实测Kimi K3：国产模型见过能打的，没见过这么敢要价的

1679分。

今天凌晨看到Arena AI更新Frontend Code Arena榜单时，我第一反应是有点意外。刚刚发布的Kimi K3，压过了Claude Fable 5的1631分和GPT-5.6 Sol的1618分，排在全球第一。

Code Arena的机制是公开盲测：同一道前端任务交给两个匿名模型，用户实际体验两个结果后投票，投完才知道自己选的是谁。百万级用户参与，品牌影响被削弱。换句话说，至少在强调视觉呈现和交互实现的前端编程场景里，K3已经坐到了目前最靠前的位置。

不止这一张榜，Artificial Analysis Intelligence Index，一个覆盖推理、编程、知识等能力的综合评测，K3拿到57分，排第三，仅次于Fable 5和GPT-5.6 Sol，领先Opus 4.8和GPT-5.5。在七个前端细分领域中，K3拿下六个第一，仅在游戏领域落后Fable 5。

一个刚发布的开源模型，轻松超过多款闭源旗舰，说实话，第一反应是不太敢信。

所以我们花了一天的时间，给K3上了七个维度的测试。不测官方案例，全部原创prompt。其中3D浮岛测试直接复用了十天前测GPT-5.6四模型的同一道题，当场对决。

先说结论：K3很强，但强得有点偏科。它是目前我们测过的前端编码能力最强的模型，没有之一。同时它也是我们见过的定价最大胆的国产开源模型。

全球最大开源模型，2.8万亿怎么炼成的？

先讲清楚这是什么。

K3是月之暗面7月16日发布的旗舰模型，2.8万亿参数，MoE架构，896个专家中每次激活16个，原生视觉理解，100万token上下文窗口。完整权重计划7月27日前开源，届时将是全球最大的开源权重模型。

架构上有两个核心创新，一个是Kimi Delta Attention，混合线性注意力机制，让模型处理超长序列时不会被计算量拖死。另一个是Attention Residuals，有选择地跨深度检索信息，不是简单在各层均匀累积。一个管技术长度，一个管技术深度，合起来撑住了万亿级以上的参数规模。

配合Stable LatentMoE框架和训练方法的优化，官方博客称整体扩展效率相比K2提升了约2.5倍。

能有多强？除了前面说的两张榜，我们再列几个硬核数字：

FrontierSWE拿到81.2分，Opus4.8是66.7，SWE Marathon拿到42.0分，当前所有模型最高。Program Bench77.8分，略超Fable 5的76.8。DeepSWE 67.5分，接近Fable 5的70.0和GPT-5.6 Sol的73.0。在官方GPU内核优化竞技场里，max思考强度下K3的表现接近Fable 5，明显领先Opus 4.8和GPT-5.6 Sol。

更离谱的是，K3从零写出了一套GPU编译器。这个叫MiniTriton的项目，基于MLIR构建了tile级中间表示层，实现了完整优化pass到PTX代码生成的流水线。在支持的Roofline基准测试中，性能达到甚至超越Triton和torch.compile。这不是生成几个孤立的内核函数，是搭起了一套真正可用的编译器栈。

月之暗面官方的态度倒是很坦诚，博客里直接写了：「虽然Kimi K3的整体表现仍落后于最强的闭源模型Claude Fable 5和GPT-5.6 Sol，但它在我们的整套评测中展现出前沿水平的能力，并稳定超过了其他所有模型。」

这种坦诚在国产大模型的发布公告里，属实少见。但谦虚归谦虚，K3端上桌的能力，分量一点不轻。

不过跑分是一回事，真正用起来是另一回事，我们决定自己测。

七个维度实测，K3到底行不行？

我们给K3准备了七项测试：从零生成互动应用、3D浮岛作品集、需求矛盾判断、竞态条件Bug调试、长程定价分析、极简禅意美学设计、台球物理推理。每一项的prompt都是原创设计，不和社区demo撞车。

赛博朋克地下诊所：一次过

第一项测试，要求K3从零搭建一个赛博朋克地下诊所互动叙事页面。2049年的非法AI义体医生，霓虹灯管、雨夜窗景、全息投影UI。三位患者各有隐藏故事线，诊断消耗义体零件库存，至少三种结局。八个硬性要求，涵盖视觉设计、状态管理、分支叙事、动效和自测。

K3一次就过了。

生成结果令人惊喜，暗绿和紫色的霓虹配色非常到位，雨滴动效和全息界面扫描动画执行流畅。三位患者的外观描述、症状和隐藏故事线清楚分明，诊断选项确实导向了不同结局。义体零件库存系统运作正常，零件耗尽确实影响了可选诊断方案。

更让人意外的是可玩性，这本质上是一个文字向策略游戏，在看诊过程中你需要根据有限信息做判断，选对药、选对方案。我们反复测试了所有分支，三个结局全部可达。K3还主动加了氛围音效的文字标注，prompt里只要求标注音效位置，它把音效描述写得很具体。

