Kimi K3突然登顶！前端代码打败Claude Fable 5，价格也涨到了美国档

出品 | 网易智能

作者 | 辰辰

编辑 | 王凤枝

国产大模型也不便宜了。15美元一百万token，和Claude Sonnet 5一个价。

7月16日晚，月之暗面发布Kimi K3：2.8万亿参数，100万token上下文，原生多模态，是目前全球参数最大的开源模型。

Kimi K3已同步上线网页端、手机App、Kimi Work、Kimi Code和API，企业版也已开放。目前默认只提供最高思考强度，低、高档位将在后续更新中加入。

上线不到一天，Kimi K3便以1679分登顶Arena.ai前端代码竞技场，超过Claude Fable 5的1631分和GPT-5.6 Sol的1618分。

然后是价格。每百万缓存命中输入token 0.30美元，未命中输入3美元，输出15美元。后两项与Anthropic Sonnet 5完全相同。

中国大模型，第一次照着美国大模型的价目表收钱。

从第18名到第1名

先说清楚这张榜单是什么。

Arena的前端代码竞技场，不是实验室里算出来的分数。它用的是Elo对战机制，和国际象棋排名同一套逻辑：真实开发者提交真实的编程任务，两个匿名模型各交一份答案，开发者盲选哪份更好。投票的人，不知道自己在给谁投票。

由于模型身份被隐藏，这类盲测能减少品牌和先入印象对投票的影响，比厂商自报的榜单更接近真实用户的偏好。

7月16日，K3在这张榜单上首秀：1679分，直接第一。Claude Fable 5，1631分，第二。GPT-5.6 Sol，1618分，第三。

在K3发布前的榜单快照里，月之暗面的上一代模型K2.6，约排在第18位。

一代产品，跳了17个位次。

跳级的这个家伙，什么来头？

先看体量。2.8万亿总参数，是上一代1万亿的近三倍。开放权重模型的体量纪录，此前由DeepSeek V4 Pro的1.6万亿保持，这次直接高出四分之三。按月之暗面自己的说法，过去十二个月里，有九个月，开放模型的尺寸上限都是Kimi在守。

它是个混合专家模型，896个专家里每次只激活16个，不是所有参数同时干活，谁的活谁上。上下文窗口100万token，大约对应75万个单词，足以一次处理大型代码库、长文档或多份研究材料，实际能装多少取决于代码和文档的结构。原生支持视觉能力，可以结合截图和视觉反馈完成任务。

架构上的两项更新，官方推文给过两个数字：Kimi Delta Attention（KDA），在百万token场景下最高带来6.3倍解码加速；Attention Residuals（AttnRes），用不到2% 的额外计算，换取约25% 的训练效率提升。官方发布文章里另有一笔总账：同样的算力，K3把它变成智能的效率，是上一代的2.5倍。三个数字都出自月之暗面自己，独立验证要等权重公开之后。

所有这些改动，冲着一件事去：长程编程，让模型自己翻仓库、调工具、看报错、改代码，连续工作几小时不用人管。

前端代码榜第一，就是这套设计交出的第一份成绩单。

而且不止这一张。据Axios报道，在Arena更大盘的文本排名里，K3同样压过了Opus 4.8的标准版，并跟GPT-5.6 Sol打平。几周之前，Opus 4.8还是一个站在行业最前沿的模型。

今年1月，月之暗面完成5亿美元C轮融资，估值43亿美元。据报道，这笔钱用于扩充算力和推进K3的研发。

月之暗面承诺，7月27日之前公开全部模型权重。

官方很冷静

热搜在狂欢，官方公告却在泼冷水。

月之暗面自己的发布文章里，白纸黑字写着一句大多数厂商绝不会写的话：

"其整体性能仍落后于最强的闭源模型Claude Fable 5和GPT-5.6 Sol。"

第一还不是我们。

但除了那两个，全都赢了。

不过有个前提：这些自测并非全部在同一种智能体框架下完成，不同的基准分别用了 Kimi Code、Claude Code或 Codex。条件没有完全对齐，这些成绩更适合看趋势，当不成严格的裸能力对比。

第三方数据很快跟上。独立评测机构 Artificial Analysis给 K3的智能指数打出57分：低于 Claude Fable 5（60分）和 GPT-5.6 Sol（59分），高于 Opus 4.8（56分）。

数据比官方还诚实。

在衡量真实工作能力的 GDPval v2上，K3的 Elo冲到1668，上一代 K2.6只有1190。在模拟办公自动化流程的评测上，K3直接拿了第一。它还比上一代少用21% 的 token跑完了全部测试，分数反而高出13分。

但 Artificial Analysis也补了一刀：K3的答题准确率从33% 涨到了46%，幻觉率却从39% 涨到了51%。

它答对了更多问题，它也编造了更多答案。

更准确地说：它变得更敢答了。知道的，答得更多；不知道的，也更倾向于硬着头皮往下写，而不是承认不知道。

还需要交代一句：这组数字，是 K3和上一代的纵向对比。横向的坐标，Fable 5们在同一口径下的幻觉率，报道里没有给出。51% 算行业常态，还是明显偏高，暂时没有答案。

发布公告里还有一个容易被划过去的细节：在 K3研发后期，团队大部分的 GPU内核优化工作，是由一个早期版本的 K3自己完成的。 这个模型，参与了制造它自己。

用 AI写底层计算代码，行业里早有先例。它的分量在于：在2.8万亿参数这个体量上，自己造零件，自己用。

一只25美分的鹈鹕

榜单之外，民间的手工评测在同步进行。

老牌开发者西蒙·威利森（Simon Willison）的保留节目，是让每个新模型画"一只骑自行车的鹈鹕"。K3画得不错：鹈鹕戴着红围巾，橙色脚蹬踩着踏板，身后拖着速度线。

