关于Kimi K3：其能力与相关不满（70分钟阅读）

# 关于 Kimi K3：它的能力及相关争议 来源：https://thezvi.wordpress.com/2026/07/20/on-kimi-k3-its-capabilities-and-related-discontents/ Kimi K3 是一款非常优秀的模型，基准测试成绩出色。假设其权重按计划发布，那么仅从原始能力来看，它将成为最强的开源模型。但请不要冲昏头脑。不要仅凭 Kimi K3 的相对优势来评判它。总体来看，它落后于闭源模型前沿好几个月，至少四个月，我的中位数估计是六个月，其中后训练差距较小，预训练差距较大。这个时间差比以前短了，但现在的几个月“密度”更高。它有一定程度的蒸馏。其基准测试成绩很可能高于实际表现。所有基准测试都是在最大努力下评分的，通常使用的 token 数远多于 Fable 或 Sol 在类似测试中使用的数量。性能表现参差不齐。Kimi 在某些方面会很出色，在其他方面则会逊色一些。未来几周我们会了解更多。目前访问权限不稳定，真正有机会试用 Kimi K3 的人还不多，因此我对它的能力评估的误差范围比平时更大。唉，时不我待，我们继续吧。 它是目前最大的开源模型，参数规模达 2.8T，处于 Claude Opus 可能尺寸的上限，接近 Mythos 可能尺寸的下限，这解释了它许多进步的原因。它速度慢，且似乎极度消耗 token。许多正面评价是因为这是个大模型，因此至少带有相当的“大模型味道”，通常以更慢、更贵换取一些性能提升。这是个好策略，但他们短期内很难再复制。从 Claude 进行蒸馏显然是其中一部分原因，很可能主要来自 Fable，但也显然远非全部。显然，即使只带来一点点帮助，Moonshot 也会这么做。他们发布更大模型的时间点颇有深意。再说一次，这是个好模型，但一旦纠正了基准测试的过度表现，再看看预期的实际性能，很难说这与我们对一个 2.8T 参数的 Kimi K3 的预期有多大不同。不妨考虑一下：Kimi K3 的（初步非官方）Epoch 能力指数正好落在中国趋势线上（https://x.com/peterwildeford/status/2079052877801128237）。 Kimi K3 绝对值得一试，看看它是否适合你的工作流程。以这个价格点——无论是 API 还是订阅——它都无法取代那些更小更便宜的开源模型，而且我认为它在与顶级闭源模型的竞争中通常会落败，但在某些领域，Kimi K3 会是一个不错的选择。 > Andrew Curran (https://x.com/AndrewCurran_/status/2078729593096434114)：继 Kimi K3 的成功之后，Moonshot AI 已通知投资者，计划在未来六个月内于香港进行 IPO，据彭博社报道。好主意。打铁要趁热。 #### 目录 1. DeepSeek 时刻：又来了。（https://thezvi.substack.com/i/207449107/deepseek-moments-here-we-go-again） 2. 我们曾有过一个时刻（2025年6月重演）。（https://thezvi.substack.com/i/207449107/we-had-a-moment-reprise-from-june-2025） 3. 之后的故事。（https://thezvi.substack.com/i/207449107/the-story-since-then） 4. Kimi K3 公告、宣传及基本事实。（https://thezvi.substack.com/i/207449107/the-kimi-k3-announcement-pitch-and-basic-facts） 5. 论现代刷榜。（https://thezvi.substack.com/i/207449107/on-modern-benchmaxxing） 6. 他人的基准测试。（https://thezvi.substack.com/i/207449107/other-people-s-benchmarks） 7. 基准测试不等于真实世界。（https://thezvi.substack.com/i/207449107/benchmarks-are-not-the-real-world） 8. 技术保障？那是什么？（https://thezvi.substack.com/i/207449107/technical-safeguards-what-are-those） 9. Kimi 能做的事。