2.8 万亿参数登顶编程竞技场：Kimi K3 如何改写开源格局？
Kimi K3 登顶 Code Arena：一个开源模型的"越级挑战"
编程竞技场 Code Arena 刚刚完成了一次令人瞩目的排名更迭——化名"Kivine"的 Kimi K3 以 1679 分登顶榜首，领先第二名 Claude Fable 5（1631 分）和第三名 GPT-5.6 Sol（1618 分）。
这不是一个普通的排名变化。这是一个开源模型在匿名盲测中击败了所有顶级闭源选手。
从第 18 到第 1：一代产品的跨越
Kimi K3 的上一代产品 Kimi K2.6 在 Code Arena 排名第 18。仅用一代迭代，狂涨 17 名，直接登顶。
在 7 个细分领域中，Kimi K3 拿下了 6 个第一。
在第三方综合评测 Artificial Analysis 最新排行榜上，Kimi K3 综合得分 57，排名第四。前三名分别是 Claude Fable 5（60 分）、GPT-5.6 Sol（59 分和 58 分，不同思考强度）和 Claude Opus 4.8（56 分）、GPT-5.5（55 分）。
月之暗面在官方技术博客中坦诚："虽然 Kimi K3 的整体表现仍落后于最强的闭源模型 Claude Fable 5 和 GPT-5.6 Sol，但它在我们的整套评测中展现出前沿水平的能力，并稳定超过了其他所有模型。"
2.8 万亿参数：一只手数得过来的俱乐部
2.8 万亿参数，百万上下文。这是全球参数量最大的开源模型。
能够进行如此大规模预训练的 AI 公司，全球范围内一只手数得过来。国内只有两家——DeepSeek 和月之暗面。超过 2 万亿参数的，只有月之暗面。
预训练做大，难的不是钱，是算力和试错机会。参数量翻一倍，训练成本指数级增长。一次训练崩了，几千万美元就打水漂了。很多团队都卡在了万亿参数这个训练门槛上。再加上算力资源本就有限，2.8 万亿参数的预训练，差不多只有一次成功的机会。
Kimi 官方在 K3 技术博客里引用了一句古语："犯其至难而图其至远者，发之以勇，守之以专，达之以强。"
"注意力残差"：破解深度稀释难题
2.8 万亿参数的模型，传统架构搞不定。神经网络层数越多，早期层的信息越容易被后面的层稀释掉。
Kimi 为此专门发表了一篇论文，提出了"注意力残差"机制（Attention Residuals）。该论文于今年 3 月发表，马斯克亲自下场点赞。论文作者之一是一个 17 岁的高中生。
注意力残差解决的就是"深度稀释"问题。传统残差连接是每层输出等权累加，不管有用没用都加在一起。注意力残差让每一层自己决定从前面哪些层取信息，权重动态分配。
K3 的 MoE 架构里有 896 个专家，实际激活 16 个。配合 Kimi Linear 混合线性注意力架构，处理长输入和长输出的成本更低。这也是它能实现 100 万 token 上下文的底层原因。整体扩展效率比 Kimi K2 提升了约 2.5 倍。
API 定价：不到 Fable 5 的三分之一
Kimi K3 的 API 定价极具竞争力：输入 20 元/百万 token，输出 100 元。
在编程场景下，缓存命中率超过 90%，实际输入成本大约只有标价的四分之一。作为对比，Claude Fable 5 输出定价约 360 元/百万 token，GPT-5.6 Sol 约 216 元。Kimi K3 不到 Fable 5 的三分之一。
开发者实测：慢，但猛
Kimi K3 还没正式发布，就被网友在 Arena 上扒了出来。化名"Kivine"，提前偷跑。
开发者 @chetaslua 拿 Kimi K3 和 GPT-5.6 Sol 做了一轮正面对比："如果我把 Kimi K3 的名字换成 Fable 5，你会直接相信。不只是视觉上的问题，功能上也是。两者都能实现相同的结果，但实现方式不同，Kimi 更有创造力。"
@Lentils80 跑了一轮前端测试："确实慢，甚至比 Fable 还慢。花了 35 分钟才跑完。不过，这是我用这个提示词得到的最好的结果之一，比很多顶级模型都好。"
@synthwavedd 发了一条获得 1800 赞的推文："我觉得 Kimi K3 会让那些说'中国落后 8 个月'的人感到震惊。"
Midjourney 联合创始人兼 CEO David Holz 在 Kimi 官方推文下面评论："this is really beautiful"。这条推文获得了 160 万阅读，超 1 万点赞，1300 转发。
DeepSeek 铁粉 @teortaxesT 总结道："R1-level moment."——DeepSeek-R1 时刻。
"预训练仙人"：资本用真金白银投票
网上有个说法，Kimi 是"预训练仙人"。过去 12 个月里有 9 个月，Kimi 模型都保持着开源模型的参数规模上限。从 Kimi K2 的 1 万亿到 Kimi K3 的 2.8 万亿，一直在刷新天花板。
资本也在用真金白银投票。月之暗面估值半年翻了近 7 倍，逼近 2000 亿人民币。
AI 研究者 Nathan Lambert 评论："关于中国模型是蒸馏出来的说法，可以停了。中国确实擅长做模型。"
辨析：这意味着什么？
Kimi K3 的出现，至少传递了三个信号：
第一，开源与闭源的差距正在缩小。 这恐怕是第一次，一个国产开源模型能够真正和闭源顶级模型掰手腕。不只是编程，在综合评测中也稳定超越了除 Fable 5 和 GPT-5.6 Sol 之外的所有模型。
第二，大参数量的价值依然被低估。 当许多团队还在纠结于模型微调和小规模优化时，月之暗面和 DeepSeek 已经走上了万亿参数预训练的道路。2.8 万亿参数不是噱头，而是实打实的性能壁垒。
第三，中国 AI 正在从"追赶"转向"并跑"。 网友引用的报道中提到 K3 性能预计超越 Claude Opus 4.8，而"中国落后六个月的时代结束了"这句话，或许正是当前行业心态的真实写照。
当然，Kimi K3 仍有提升空间。官方技术博客承认其整体表现仍落后于最强的闭源模型。速度方面，开发者实测也反馈"确实慢"。但这不妨碍它成为一个里程碑。
从 1 万亿到 2.8 万亿，Kimi 还在路上。而这条路，可能正在重新定义 AI 行业的竞争格局。
原文来源：月之暗面官方技术博客