Kimi K3登顶，首超Fable 5

月之暗面刚刚把中国大模型推上了一个此前没有到过的位置。

7 月 16 日发布的 Kimi K3，在 Frontend Code Arena 最新榜单中拿到 1679 分，超过 Anthropic 的 Claude Fable 5，排名全球第一。这是中国模型首次在这一高关注度的前端编程盲测榜单上击败 Claude Fable 5，也让“中国前沿模型固定落后美国 6—12 个月”的说法变得难以维持。

这次登顶需要加上一个重要限定：Kimi K3 赢的是前端编程榜，而不是所有能力的全球总榜。 Frontend Code Arena 是一个通过匿名对战和用户偏好投票评估模型前端开发能力的公开竞技榜，模型需要根据自然语言要求生成网页、数据面板、设计工具等可视化应用，再由用户比较结果。它比传统静态题库更接近真实使用，但仍然只能代表前端代码生成这一类任务。

Kimi K3 的综合能力仍未全面超过 Claude Fable 5 和 GPT-5.6 Sol。 月之暗面公布的整套评测显示，K3 已经进入全球第一梯队，但整体表现仍落后于两款最强闭源模型；第三方智能指数则把 K3 排在全球第三。因此，更准确的表述是：中国开放权重模型第一次在重要实战榜单上正面击败了美国最前沿闭源模型，而不是中国模型已经获得无条件的全球第一。

这个区别很重要，但并不会削弱 K3 的意义。

2.8 万亿参数，月之暗面把开放权重模型做到了 3T 级

Kimi K3 是月之暗面发布的新一代旗舰开放权重基础模型。 开放权重模型是指开发者可以获取模型参数并自行部署、微调或研究的模型，它不必然等同于在数据、训练代码和许可证层面全部开放的传统开源软件。

K3 的总参数量达到 2.8 万亿，是首批跨入 3T 规模区间的开放权重模型之一；它支持 100 万 Token 上下文，并原生具备图像和视频理解能力，主要面向长周期编程、复杂知识工作与智能体任务。

2.8 万亿参数不等于每次生成都要完整计算 2.8 万亿参数。 K3 采用高稀疏度混合专家架构，即 MoE：模型内部拥有大量专家模块，但每个 Token 只调用其中少量专家。社区披露的信息显示，K3 配置了 896 个专家，每次推理激活 16 个，激活比例约为 1.79%。这就像一家拥有近 900 名专科医生的医院，每个病例只召集最相关的 16 人会诊，既保留庞大的知识容量，也避免让所有参数同时参与计算。

| 指标 | Kimi K3 | 含义 | |---|---:|---| | 总参数量 | 2.8 万亿 | 决定模型可容纳的知识与能力上限之一 | | 上下文窗口 | 100 万 Token | 可一次处理大型代码库、长文档和连续任务记录 | | 专家数量 | 896 个 | MoE 架构中的专业子网络数量 | | 单次激活专家 | 16 个 | 每个 Token 实际参与计算的专家数 | | 原生模态 | 文本、图像、视频 | 可把界面截图、图表和视频内容纳入任务判断 | | Frontend Code Arena | 1679 分 | 当前公开榜单第一 | | 百万 Token 解码加速 | 最高 6.3 倍 | 相比传统长上下文方案的官方数据 | | 扩展效率提升 | 约 2.5 倍 | 相比前代模型的整体优化结果 |

K3 真正值得关注的不是参数纪录，而是这 2.8 万亿参数能否被有效调动。 大模型行业已经多次证明，单纯堆参数并不自动转化为更好的实际体验；如果路由不稳定、长上下文成本失控，超大 MoE 甚至可能成为昂贵而迟钝的系统。K3 能进入全球前三并登顶代码榜，说明月之暗面至少初步解决了超大规模、长上下文和推理效率之间的矛盾。

KDA 和 AttnRes，解决的是“读得长”和“传得深”

Kimi Delta Attention 是月之暗面为长序列计算设计的混合线性注意力机制。 传统 Transformer 的标准注意力会让计算量随着上下文长度近似平方增长，输入从 10 万 Token 扩展到 100 万 Token，计算压力并不是简单增加 10 倍，而可能迅速膨胀到难以接受的程度。