（https://thezvi.substack.com/i/207449107/things-kimi-can-do） 10. Kimi 不能做的事。（https://thezvi.substack.com/i/207449107/things-kimi-cannot-do） 11. 不容易让 Kimi 做的事。（https://thezvi.substack.com/i/207449107/things-it-is-not-easy-to-get-kimi-to-do） 12. 开源权重模型不安全，而且无法解决。（https://thezvi.substack.com/i/207449107/open-weight-models-are-unsafe-and-nothing-can-fix-this） 13. Dean Ball 尝试建设性讨论。（https://thezvi.substack.com/i/207449107/dean-ball-attempts-to-be-constructive） 14. OpenAI 员工对此相对乐观。（https://thezvi.substack.com/i/207449107/openai-employees-are-relatively-bullish-on-this-one） 15. Kimi K3 在典型智能体编程和 3D 方面相对最强。（https://thezvi.substack.com/i/207449107/kimi-k3-is-relatively-strongest-at-typical-agentic-coding-and-3d） 16. 各方反应。（https://thezvi.substack.com/i/207449107/reactions） 17. 你是谁？（https://thezvi.substack.com/i/207449107/who-are-you） 18. 他们是怎么做到的？（https://thezvi.substack.com/i/207449107/how-did-they-do-it） 19. 结论。（https://thezvi.substack.com/i/207449107/conclusion） #### DeepSeek 时刻：又来了 所有关于中国模型的讨论都笼罩在 DeepSeek 时刻（https://thezvi.substack.com/p/deepseek-r1-0528-did-not-have-a-moment）的阴影之下。有太多人非常、非常希望另一个 DeepSeek 时刻（https://thezvi.substack.com/p/deepseek-r1-0528-did-not-have-a-moment）能够发生。这些人非常、非常想讲这样一个故事：中国开源模型正在追赶美国闭源模型，AI 和推理将变得商品化。他们的动机各不相同。他们通常想肯定开源模型，或强调“技术栈”的重要性。其他人则只是想看到 OpenAI 和 Anthropic 倒下，或者知道这样的说法能卖座。通常其最终目的是反对所有 AI 监管，或反对任何可能“拖慢我们”或导致我们“输给中国”的事情。用“那我们应该把算力卖给他们，让他们运行这些模型并建造更好的模型”来回应（https://x.com/peterwildeford/status/2077946879547990242）“中国现在有了更好的模型”简直是在主动自杀。然而每一次，是的，总会有人这样争论。唉。 通常，他们只是想告诉美国 AI 停止采取预防措施，别再烦人并拆除分类器（https://x.com/ramez/status/2077848618497921422），就像“精灵已经出瓶了，所以放出更大的精灵，给他无限的愿望，这是唯一的办法”。人们真的宁愿承担重大灾难风险，也不愿应付分类器，而且对此非常愤怒。 当天谷歌股价下跌 4.4%，SpaceX 下跌 3.1%（https://x.com/AndrewCurran_/status/2077847329655452104），英伟达下跌超过 2%，科技股在周五继续下跌，所以我们很可能又要重演这一切了。