Kimi K3实测：2.8万亿参数MoE架构，Arena前端编程全球第一（附GPT-5.6对比）

前言

7 月 16 日晚，月之暗面正式发布 Kimi K3——全球首个开源的 3 万亿参数级别模型。上线后即在 Arena 的 Code Arena 榜单拿下全球第一（1679 分），超过 Claude Fable 5（1631 分）和 GPT-5.6 Sol（1618 分）。

本文基于公开实测数据，从参数架构、性能基准、三场景对比、定价分析四个维度拆解 K3 的真实表现。

---

一、模型基本信息

属性	详情
参数量	2.8 万亿（MoE 架构，896 个专家，每次激活 16 个）
上下文窗口	100 万 token
多模态	原生视觉理解
开源	完整权重 7 月 27 日前开源，全球最大开源权重模型
上线平台	Kimi 网页端、App、Kimi Work 桌面端、Kimi Code、API
当前版本	默认 max 档深度思考，low/high 档后续更新
License	开源

架构创新

K3 的两个核心技术：

① Kimi Delta Attention（混合线性注意力机制）

让模型处理超长序列时不会被计算量拖死。传统注意力机制的复杂度随序列长度平方增长，Delta Attention 通过线性近似大幅降低长序列的计算开销。

② Attention Residuals（注意力残差）

有选择地跨深度检索信息，不是简单在各层均匀累积。可以理解为模型在不同深度层级之间建立了"信息高速公路"，让深层能够直接访问浅层的关键信息。

配合 Stable LatentMoE 框架，官方称整体扩展效率相比 K2 提升约 2.5 倍。

---

二、性能基准

Arena 榜单成绩

榜单	K3 分数	排名	对比
Code Arena（前端编程）	1679	全球第一	超 Fable 5（1631）、GPT-5.6 Sol（1618）
Artificial Analysis Intelligence Index	57	第三	仅次于 Fable 5 和 GPT-5.6 Sol

Arena 的机制是公开盲测：同一道题交给两个匿名模型，用户实际体验后投票，投完才知道选的是谁。百万级用户参与，品牌影响被削弱。

前端细分领域

在七个前端细分领域中，K3 拿下六个第一，仅在游戏领域落后 Fable 5。

官方展示案例

K3 的长程 Agent 式执行能力大幅提升。以官方展示的 ASIC 行业 42 年研究网站为例：

• 120+ 轮迭代
• 2800+ 次网页搜索与抓取
• 1100+ 次终端数据提取
• 处理 87 份季度报告和 99 份原始 PDF
• 最终生成包含定制图表、动画示意图和交互式可视化叙事的研究报告

官方品牌宣传视频也是 K3 自己剪辑的——56 段原始素材，完成选片、卡点、动作匹配和音频处理。

---

三、三场景实测对比：K3 vs GPT-5.6 Sol

以下数据来自凤凰科技评测，使用同一套提示词分别测试两个模型。

场景一：3D 迷宫游戏

任务：生成第一人称 3D 迷宫游戏，WASD + 鼠标控制，小地图、火炬照明、60 秒倒计时。

维度	GPT-5.6 Sol	Kimi K3
生成速度	快，K3 还在加载时已可开始玩	慢，接近 Sol 的 2-3 倍
画面风格	写实常规，火炬和墙面中规中矩	像素风设计感，火炬和墙面纹理更有辨识度
可玩性	合格成品	更高，光线更暗更有氛围
结论	快、稳	慢但好看

场景二：杯子倒水物理仿真

任务：实现杯子装水和倒水的物理仿真，考察数学建模、物理直觉、图形学处理。

维度	GPT-5.6 Sol	Kimi K3
第一次结果	装水不穿模，倒水符合物理规律，一次过关	翻车：水粒子穿透杯壁、水从杯底流出
修正后	—	符合要求，但修正速度也慢
结论	完胜	物理仿真未做到一次到位

场景三：3D 瀑布全景

任务：用 Three.js 创建尼亚加拉大瀑布全景，考察视觉审美和工程能力。

维度	GPT-5.6 Sol	Kimi K3
功能完整性	完整，按钮命名忠实还原提示词	完整
视觉效果	“敷衍”——水像白色粒子糊在悬崖上	更精美，水渲染更接近真实瀑布水汽
彩虹（提示词要求）	缺失	有
耗时	较快	近半小时
结论	功能稳但审美弱	审美胜，但速度慢

三轮总结

• 要又快又稳的成品 → 选 GPT-5.6 Sol
• 要视觉上有辨识度的成品 → 选 K3，但需付出 2-3 倍时间成本

---

四、实测短板

1. 速度慢

同一场景生成时间约为 GPT-5.6 Sol 的 2-3 倍。瀑布场景近半小时，视频剪辑近两小时。

可能原因：

• 2.8 万亿参数推理计算量大
• max 档默认开启深度思考
• 推理基础设施尚未充分扩容

后续开放 low 和 high 档位后可能改善。

2. 物理仿真偶翻车

杯子倒水测试第一次生成存在硬伤（水穿壁、水从底漏）。官方在介绍中特别强调了视觉理解与空间推理的结合提升，但至少在这道题上，物理仿真还没做到一次到位。

3. 简单问题过度发挥

官方坦诚承认：训练偏向长程高难任务，面对简单的日常问题时容易替代用户做决定。

4. 官方承认的三个局限

月之暗面在官方博文中坦诚写了：

• 对历史思考内容敏感，中途切换模型可能导致输出质量明显下降
• 训练偏向长程高难任务，面对简单日常问题时容易替代用户做决定
• 与 Fable 5 和 GPT-5.6 Sol 相比，在用户体验上仍有差距

---

五、API 定价分析

模型	输入（/百万 token）	输出（/百万 token）
Kimi K3	¥20（约 $2.8）	¥100（约 $14）
GPT-5.6 Sol	¥36（约 $5）	¥216（约 $30）
Claude Fable 5	¥72（约 $10）	¥360（约 $50）

K3 比海外旗舰便宜——输出单价不到 Fable 5 的三分之一。

但对比自家 K2.6：

• 输入价格涨了 3 倍多
• 输出价格涨了 近 4 倍

会员等级限制：

会员档位	月费	上下文长度
Andante	¥49	不支持调用
Moderato	¥99	256K
Allegretto	¥199+	完整 1M

---

六、总结

K3 的核心价值：证明国产开源模型已经能在盲测中正面击败海外闭源旗舰。Code Arena 全球第一，不是"国产第一"——这俩概念差了一个太平洋。

K3 的核心短板：能力追上了，体验没跟上。速度慢、物理仿真翻车、简单问题过度发挥——这些不是能力问题，是工程化问题。

适用场景推荐：

• 前端编程 / 3D 交互生成 / 视觉设计 → K3 有明显优势
• 需要快速得到可用成品 → GPT-5.6 Sol 更稳
• 物理仿真 / 工程可靠性要求高 → 暂时不推荐 K3
• 简单日常问答 → K3 会过度发挥，性价比不高

月之暗面正在筹备港股 IPO，K3 不只是一次产品更新，更像一次上市前的能力宣示。但 IPO 最终检验的不是榜单成绩，而是 3 亿美元 ARR 能否持续、客户是否留存、推理成本能否控制。

---