KDA 的价值是让百万 Token 不只停留在规格表上。 月之暗面公布的数据显示，K3 在百万 Token 场景下最高可获得 6.3 倍解码加速，同时降低显存占用与计算开销。对开发者而言，这意味着模型更有机会直接读取完整代码仓库、需求文档、测试日志和历史对话，而不是先用另一个模型把材料压缩成摘要，再冒着信息损失的风险继续工作。

Attention Residuals 是一种重新组织深层网络信息传递方式的注意力残差结构。 普通残差连接更像把所有历史信息汇入同一条主干道，网络越深，早期有价值的信息越容易被稀释；AttnRes 则让模型对不同层的信息进行更有选择的读取和组合，使重要信号能够跨越更深的网络继续发挥作用。

AttnRes 用不到 2% 的额外成本换来了约 25% 的训练效率提升。 这类改进没有增加一个显眼的产品按钮，却直接影响超大模型能否稳定训练。对 2.8 万亿参数模型来说，哪怕训练效率只提升几个百分点，折算成计算资源和迭代周期都可能是巨大的差异。

Stable LatentMoE 则承担了“装得更多但不要算得更多”的任务。 KDA 负责降低长序列成本，AttnRes 负责改善深层信息流，Stable LatentMoE 负责扩大参数容量并控制激活规模，三者共同构成了 K3 的技术骨架。简单概括，就是让模型读得更长、传得更深、容量更大，同时尽量不把推理成本推到不可用的水平。

1679 分背后，K3 赢在前端任务的完整交付

Frontend Code Arena 的优势在于测试结果可以直接被人看见和操作。 传统代码基准往往检查一道算法题是否通过测试，而前端竞技榜更关心模型能否把模糊需求转化为可用产品，包括布局、交互、视觉一致性、图表呈现和功能完成度。

公开结果显示，K3 在前端榜拿到 1679 分，并在数据与分析、内容创作工具、设计等 7 个细分领域中的 6 个排名第一。另一组代码对战数据中，K3 获得 76% 的胜率，高于 Claude Fable 5 的 63% 和 GPT-5.6 Sol 的 58%。

| 模型 | Frontend Code Arena 表现 | 代码对战胜率 | 权重形态 | 当前判断 | |---|---:|---:|---|---| | Kimi K3 | 1679 分，第 1 | 76% | 开放权重 | 前端编程领先，综合能力全球前三 | | Claude Fable 5 | 低于 1679 分 | 63% | 闭源 | 综合能力仍处于最前沿 | | GPT-5.6 Sol | 未登顶该榜 | 58% | 闭源 | 综合能力仍处于最前沿 | | Claude Opus 4.8 Max | 已被 K3 在多项评测超过 | 未披露 | 闭源 | 发布时间早于 K3 约一个半月 |

K3 的强项已经从“写一段代码”转向“维持一个长期工程过程”。 智能体编程是指模型不只生成代码，还能读取仓库、调用工具、执行测试、观察报错，并根据反馈连续修正方案。它考验的不是一次回答有多漂亮，而是模型能否在几十乃至上百个步骤中保持目标、管理状态并真正完成任务。

百万上下文和原生视觉能力在前端开发里形成了直接配合。 K3 可以同时阅读组件代码、设计规范、浏览器截图和测试日志，再根据页面实际效果修改布局。例如，一个模型如果只看源代码，可能认为按钮已经正确渲染；具备视觉能力的模型则可以从截图中发现按钮被遮挡、对比度不足或移动端布局溢出。这也是前端榜对多模态模型更有区分度的原因。

K3 目前仍存在生成速度可能落后于 Fable 5 的反馈。 榜单分数通常衡量结果偏好，不完全反映首字延迟、持续输出速度、工具调用稳定性和高并发能力。少量早期体验显示，K3 的生成速度与 Fable 5 仍有差距，但现阶段样本不足，尚不能把它视为普遍结论。

综合排名第三，比“单榜第一”更能说明问题

K3 在综合评测中最合理的位置是全球前三，而不是绝对第一。 第三方机构 Artificial Analysis 的智能指数显示，K3 从上一代 Kimi K2.6 的第 17 名跃升至第 3 名，仅次于 Claude Fable 5 和 GPT-5.6 Sol，单代提升 14 个名次。