是的，我们正面临再次重演的风险（https://www.axios.com/2026/07/17/china-ai-kimi-k3-open-source-anthropic-opus?utm_campaign=mrf-utm_campaign=editorial&utm_source=x&utm_medium=owned_social&utm_source=twitter&utm_medium=social&mrfcid=202607176a4f1cc2c72f0423c6346038）： > Axios（https://x.com/axios/status/2078055882840047769）（错误说法）：中国刚刚抹平了美国的 AI 领先优势 > Seán Ó hÉigeartaigh（https://x.com/S_OhEigeartaigh/status/2078077922473054582）：不，没有。（尽管 Kimi K3 无疑令人印象深刻） 模式如下： 1. 中国模型发布。 2. 引用一些令人印象深刻的基准测试。 3. 因此，美国的领先优势消失了，证明完毕，就这样，不，真的，就这样了。 在 Axios 的案例中，引用的基准测试是 Arena。仅凭这一点，他们就断言美国的领先优势已消失。我本想忽略，但这种逻辑风格已经多次说服了华盛顿特区，并产生了实质性的政策影响。想到这些人现在又知道了 Mythos 的存在，我不禁不寒而栗。对 Fable 越狱的困惑很容易扩展到更广泛的愚蠢恐慌。最初的 DeepSeek 时刻（https://thezvi.substack.com/p/deepseek-r1-0528-did-not-have-a-moment）是由于多种事件交汇而产生的。让我们回顾一下。 #### 我们曾有过一个时刻（2025年6月重演） 我们都记得**DeepSeek 时刻**（https://thezvi.substack.com/p/on-deepseeks-r1），它导致了**App Store 恐慌**（https://thezvi.substack.com/p/deepseek-panic-at-the-app-store），引发了许多从根本上看毫无意义且事后证明相当愚蠢的股市动荡，经历了**非常紧张的一周**（https://thezvi.substack.com/p/deepseek-lemon-its-wednesday）以及**最终结论——不要恐慌**（https://thezvi.substack.com/p/deepseek-dont-panic）。经过几个月，我们逐渐清晰地看到了（大部分）发生了什么：多种叙事因素共同作用，将 DeepSeek 的 r1 从一个令人印象深刻但并不特别令人惊讶、值得更新的模型，变成了震撼世界的一声惊雷，尽管缺乏直接的“宣传”。具体来说，以下因素共同导致了这一效果： 1. **“六百万美元模型”**（https://thezvi.substack.com/p/deekseek-v3-the-six-million-dollar）叙事。人们将 v3 的边际计算成本与 OpenAI 和 Anthropic 等美国实验室的整体预算等同起来。这就像说 DeepSeek 在苹果上的花费远低于 OpenAI 在食物上的花费。但在进行同类比较时，DeepSeek 确实花费更少，但差异远没有那么显著。 2. DeepSeek 同时发布了一款免费应用，界面异常简洁，并展示了思维链（CoT）。DeepSeek 是快速追随者，因此他们没有理由隐藏 CoT。比较时只将 DeepSeek 的最佳用例与其他地方的相同用例进行对比，忽略了 DeepSeek 缺乏或表现不佳的功能和用例。所以，如果你想进行第一天的免费查询，你会获得当时独特且病毒式传播的体验。这迫使其他实验室也展示 CoT，并加速发布各种模型和功能。 3. 需要一段时间才能真正了解一个模型有多好，而不同的风格、可见的 CoT 以及兴奋感让人们认为 r1 比实际更好。 4. 时机无可挑剔。DeepSeek 恰好赶在一系列其他模型发布之前。两周内就很清楚，美国实验室仍然领先。这是 DeepSeek 周期的顶峰，也是其他实验室周期的低谷。 5. 技术在时机上也无可挑剔。当时是 RL 扩展的早期阶段，训练过程仍然可以廉价完成。DeepSeek 在从芯片中榨取最大性能方面做得很好，但随着计算劣势的持续，他们未来可能会遇到越来越大的困难。 6. DeepSeek 利用了“安全测试是什么？”以及快速跟进的角度，尽可能快地发布，在模型刚一具备可行性时就不可撤销地发布其新模型，使其看起来相对更先进、更不落后于实际情况。Teortaxes 指出，R1 论文指出了许多需要修复的问题，但 DeepSeek 当时没有时间修复，而 R1-0528 修复了这些问题，这些在恐慌期间并未被“计入”。 7. DeepSeek 开启了整个“势头”论点。