但这只鹈鹕花了25美分。

95个输入 token，换来16658个输出 token，其中13241个是"思考"。一只鹈鹕，当然不算标准化的成本测试。但它直观暴露了一个问题：K3目前只有一个思考档位，顶格。它不会省着想。

一位叫 Max Blade的开发者，用 K3写了一局网页游戏。30多分钟，一条提示词，烧光了整整20美元的订阅额度。这位开发者的结论分裂得很诚实：

"贵，而且很慢。但是天哪……这个输出里真的有 Fable 5那种魔法。"

另一位开发者 LASCHUK做了个更狠的对照实验：单条提示词克隆苹果官网首页，一次成型，不给任何帮助。

K3做完，花了0.44美元。Fable 5做完，花了0.94美元。

要知道，Fable 5的定价是每百万 token收10美元和50美元，全市场最贵。K3用不到一半的钱，交出了同样的活。LASCHUK 的问题很扎人：

"那我多付的那部分溢价，到底买的是什么？"

画只鹈鹕，25美分。写一局游戏，20美元。克隆苹果官网，0.44美元。同一个模型，三张账单。K3的成本不取决于标价，取决于它在每个任务里想多久。

争的不是强不强，

是值不值

现在说回价格。

K2.6的定价是输入0.95美元、输出4美元。K3直接跳到3美元和15美元，翻了三倍多。Simon Willison 认为，这是中国 AI 实验室迄今发布的最昂贵模型之一。

这个价格，可以有两种读法。往姿态读，是主动对标美国头部模型的价目表；往成本读，2.8万亿参数加顶格思考，token 消耗摆在那里，官方自己都说是靠新架构和缓存优化才把价格压到"有竞争力"的水平。哪种成分更大，外人分不清。但对用户来说结果一样：便宜，不再是它的卖点。

按 Artificial Analysis 的口径，K3跑完一个任务平均花0.94美元，和 GPT-5.6 Sol 的1.04美元同一个档位，只有 Opus 4.8的一半。但在开放权重阵营内部，它贵得刺眼，同样的活，GLM-5.2只要0.32美元，DeepSeek V4 Pro 只要4美分。当然，这些对比只是量级参考，实际成本还受缓存命中率、输出长度和思考 token 量的影响。

最早一批开发者的评价，迅速分化。

主流编程智能体 Cline 的官方账号说，这是"开放权重模型改变游戏规则的里程碑"，benchmark 追平 GPT-5.6和 Fable 5，价格却停在 Sonnet 5的水平。

反对的声音更直接。"以现在这个定价，它属于垃圾桶。"一位用户写道。另一位自己算了笔账，算得比三倍多还狠："五倍的价钱。Moonshot，我们这是在干什么？这个模型一旦不拼价格，基本就不抗打。"

还有人在给狂热降温。开发者丹·麦卡蒂尔（Dan McAteer）泼得最冷："K3不是 Fable 级别的。抱歉了各位。"这位开发者提醒：很多开源模型的基准测试成绩，通常好于真实使用表现；Fable 5.1据传已经就绪；GPT-6也比想象中近。结论是，中国还落后4到5个月，美国的实验室不需要那么慌。

几派吵成一团。但所有人都没有否认同一个前提：K3够强，强到可以坐上牌桌。

争论的从来不是它配不配坐下，而是它坐下之后收的台费。

一年前，没有人会跟一个中国模型认真讨论"值不值这个价"。

能被讨价还价，就已经是变化。

美国开始重新计算领先时间

Axios 在报道里用了两个词：科技圈的"敬畏"，和硅谷与华盛顿的"警报"。

Mozilla 的 CTO 拉菲·克里科里安（Raffi Krikorian）说得更直白："现在，这就是一个中美竞争的问题。"

给出的论据很经济学。据 Axios 转述，在克里科里安看来，美国 AI 实验室的 CEO 们正在华盛顿游说限制开放权重模型，一个由中国公司领跑的类别，而这个动作本身就说明，他们已经把这条技术路线当成了重要的产业和政策变量。

游说的动机当然不止一个：安全、商业、地缘，都可能在里面。但不管哪个占主导，结果都一样，开放权重模型已经被当作需要管控的力量。

真正被反复掂量的，是时间差。

一条日语推文里的测算是这样的：过去大家说中国模型落后美国6个月，现在看，只剩1.5个月左右。X 用户 Jukan 的结论更进一步：K3可能是第一个把与美国头部闭源模型的差距缩到3个月以内的模型。

最保守的麦卡蒂尔，给的数字是4到5个月。

注意这个区间。1.5个月、3个月、4到5个月，这些数字都不是严谨测量，是一个个主观判断。

但讨论的单位，已经从"年"缩短到"月"。 这本身反映的，是外界对中国模型进步速度的重新判断。

也需要诚实说一句：K3上线才几十个小时，所有第三方数据都来自最早一批测试，病毒式传播的演示可能夸大它在真实工作里的稳定性。权重要到7月27日才公开，在那之前，没有人能把这个2.8万亿参数的庞然大物搬回家亲手验证，包括它的美国同行。

K3的发布时间，恰好临近2026世界人工智能大会在上海开幕。这也让这次发布，获得了超出一次产品上线的产业和政策关注。

被讨价还价，

是上了牌桌才有的待遇

回到开头那句话。

中国模型的"白菜价"标签，在 K3这里开始失效。

对用惯了低价中国模型的开发者，这是个坏消息。但对月之暗面，这可能恰恰是它要的结果。当所有人都在争论你值不值15美元的时候，就没有人再问你做不做得到了。

K2.6便宜，没人算它值不值。

K3贵了，全世界都在帮它算账。

被讨价还价，是上了牌桌才有的待遇。