7月16日晚10點，月之暗面發了新的旗艦模型。
接下來的72小時裡發生了一連串離譜的事：使用者量擠爆算力極限，公司不得不關掉新使用者註冊；A股概念股拉出5天4板；美股半導體類股蒸發了數千億美元；馬斯克在評論區留言說"令人印象深刻"，轉頭宣佈自家2兆參數模型要加速訓練。
一個中國開源模型，讓矽谷有點坐不住了。
kimi k3 是什麼
Kimi K3，參數規模2.8兆。全球首個開放原始碼的3兆等級大模型。100萬token上下文窗口。原生視覺能力。架構採用MoE（混合專家），896個專家每次啟動16個。
排名方面：Arena前端程式碼競技場1679分，全球第一。超越Claude Fable 5（1631分）和GPT-5.6 Sol（1618分）。七個前端細分領域，拿下六個第一。Artificial Analysis智能指數綜合排名全球第三。
月之暗面自己也承認，綜合能力仍落後於最強的閉源模型，但“在長時間程式設計、前端開發、GPU程序最佳化和複雜知識工作等部分任務上，已經達到前沿水平”。
客觀來說，不是全面碾壓，但在最關鍵的生產力場景，打進了第一梯隊。
7月27日完整權重將全面開源，全球任何企業和開發者均可免費下載、私有化部署。
48小時後，月之暗面發了一則公告，不是慶祝，是道歉。“使用者請求量大幅超出預估，逼近現有叢集承載極限，暫停C端新使用者訂閱。”
這是中國AI史上第一次有公司因為產品太好用而被迫關掉註冊入口。過去我們聽多了“沒人用”的故事，第一次聽“人太多用不了”，也算見證歷史了。
Kimi K3 API定價對標海外頂級前沿模型：每百萬token輸入快取命中2元、未命中20元，輸出100元。相比Claude Fable 5和GPT-5.6 Sol，K3擁有30%-50%的價格優勢，成為海外巨頭定價的"緊箍咒"。
然而高性價比的另一面是使用者抱怨"額度不夠用"。訂閱使用者反饋，199元套餐一個任務跑兩輪就能耗掉4小時額度。複雜任務Token消耗較大，實際使用成本未必低於預期，尤其是在長流程Agent任務中更為明顯。K3讓國產模型首次進入高價區間，輸出價格是DeepSeek的8-9倍，定價策略的試水效果仍需市場檢驗。
美股再次面臨中國開源模型衝擊
同一時間，大洋彼岸的畫風完全不同。
K3發佈前後72小時內，美股半導體類股合計蒸發數千億美元。摩根大通把這天稱為 “DeepSeek 2.0時刻”，上一次中國大模型引發這種等級震盪，還是2025年1月DeepSeek R1把輝達單日砸跌17%的時候。
華爾街的核心恐懼在於，Kimi K3這種高效模型，會不會讓GPU不再那麼值錢了？
過去三年市場篤信一條鐵律：模型越強→參數越大→訓練越貴→需要的GPU越多→輝達越值錢。
K3讓這條邏輯鏈出現裂痕，如果用更少的算力做出同等水平的模型，全球GPU採購量還需要那麼大嗎？高盛合夥人在客戶電話會上說的這句話被反覆引用：“這並非擴展定律失效，而是單純擴大預訓練算力不再是獲得領先能力的唯一路徑。”
K3引發了一個極具爭議的問題：高效模型的出現，會減少還是增加算力需求？
反方（算力需求會降）：K3的效率更高，單位任務需要的計算資源下降。如果開源後遍地都是2.8兆參數的模型，過去對GPU過於樂觀的資本開支預期需要重新調整。
正方（算力需求反而會增加）：這就是典型的傑文斯悖論，技術效率提升不會減少資源消耗，反而會因為應用門檻降低、使用場景擴大，最終推高總需求。
K3發佈48小時就因使用者請求量逼近叢集承載極限而暫停新使用者註冊，本身就是最好的證明。模型越好用，用的人越多，算力缺口反而越大。
半導體行業機構SemiAnalysis的技術拆解更直白：K3採用的KDA（Kimi Delta Attention）機制省的是“注意力狀態”那部分頻寬，省不掉2.8兆參數本身。GPU省不了，HBM省不了，高速網際網路絡省不了。
但問題的關鍵其實不在於算力是增加還是減少，而是大模型本身的估值演算法被質疑。
DeepSeek第一次讓華爾街意識到，中國能追。Kimi第二次告訴華爾街，中國還在追，而且沒停。一次可以叫偶然，可以歸給幾個天才或者運氣。兩次在不同節點、不同方法上都發生了低成本逆襲，資本就必須重新算機率。
Kimi K3引發“AI地震”
Kimi K3的威脅不在排行榜上，在財報模型裡。
過去三年，全球AI投資的底層假設只有一個，模型越強，需要的GPU越多，這個正相關不可逆。從GPT-4到GPT-5，訓練算力漲了10倍，推理算力漲了30倍，輝達的遠期收入模型就是把這條曲線外推到2030年。
但現在出現了一條反向證據：Kimi用2.8兆參數跑出了不輸Fable 5的效果，而Fable 5的訓練算力是公開資訊裡最高的之一。如果“更大參數≠更強效果”這條成立，或者更準確地說“效果增幅遠小於參數增幅”，那整個算力增長曲線的斜率就要向下修正。
這不是Kimi一家的問題。Qwen3.7-Max用MoE架構把啟動參數壓到總量的1/8，GLM-5.2用RLHF在更小的基座上追平了大模型，每一條都是對“算力需求必然指數增長”這個假設的證偽。
