Kimi K3很厉害，但没到DeepSeek 2.0时刻

上个周末，Kimi K3的发布占领了海外AI圈。

一个还没有成为世界第一的中国模型，却让开发者、投资人和整个市场同时紧张起来。有人测试它的能力，有人拿它挑战Claude；有人担心闭源模型的生意；还有人已经拿它讨论中美AI竞争。

评测机构arena.ai整理出了中美各个时期代表大模型的前端代码能力差距。25年1月，DeepSeek的得分第一次和Claude持平；而这一次，Kimi K3作为中国大模型的代表第一次超过了美国大模型。

DeepSeek时刻2.0，好像真的来了。

01 K3刷屏，市场先动了

上周末打开X，刷十条消息，八条都在聊K3。

有人让它写游戏、做网页、改代码；有人只用三轮对话，就生成了一座小镇，有人用一个提示词直接做了个自己的《我的世界》；还有人把它接入Claude Code，和Claude对比后当场改口：“我看错K3了。”

有人说，K3的进步之快看起来已经不是蒸馏能完成的了；有人说，K3的开源对整个AI产业都是好消息，唯独对OpenAI和Anthropic这样的闭源模型公司不是；有人说，中国模型远远落后的时代结束了；有人开始重新审视美国的算力护城河；还有人把K3的出现直接上升到美国的数据中心政策和中美AI竞争。

开发者还在测试，社区还在讨论，资本市场已经先做出了反应。K3发布之后，美国半导体、存储等AI硬件股大跌。纳斯达克和纽交所的官方复盘，都把K3列进了当周市场担忧的解释。

看到这一幕，很难不想起2025年初。DeepSeek-R1发布一周后，英伟达一天之内下跌16.97%，市值减少5940亿美元。纳德拉承认它做出了“真正的创新”，扎克伯格希望把其中一些进展用进Meta的系统，Azure、GitHub、AWS和NVIDIA也迅速接入了R1。

而现在，根据彭博社消息爆料，微软已经开始测试Kimi K3，以替代目前 Copilot 接入的GPT和Claude。

Kimi K3的出现，又一次缩小了中美大模型能力的差距，那K3到底已经追到哪了？

02 美国的领先，可能只剩下几周了

长期研究中美科技竞争的 Jimmy Goodrich 说，美国人原以为自己领先两年，现在看，在模型、尤其算法层面，更像三到六个月。

K3发布后，美国企业研究所研究员 Ryan Fedasiuk 已经把差距描述为“只落后几周”。另一个更直观的参照是 Sol：GPT-5.6 Sol 在 7 月 9 日发布，K3 在 7 月 16 日上线；Artificial Analysis 的榜单给了 Sol 59 分、K3 给了57 分。在GPT-5.6 Sol发布的一周后，K3就已经追上了他的脚步。

震惊之余，很多人给它的实际表现画上了问号。K3的能力，到底强到什么地步？

Kimi 官方公布了 35 项测试，覆盖代码、Agent、推理、知识和视觉。在它列出的头部模型中，K3 有 26 项进入前两名。

模型评测领域最重要的参考之一 Artificial Analysis 把代码、Agent、科学推理等多项能力合成一个综合指数。K3 发布时拿到 57 分，排在第三，只落后 Fable 5 和 GPT-5.6 Sol。

在另一家独立评测机构 Vals 的榜单上，K3同样排到了第二。拆开来看，它在公共福利任务上拿到第一，在Vibe Code、企业金融上排名第二，在法律研究中排名第三。换了一套题，也换了一家评测机构，K3依然反复出现在榜单前列。

至于代码能力。DeepSWE 让各种模型去完成 113 个真实的工程任务。K3 得分 69%，最高的 Sol 是 73%，Fable 5 是 70%。

可是这些分数会不会是刷出来的？

当然可能。公开题会进入训练数据，厂商可以针对题型优化，也可以给自己的模型更多思考时间和重试机会，再挑出最漂亮的项目发布。因此，任何一张榜单都不值得单独迷信。

但 K3 面对的，不只是一张榜。官方测试、第三方综合评测、持续更新的新题，再加上各种复杂的工程任务，几套测试给出的结论其实差不多：它已经站进了第一梯队。这些测试并不完全独立，也不能保证每一个分数都没有水分。但如果 K3 只是背过题，一旦题目、评分方式和运行环境都换掉，就很难还在这么多榜单上反复靠前。一两个榜单的前列会让人怀疑是不是刷榜，但是三四个呢？五六个呢？K3在六个榜单评测都取得了前三名，只是靠刷榜，很难做出这样的成绩。

