用全部信息，真实效果仍取决于任务和信息分布。
Attention Residuals（AttnRes）处理模型深度上的信息流。标准残差连接会把前面各层输出持续累加，AttnRes 则让当前层根据输入，有选择地聚合较早层的表示。Block AttnRes 再把这种选择压缩到层块级别，以降低内存和通信成本。
相关论文在一个 480 亿总参数、30 亿激活参数的 Kimi Linear 模型上报告了收益，但这不是 K3 的消融实验。Moonshot 称，KDA、AttnRes、更高的 MoE 稀疏度、训练方法和数据配方共同带来相对 K2 约 2.5 倍的整体 scaling efficiency。目前还不能把 K3 的提升单独归功于其中一项技术。
图源：Kimi K3 官方技术博客。官方说明，不同评测按项目使用 Kimi Code、Claude Code 或 Codex 等不同 Agent 运行环境；部分其他模型成绩还引用自外部榜单或发布材料，不能视为严格统一条件下的裸模型横评
真正的变化，是模型与 Agent 系统开始合流
一个模型会写代码，不等于它能完成软件工程。后者要求它持续理解目标、浏览仓库、调用终端、观察报错、修改代码并重新测试，还要在漫长过程中保持任务状态。
Moonshot 披露的 K3 案例都在强调这种能力：GPU kernel 测试最长运行 24 小时；芯片案例是一次 48 小时自主运行；AI ASIC 行业研究经历 120 多轮递归改进，包含 2800 多次网页搜索或抓取，以及 1100 多次终端数据抓取。
这些是官方展示的成功案例。技术博客没有给出同类任务的总体成功率、失败样本、人类介入的量化次数和完整运行成本，因此不能据此断定 K3 已经能稳定完成所有复杂工作。
另一个容易被忽略的变量是 Agent 运行环境。Moonshot 在部分评测中让 K3、Claude 和 GPT 分别运行在 Kimi Code、Claude Code、Codex 等不同环境下。工具定义、上下文管理和错误处理都会影响最终成绩。K3 的领先更适合被理解为模型与 Agent 系统的综合表现，而不是一次裸模型能力鉴定。
下一轮竞争，不只发生在模型里
K3 带来的行业信号，不是谁已经全面超过谁，而是前沿能力越来越难用一个参数规模或一张榜单概括。模型、推理预算、上下文管理和 Agent 运行环境，正在共同决定任务结果。
模型能否在长任务里保留目标，能否稳定调用工具，运行环境是否适配，单位任务需要多少时间和成本，最终产物能否验证，这些因素会共同决定 Agent 的实际价值。
截至 2026 年 7 月 18 日，K3 的完整技术报告和模型权重尚未发布。Moonshot 计划在 7 月 27 日前发布完整权重。等这些材料公开后，外界才能进一步判断：K3 展示出的能力有多少来自模型架构，有多少来自训练、推理预算和 Kimi Code，又有多少能在第三方环境中复现。
K3 现在已经给出了一个清晰方向：前沿模型的竞争，正在从“谁更会答题”，走向“谁能把一件复杂工作持续做完”。
参考资料：
