Kimi K3 發布：2.8 兆參數模型與鵜鶘基準測試

Kimi K3 發布：2.8 兆參數模型與鵜鶘基準測試

Kimi K3：全新 3T 級前沿模型

Moonshot AI 宣布推出 Kimi K3，稱其為首個「開放 3T 級模型」，擁有 2.8 兆參數。該模型目前可透過官方網站與 API 使用，開放權重版本預計於 2026 年 7 月 27 日發布。Kimi K3 相較於前代 Kimi K2.6（擁有 1 兆參數）是一次顯著的規模提升。

性能與基準測試

Kimi K3 在與業界領先的前沿模型競爭時展現出相當的表現：

  • 通用能力： 自報基準顯示 K3 整體上優於 Claude Opus 4.8 max 與 GPT-5.5 high，雖然仍稍遜於 Claude Fable 5 與 GPT-5.6 Sol。
  • 長期知識工作： 根據 Artificial Analysis 報告，Kimi K3 獲得 1547 Elo，較 Kimi K2.6 提升 732 點，僅次於 Claude Fable 5。
  • 程式碼生成： Kimi K3 目前在 Arena.ai 的 Frontend Code arena 中排名第一，超過 Claude Fable 5。
  • 效率： 該模型在 Artificial Analysis Intelligence Index 上的 token 效率提升，輸出 token 數比 K2.6 少 21%。

定價與成本結構

Kimi K3 是迄今為止中國 AI 實驗室發布的最昂貴模型，價格與 Anthropic 的 Claude Sonnet 系列相當：

  • 輸入 Token： 每百萬 token $3。
  • 輸出 Token： 每百萬 token $15。

相較於 Kimi K2.6（每百萬輸入 $0.95、每百萬輸出 $4）有大幅提升。

透過「鵜鶘基準」的分析

為了評估模型的實際空間推理與輸出有效性，我們對 Kimi K3 執行了「鵜鶘基準」——一個要求模型「產生騎自行車的鵜鶘 SVG」的提示。

SVG 測試的主要發現

執行此特定提示揭示了 K3 模型的多項技術特徵：

  1. 高推理開銷： Kimi K3 目前僅提供一個推理力度等級（「max」）。在鵜鶘 SVG 的案例中，模型消耗了 13,241 個推理 token，產生了 3,417 個回應 token，單次提示的總成本為 0.25 美元。
  2. 隱藏系統提示： 雖然提示本身很短，Kimi K3 記錄了 95 個輸入 token。使用簡單的「hi」提示測試時得到 86 個 token，顯示大約有 85 個 token 的隱藏系統提示存在。
  3. 強大的視覺能力： 當將產生的 SVG 再次輸入 Kimi K3 進行圖像轉文字描述時，模型給出了高度精確且詳盡的 alt‑text 描述。

鵜鶘基準的有效性

雖然鵜鶘測試作為新模型的「hello world」相當有用，但其作為比較基準的價值已發生變化：

  • 相關性削弱： SVG 生成品質與整體模型智慧之間的相關性已減弱。像 GLM-5.2 這樣的模型即使不屬於 Claude Fable 5 同級，仍能產出更優秀的鵜鶘圖形。
  • 缺乏代理測試： 此基準未測試代理工具呼叫或在長對話中保持可靠性的能力，這對現代前沿模型至關重要。
  • 可能的過擬合： 社群中有大量討論認為模型可能已在部落格與 GitHub 上廣為流傳的這類提示上進行訓練。

社群見解與技術觀點

關於 Kimi K3 發布的討論凸顯了 LLM 發展的幾大趨勢：

  • 參數量 vs. 智慧： 有觀察者認為參數量（記憶體）正變得不如注意力密度（智慧）重要。例如，GLM 的規模僅為 DeepSeek 的一半，但在多項基準上表現更佳。
  • 算力限制： 大家持續猜測中國實驗室在面臨高階算力資源限制的情況下，如何訓練 3 兆參數模型。
  • 一致性問題： 使用者指出單次基準測試可能產生誤導，建議對每個模型進行多次測試以考量輸出品質的變異性。

"差距正在縮小。我認為 Kimi 3 只落後美國模型三個月。它是 gpt 5.5 級模型，於四月底發布。"

"如果在注意力上削減成本，會得到參數更多卻表現更差的結果。若要猜測，這似乎是記憶（參數）與智慧（注意力密度）之間的差異。"

摘要：Moonshot AI 推出 Kimi K3，這是一款 2.8 兆參數模型，在前端程式碼生成方面領先，並與 GPT-5.6 與 Claude Fable 5 等頂尖模型展開競爭。

標題：Kimi K3 發布：2.8 兆參數模型與鵜鶘基準測試

Sources