榜单里的能力，也已经有人拿到真实项目里试了。跑分之外，公开实测里的任务更杂：从零开始写2D物理引擎和游戏，完成Next.js项目生成与迁移，搭建并部署IMDb台词找片网站、arXiv检索站和Three.js游戏，分析足足82万行的代码库，从头制作一条包含研究、配音、双语字幕和剪辑的宣传片，还有人一口气让它做了50个前端创意项目。K3已经不只会解一道代码题，而是能在一部分长任务里持续调用工具、修改代码，最后交出能运行的成品。

K3的发布，真的让国产大模型和美国顶级模型梯队的差距缩减到了几周的时间。可是Kimi为什么能追得这么快？如果模型能力只由芯片和算力决定，K3本不该这么快追进第一梯队。它真正动摇的，不只是榜单上的名次，而是人们对大模型护城河的判断。

03 大模型训练，真的有护城河吗？

硬件的工艺和系统是有护城河的，阿斯麦的光刻机其他公司做不出来，台积电量产2nm的工艺也是独一无二的，至于英伟达，GPU架构的成功难以复制，CUDA和整套开发生态也建立了一条非常深的护城河。

如果模型、数据、训练量和计算设置完全相同，芯片的差距会导致的是速度变慢，并不会让同一个模型天然变笨。今年年初Heehoon Kim, Jaehwan Lee等的研究也证明了，相同训练配置下，用不同GPU芯片训练同一个LLaMA-1B模型，模型的最终效果基本一致，差的更多只是速度。

但是实际情况是：团队运转的预算有限、模型发布的日期也是越快越好，所以团队可能只能缩小模型、减少训练数据，或者少做几轮实验，导致模型的效果变得不及预期。

不只是模型的训练阶段会受到芯片算力不足的限制。当模型上线后，如果芯片算力不足，也会导致回答更慢，或是思考变短、进一步导致回答的正确率变低。这也是Kimi现在面临的真实困境——算力不足，所以只能暂停新用户的订阅，保证已经订阅了的用户能体验到更快的、回答更正确的模型。

但大模型领域的护城河似乎不那么牢靠。论文的发布会公开新的训练方法，开源模型的发布也会公开模型权重。一个新方法只要被证明有效，很快就会被研究、复现、改造，再用到下一批模型上。

这种事情已经发生过不止一次。2022年，OpenAI把InstructGPT的训练流程写进论文：先做监督微调，再训练奖励模型，最后利用人类反馈做强化学习。第二年，Meta在Llama 2的技术报告里也公开采用了监督微调和强化学习。方法一旦被写清，就很难继续只留在一家公司的训练室里。

DeepSeek-R1之后，这个过程更快。DeepSeek公开论文和权重一周后，Hugging Face便启动Open-R1，开始补齐DeepSeek没有公开的训练代码和数据。后来这个项目又公开了自己的训练脚本和蒸馏模型。领先者走通一条路，后来者就可以从这条路的中间继续往前走。

可见，模型的训练、优化方法很难建立起牢靠的护城河，所以 OpenAI、Anthropic 这些顶级闭源大模型公司需要时刻紧绷神经、持续防守他们的优势。更麻烦的是，闭源也不能完全阻止能力扩散。论文和权重可以不公开，但模型只要向外提供服务，它的输出就可能成为竞争者研究和训练的材料。Anthropic从数百个“欺诈账户”里发现了超过 340 万次 Claude 交互，并把这些活动归因于 Moonshot。它为此部署分类器、跨账户识别，甚至会把部分可疑请求交给旧模型回答。

Anthropic 的这份指控非常能说明他们在担心什么：竞争者很可能快速追赶自己，而这种风险需要长期投入资源防守。

Claude 和 ChatGPT 当然仍有护城河。它们有更多算力、更成熟的产品、更稳定的服务和更大的用户入口。但这些优势能守住公司，不一定能永远锁住某一种模型能力。

物理世界的领先，可以被工厂、供应链和生产经验固定很多年。模型能力的领先，却只能靠更快的下一次迭代继续维持。因为领先者每一次公开、交付和使用自己的模型，也可能给后来者留下一条更清楚的路。

K3 确实还不是世界第一，但它只要追得足够近，让开发者有了个可以离开第一的选择，就已经改变了这场竞争。

顶尖大模型的王座，攻下确实不易，但是守住更难。

来源 | 硬核看板（ID：yinghekb）

作者 | 王芮 ; 编辑 | 虾饺

内容仅代表作者独立观点，不代表早读课立场