Kimi K3 发布：2.8 万亿参数模型与 Pelican Benchmark

Kimi K3：全新的 3T 级前沿模型

Moonshot AI 发布了 Kimi K3，被描述为首个拥有 2.8 万亿参数的“开放 3T 级模型”。该模型目前可通过官方网站和 API 使用，并计划于 2026 年 7 月 27 日发布开源权重。Kimi K3 相比其前身 Kimi K2.6（拥有 1 万亿参数）实现了显著的规模提升。

Kimi K3 在面对行业领先的前沿模型时展现出了极具竞争力的性能：

通用能力： 自行报告的基准测试表明，K3 通常优于 Claude Opus 4.8 max 和 GPT-5.5 high，但在 Claude Fable 5 和 GPT-5.6 Sol 面前仍稍显逊色。
长程知识工作： 根据 Artificial Analysis 的报告，Kimi K3 达到了 1547 的 Elo 分数，比 Kimi K2.6 提升了 732 分，位列第二，仅次于 Claude Fable 5。
编程： Kimi K3 目前在 Arena.ai 的 Frontend Code 竞技场中排名第一，超越了 Claude Fable 5。
效率： 该模型展示了更高的 token 效率，在 Artificial Analysis Intelligence Index 上，其输出 token 消耗比 K2.6 少了 21%。

Kimi K3 是迄今为止中国 AI 实验室发布的最高价模型，其定价策略模仿了 Anthropic 的 Claude Sonnet 系列：

这与 Kimi K2.6 相比有了大幅上涨，后者定价为每百万输入 token $0.95，每百万输出 token $4。

为了评估模型的实际空间推理能力和输出有效性，研究人员将“pelican benchmark”——一个要求模型“生成一个骑自行车的鹈鹕的 SVG”的提示词——应用于 Kimi K3。

运行这一特定提示词揭示了 K3 模型的几个技术特征：

高推理开销： Kimi K3 目前仅提供一种推理力度级别（“max”）。对于鹈鹕 SVG，该模型消耗了 13,241 个推理 token 来生成 3,417 个响应 token，导致单个提示词的总成本为 25 美分。
隐藏的系统提示词： 虽然提示词本身很短，但 Kimi K3 记录了 95 个输入 token。使用简单的 “hi” 进行测试，结果显示为 86 个 token，这表明存在一个约 85 个 token 的隐藏系统提示词。
强大的视觉能力： 当将生成的 SVG 重新输入 Kimi K3 进行图文转换描述时，该模型生成了高度准确且详细的场景 alt-text 描述。

虽然鹈鹕测试可以作为新模型的有用“Hello World”，但其作为比较基准的价值已在演变：

相关性减弱： SVG 生成质量与模型整体智能程度之间的相关性已经减弱。例如，GLM-5.2 虽然不在 Claude Fable 5 同级别的模型，但其生成的鹈鹕图像质量现在已非常出色。
缺乏智能体测试： 该基准测试无法测试智能体（agentic）工具调用或在长对话中保持可靠性的能力，而这对于现代前沿模型至关重要。
潜在的过拟合： 社区内对于模型是否正在针对这些在博客和 GitHub 上广泛传播的特定提示词进行训练存在着显著讨论。

围绕 Kimi K3 发布的相关讨论突出了 LLM 开发中的几个更广泛的趋势：

参数量 vs. 智能： 一些观察者认为，参数量（记忆）正变得不再像注意力密度（智能）那样关键。例如，GLM 的规模仅为 DeepSeek 的一半，但在多个基准测试中表现优于它。
计算资源限制： 鉴于高阶计算资源可能面临的限制，关于中国实验室如何训练 3 万亿参数模型的讨论仍在持续。
一致性问题： 用户指出，单次运行的基准测试可能会产生误导，因此有必要对每个模型进行多次运行以消除输出质量的波动。

“差距正在缩小。我认为 Kimi 3 仅比美国模型落后 3 个月。它是 GPT 5.5 级别的模型，而后者是在 4 月底发布的。”

“如果你在注意力机制上节省成本，那么即使增加更多的参数，结果也会变差。如果让我猜，这似乎是记忆（参数）与智能（注意力密度）之间的区别。”