中国之前发布的模型落后得多，DeepSeek 现在不那么落后了（有些人甚至说领先了），人们认为“哦，这意味着他们很快就会领先”。然而事实并非如此，你不能这样假设，而且从追随者转变为领导者是一个巨大的飞跃。 8. 这与对中国粉丝和各类中国鹰派普遍存在的“中国赶上美国”叙事的需求高度相关。展望未来，我们留下了一个“导弹差距”式的故事。 9. 还有很多人一直在推动“开源模型获胜”的论点，他们认为非开源模型要么注定失败，要么不算数。这些人非常直言不讳，氛围是他们选择的武器，有些人还与特朗普政府关系密切。 10. 股市严重缺乏情景意识，因此他们认为这次发布的重要性远超实际，这导致各种人“觉醒”到早已知道的事情，并预期他人也会觉醒，同时人们对任何底层动态的运作方式普遍误解，包括杰文斯悖论，以及如果你想运行 r1，你会去购买更多芯片，包括英伟达芯片。也有可能 DeepSeek 的股市反应很大程度上与特朗普政策声明相关的内幕交易有关。 本质上：有效市场假说是错误的。 #### 之后的故事 自那以后，中国已经赶上或正在追赶的想法不断出现，推动了华盛顿的许多讨论，作为这一时刻的回响。每当有新最强或令人兴奋的中国模型发布时，这种想法就会重新出现。中国每有一天没有发布模型，他们看起来就落后一天。当他们发布时，他们就会“赶上”，看起来不那么落后了。自 r1 之后、K3 之前，排名前 10 的此类潜在时刻很可能是： 1. Manus。 2. DeepSeek r1-0528。 3. Kimi K2。 4. GPT-5（反向），以极其愚蠢的方式吓坏了很多人。 5. DeepSeek v3.1。 6. Kimi K2 Thinking。 7. DeepSeek v3.2。 8. Kimi K2.5。 9. DeepSeek v4。 10. GLM-5.2。 主要是 Kimi 和 DeepSeek。Manus 引发了炒作热潮并吓到了人，而 GLM-5.2 是迄今为止他们最强的产品，使 GLM 系列崭露头角。其中许多都是好模型，但没有一个从根本上改变游戏规则。 大体上，自 DeepSeek 时刻（https://thezvi.substack.com/p/deepseek-r1-0528-did-not-have-a-moment）以来，当时 DeepSeek 落后大约八个月，但通过快速跟进在关键方面赶超，我们一直在波动。一段时间内，中国似乎落后很多。GLM-5.2 和 Kimi K3 令人印象深刻。目前对时间差的最佳估计处于最低点。AI 领域的事件全面加速，因此尚不清楚产品周期的差距是否比以前更小，我有些预计下周会再次因 Qwen 而重演这一切。 Kimi K3 是 2.8T，似乎仍然落后于 4 月 7 日宣布的 Mythos Preview，因此这提供了一个三个月差距的下限起点。 > Ethan Mollick (https://x.com/emollick/status/2078132339029180788)：正如我一直所说，Kimi 是一款非常好的模型。但它不是 DeepSeek r1 时刻，因为它大致处于我预期的曲线上，而不是一次意外的飞跃。由于各种原因，它将被视为 DeepSeek 时刻（https://thezvi.substack.com/p/deepseek-r1-0528-did-not-have-a-moment），尤其是随着更多人听说它。 Ryan Greenblatt 尽管对 Kimi K3 感到惊喜，但基于前向传递计算，估计其预训练质量大约介于 Opus 4 和 Opus 4.5 之间（https://x.com/RyanGreenblatt/status/2077948135763268043），加上一些其他优势，所以大约落后 8 个月，正如人们所料。后训练更接近，至少部分是由于蒸馏。Moonshot 显然在创新，但也明显在进行蒸馏，既有直接蒸馏，也有通过观察输出和复制技术进行快速跟进。 英国 AISI 发布了一份关于 Kimi K3 之前所有内容的报告（https://x.com/AISecurityInst/status/2078103148665667648），显示在狭隘网络任务上的时间差距随着时间的推移略有缩小。他们的完整报告在这里。（https://www.aisi.gov.uk/blog/how-far-behind-the-frontier-are-leading-open-weight-models-on-cyber） 我的理解是，狭隘且相对简单的编程任务是开源权重模型相对最强的领域，这里的基准测试已接近饱和。事实上，当你阅读完整的文章时，你会对更长的任务得到不同的答案。 > UKAI Sec