知识工作成绩说明 K3 已经越过 Claude Opus 4.8 这一重要参照线。 GDPval-AA v2 是面向真实职业任务的评测，覆盖 44 类职业和 9 个行业，包括研究分析、商业判断与专业写作；K3 得到 1687 分，高于 Claude Opus 4.8 Max 的 1600 分，仅次于 Claude Fable 5 Max 和 GPT-5.6 Sol Max。

智能体知识工作评测进一步确认了 K3 的长流程优势。 在 AA-Briefcase 中，K3 得到 1527 分，排名仅次于 Claude Fable 5 Max，并超过 GPT-5.6 Sol Max；在 BrowseComp 信息检索测试中，K3 得到 91.2 分。对于需要搜索、筛选、交叉验证和整理大量资料的任务，这组数据比单纯知识问答更有参考价值。

| 评测 | Kimi K3 | 对比结果 | 主要测量能力 | |---|---:|---|---| | Frontend Code Arena | 1679 分 | 全球第 1，超过 Fable 5 | 前端生成与用户偏好 | | Artificial Analysis 综合指数 | 全球第 3 | 仅次于 Fable 5、GPT-5.6 Sol | 综合智能水平 | | GDPval-AA v2 | 1687 分 | 超过 Opus 4.8 Max 的 1600 分 | 真实职业知识工作 | | AA-Briefcase | 1527 分 | 第 2，超过 GPT-5.6 Sol Max | 智能体知识工作 | | BrowseComp | 91.2 分 | 第一梯队 | 长流程搜索与信息检索 |

不同评测之间出现名次差异是正常现象。 模型可能擅长前端视觉实现，却在严谨数学证明上稍弱；也可能拥有很高的任务成功率，但生成速度或调用成本不够理想。真正面向生产环境选型时，开发者需要同时考察任务成功率、延迟、价格、上下文稳定性和部署条件，而不是只看一个总分。

K3 打破的不是榜单纪录，而是“固定落后半年”的时间表

K3 发布后，中美前沿模型差距被重新估计为 2—3 个月。 据 IT之家转述彭博社报道，加州大学伯克利分校计算机科学教授 Ion Stoica 表示，过去业界认为中国开放模型落后最先进模型约 6—9 个月，而现在差距可能已经缩小至 2—3 个月。

Anthropic 高管此前给出的判断是其技术领先中国竞品 6—12 个月。 K3 距 Claude Opus 4.8 发布只有约一个半月，却已经在多项综合、知识工作和智能体评测中超过后者，并在前端榜击败更新、更强的 Fable 5。至少从公开结果看，所谓稳定半年的代差已经不再成立。

美国模型仍然领先，但领先方式已经从全面压制变成局部互有胜负。 Claude Fable 5 和 GPT-5.6 Sol 依然占据综合能力前两名，闭源实验室在训练基础设施、产品成熟度、安全系统和全球企业服务方面也有明显积累；然而，中国模型已经可以在代码、长上下文、知识工作和成本等单项能力上拿到第一，而不是只能用低价格换取次一级性能。

这种变化会迫使闭源模型厂商更清楚地证明溢价。 当企业可以通过模型路由系统按任务自动选择模型时，最强模型不再天然获得全部请求：复杂推理交给顶级闭源模型，前端生成交给 K3，简单抽取交给更便宜的小模型。每个模型都必须证明自己在特定任务上的成功率提升足以覆盖额外成本。

价格不算便宜，但能力已经足以支撑竞争

K3 的官方服务定价显示，月之暗面没有把它定位成纯粹的低价模型。 每百万 Token 的缓存命中输入价格为 2 元，未命中输入为 20 元，输出为 100 元。它明显贵于部分主打低成本的中国模型，但仍低于同级别的海外旗舰闭源模型。

| 模型 | 缓存命中输入 | 未命中输入 | 输出 | 定价判断 | |---|---:|---:|---:|---| | Kimi K3 | 2 元/百万 Token | 20 元/百万 Token | 100 元/百万 Token | 接近海外中高端模型，低于顶级旗舰 | | DeepSeek V4 Pro | 0.05 元/百万 Token | 6 元/百万 Token | 12 元/百万 Token | 输出价格约为 K3 的 12% | | Claude Opus 4.8 | 未按同口径披露 | 高于 K3 | 高于 K3 | K3 约为其成本的 60% | | Claude Fable 5 | 未按同口径披露 | 约为 K3 数倍 | 约为 K3 数倍 | 整体价格超过 K3 的 3 倍 |