台積電640億美元資本開支的ROI，錨定的是全球AI晶片出貨量在2028年前維持60%+的年複合增長。輝達的遠期PE，錨定的是Blackwell到Rubin到Vera的換代節奏保持每年2-3倍的性能提升、每一代都有足夠多的買家。但這些錨的前提是“不用更大的模型就做不出更好的效果”，Kimi把這個前提打了一個問號。
OpenAI戰略未來負責人Dean W. Ball，近期公開說了兩句話。
第一句：“Kimi K3是一款非常優秀的模型，不能簡單用蒸餾美國模型來解釋它的能力”，這是罕見的客觀。
第二句：他把高水平開放權重模型稱為一種“減速主義力量”。理由是：強大且免費的開源模型會降低企業繼續投入巨額資本訓練下一代閉源模型的動力。開發者不花錢了，產業“減速”了。
這背後反映了一個更深層的焦慮，中美AI競爭的焦點正在從"模型能力"轉向"開發者生態"。
過去比的是誰分數高。接下來比的是：誰能讓更多開發者用得起、用得上、用得順手。誰能讓模型嵌入更多行業場景。誰能用更低的成本提供穩定算力。
閉源模型的護城河正在被開源模型快速填平。當全球開發者可以免費下載K3權重進行二次訓練、行業適配和私有化部署，閉源API的定價權就被大幅壓縮了。
Stability AI聯合創始人Emad Mostaque更狠，直接說推理成本未來幾個月還有10至50倍的下降空間（甚至百倍）。到明年底，16GB記憶體的普通裝置就能離線運行K3等級的智能。
如果這個預測成真，那今天華爾街對美股AI類股的"兆估值"敘事，需要徹底重寫。
國產大模型“輪流登頂”的背後是遊戲變殘酷了
客觀來說，當前所有國產自主大模型都面臨一個殘酷且不可避免的三個問題：
第一，榜單變成了移動靶。Qwen3.7-Max五月剛登頂國產第一，GLM-5.2六月上線後價格兩個月內降了六成，Kimi K3七月又在Frontend Code Arena以1679分超過Fable 5。領先窗口從年縮到月，說明前沿能力差距已經縮小到一兩個季度的工程窗口，在能力這個維度上，追趕者確實能反覆抹平差距。
以前GPT-4等級的能力差距可以維持12-18個月，OpenAI可以用這段時間溢價定價（API價格是開源方案的5-10倍），把研發投入收回來。現在Kimi K3反超Fable 5不到一個月就會被下一家追平，意味著任何一家在模型能力上的領先都來不及變現。你剛漲價，客戶的工程師已經在測試對手的新模型了，切換成本就是改一行API 介面。這個動態下，模型層的定價權不是"在下降"，是"不存在"。
第二，基座模型層在商品化。開源權重、API價格戰、性能分數趨同，這是典型的同質化特徵，模型層很難長出持續的超額利潤。國內主流模型API的定價，已經壓到全成本線以下。
如果按吞吐量來算成本，理論上可以這樣算：一張H100 顯示卡的市場時租大約20 元，一個8 卡節點滿負荷運行旗艦級MoE 模型，在極致最佳化下每小時大概能產出700 萬個token。這樣純GPU 成本大約是20～23 元每百萬token，這已經是極限最佳化的理想下限了。
再看現在的API 報價：輕量級模型已經殺到每百萬token 只要0.5 到2 元；而旗艦模型的輸出價格，往往也只定在16——20 元上下，勉強能覆蓋住GPU 租金本身。電費、網路、實際利用率只有四到六成的閒置損耗，以及最大頭的研發成本攤銷，全都不在這個價格里。換句話說，按理想下限算都只是剛好打平，真實成本只會更高，定價和成本是明顯倒掛的。
第三，能力同質化是真問題。大家都在同幾個benchmark上卷，分數咬得很緊，使用者切換成本低。以2026年7月LMSYS Arena Chatbot排行榜為例：前六名之間22分的Elo差距，在百萬級對戰樣本下是真實而微小的，任何一對模型的單場偏好優勢僅約53%。聊天場景裡使用者盲測分不出誰強誰弱，靠“更好”賣不出溢價。但對難任務和多步Agent，微小單步優勢複利後會有實質差距，頭部在那裡仍能守住價格，所以溢價不是死在頂部、是死在底部。
真正的壓力來自下一層。Llama 4 405B和DeepSeek V3.1的Elo只比第一梯隊低不到50分，體驗差距體感上“差不多”，但成本差一到兩個數量級。當次一級模型跨過“夠用”的臨界點，企業採購的決策邏輯就從“選最好的”切換成“選夠用裡最便宜的”。這不是頭部模型彼此趨同的問題，是低成本替代品已經殺到門口，而頭部模型的定價結構還留在“比對手更強”的時代，但對手根本沒在跟你比誰更強。
寫在最後
Kimi K3是中美AI競爭從“模型PK”轉向“生態PK”的轉折點。競爭焦點從“誰分數高”變成“誰讓更多開發者用得起”。開源vs閉源，兩條路線的商業價值將第一次在二級市場正面交鋒。
K3證明了一件事，中國AI不是在答題，而是在出題了。兩年前這個賽道只有一個問題：中國能不能追上OpenAI？現在的核心問題是：國產模型+國產算力這個閉環，什麼時候跑通、誰先跑通、能跑多快？
當90後kimi創始人楊植麟，三年做到300億美元估值、站上全球程式碼榜第一的時候，“中國AI只能跟在後面”這個故事，終於可以翻篇了。
但這不意味著可以躺贏。K3發佈後48小時就被算力卡住了脖子，這是當下中國AI最真實的寫照：天花板被頂開了，但地基還沒打好。 (首席商業評論)