K3 与 DeepSeek 的差异已经不是简单的国产模型价格战。 按已披露价格计算，K3 未命中输入是 DeepSeek V4 Pro 的约 3.33 倍，输出约为后者的 8.33 倍，缓存命中输入则达到 40 倍。月之暗面显然希望用更强的复杂任务完成率和百万上下文能力换取更高单价，而不是争夺所有低成本请求。

企业真正需要计算的是完成一次任务的总成本。 如果便宜模型需要反复重试 5 次，而 K3 一次即可完成，那么后者即使单 Token 更贵，也可能更划算；反过来，如果任务只是摘要、分类或结构化抽取，使用 2.8 万亿参数模型就像开重型卡车送一份文件，成本和延迟都不合理。

开放权重比榜单第一更具长期影响

K3 对 OpenAI 和 Anthropic 的压力主要来自开放权重，而不是 1679 分本身。 榜单位置可能在几周后被新模型刷新，但一个达到全球前三水平、允许企业自行部署和改造的模型，会进入大量内部代码、行业数据和本地工作流，并逐步形成难以迁移的开发者生态。

开放权重让 K3 能够进入闭源服务难以覆盖的场景。 金融、制造、政务和科研机构可能不愿把完整代码仓库或敏感文档交给外部模型；游戏公司也可能需要针对自有引擎、素材和脚本进行深度适配。对这些用户而言，模型能否被部署在可控环境中，与榜单分数同样重要。

K3 也让超大开放模型的部署门槛变得更突出。 2.8 万亿总参数意味着完整部署需要庞大的显存、存储与高速互联基础设施，即使每次只激活 16 个专家，也不代表普通工作站能够轻松运行。开放权重解决的是可控性和可修改性，并不会自动解决硬件成本问题。

开发者短期内最值得验证的是三类场景。 第一类是包含数十万行代码的大型仓库理解，观察 K3 能否跨文件追踪依赖并稳定修改；第二类是根据设计图或现有页面完成前端重构，验证榜单优势能否转化为真实交付；第三类是持续数小时的智能体任务，重点检查模型是否会偏离目标、重复调用工具或在失败后无法恢复。

结论：不是全面超越，但已经进入同一张牌桌

Kimi K3 的核心突破是让中国开放权重模型首次在重要代码榜上击败 Claude Fable 5。 1679 分的 Frontend Code Arena 第一、综合智能指数第三、2.8 万亿参数和 100 万 Token 上下文，共同证明它不是一次依靠单项技巧获得的偶然胜利。

Kimi K3 仍不能被描述为全面领先全球。 Claude Fable 5 和 GPT-5.6 Sol 在综合能力上依然领先，K3 的实际生成速度、超长任务稳定性和大规模部署成本也需要更多独立测试。但当一个中国开放权重模型能够在部分任务上赢 Fable 5、在综合评测中超过 Opus 4.8 时，“美国模型领先半年以上”已经不再是一条可靠规律。

这更像一个新的 DeepSeek 时刻，但竞争焦点已经升级。 上一次行业讨论的是中国模型能否用更低成本逼近前沿能力，这一次的问题变成了：中国模型能否在保持开放和成本优势的同时，直接拿下一线任务的全球第一。Kimi K3 给出的答案是，至少在前端编程这件事上，可以。

参考来源

• IT之家：Kimi K3 登顶全球榜单后，彭博社称美国 AI 领先中国的固有认知被打破——包含 Frontend Code Arena 1679 分、行业评价及中美模型差距变化。
• 知乎：国内最大模型月之暗面 K3，网友实测称超 Fable 5 与 GPT-5.6——补充 K3 在 GDPval-AA v2、AA-Briefcase 等评测中的表现。