这个案例其实透露了K3在前端生成上的两个核心优势，一是对复杂状态管理的掌控力，库存、分支、多结局这三层状态叠加在一起，没有出现逻辑混乱。二是审美确实在线，暗绿和紫色的霓虹配比没有做成廉价赛博朋克风。和社区刷屏的Minecraft克隆不同，叙事和交互场景更考验模型对UI设计整体感的把握，不止是把视觉效果堆上去。

3D浮岛vsGPT-5.6：正面交锋

这是本次测试的核心对决，十天前我们测GPT-5.6四模型时，用了同一个prompt：

React+Three.js搭建3D浮岛创意作品集网站。对标jordan-breton.com风格，一座漂浮在空中的奇幻岛屿，上面有自然元素和作品展示。四个章节滚动驱动相机运动，从远景俯瞰到中景环绕到近景特写到拉远告别。岛上有展示物件，hover发光放大，click相机推进特写。Bloom后处理、体积云、萤火虫粒子、动态天空。

回看一下GPT-5.6四模型的成绩：Sol功能完整度最高，但点击物件时把背景虚化了；GPT-5.5转场最流畅但审美保持了GPT前端能力的一贯低水平；Luna完成度最低，标题都会重叠，没有虚化没有转场；Terra成品挺草率的，也是GPT一贯的风格。

现在看K3的表现。

首轮生成后npm install && npm run dev，白屏。不过第二轮修复后成功启动。实际画面出来后，我们只能说一句话：这五个模型里，K3是做得最好的一个。

Hero远景俯瞰，岛屿主体、瀑布、云层、远处的浮岛，全部到位。向下滚动，相机平滑环绕90度，小屋和工作台进入视野。继续滚，相机推进到展示区，作品卡片staggered animation出现。悬停到展示物件上，发光加放大，干净利落。滚动到底部，相机拉远，星空渐显,四个章节的滚动相机过渡全部实现。

Bloom光晕、体积云、萤火虫粒子、动态天空从白天到黄昏到星空的渐变，每一条视觉效果要求都兑现了。移动端降级也正确触发：粒子减半，Bloom关闭。

和GPT-5.6 Sol比：Sol的完成度在GPT家族里是最高的，但点击物件时的背景虚化是硬伤。K3不仅没有这个问题，整体的设计审美和氛围感明显高出一个档次。相机转场的平滑度，K3与GPT-5.5相当，但GPT-5.5的配色一言难尽。

这不是「还不错」，这是在3D前端编码这个硬核场景下，开源模型正面击败了当前最强闭源模型。

但代价是时间和钱,这个项目K3跑了接近一个小时，是我们今天所有测试中耗时最久的一项。而且5小时的使用额度如奶油般化开，根本不够用。移动端也出了点小问题，画面排布有瑕疵，因为plan额度已经见底，没法继续优化。

需求矛盾判断：逻辑没问题，但UX跑偏了

第三个测试考察K3的推理和判断力，我们设计了一个智能宠物寄养平台的12条需求文档，散落着至少六组矛盾：实时监控和禁止摄像头的冲突、寄养师限容和紧急加塞的矛盾、熟人免审查的安全漏洞、包月套餐和超时不扣费的逻辑漏洞、退款锁名额和可人工解锁的一致性矛盾、高可用和例行维护的窗口期冲突。

K3在开工前完整列出了所有矛盾，每组都给了推荐处理方案。确认后生成的系统代码功能完善，但界面更像一个开发者的后端管理面板，不是给普通用户用的。

让K3补了一个用户端界面后，从预约到付款的完整流程、宠物实时情况查看，功能全部到位。

这里有一个值得注意的倾向：K3的逻辑分析能力过关，能发现需求中的结构性冲突并给出合理方案。但在UX判断上，它默认生成的界面偏技术化，更像开发者后台而非普通用户产品。这一点和它「训练重点优化了长程高难任务」的定位吻合，它更擅长处理逻辑而非猜测普通用户的审美和交互预期。

竞态条件Bug调试：精准命中

第四项测试是一段简易文件同步引擎的Node.js代码，Bug是分布式系统中的经典难题：多设备同时编辑同一文件并同步时，时间戳被用作唯一冲突裁决依据，导致旧版本可能覆盖新版本。

K3精准定位了根因：handleRemoteChange方法中remoteFile.timestamp>local.timestamp是唯一裁决条件，没有考虑版本向量的情况。在一个设备先完成上传、另一个设备晚完成但基于更旧版本编辑的场景下，时间戳更新但内容过期，覆盖就发生了。

修复方案引入了三档权限scope（admin、finance、public），并补上了正反顺序的回归测试。没有选择关闭缓存或按用户拆分这两种更粗暴的方案。第一版后端生成没问题，但前端映射出了bug，一轮修复后解决。

这和硅星人测的权限缓存Bug结论一致：K3在中小型代码库中的调试能力扎实，能找到结构性问题而非只修symptom。

长程Agent定价分析：数据严谨，不编造

第五项测试考核长程Agent任务：自主搜集AI编程工具的定价信息，整理对比表格，做策略分析，输出结构化报告。涵盖了Copilot、Cursor、Claude Code、ChatGPT、Kimi Code、通义灵码等至少七个竞品。

K3在Kimi Code里完成了这个任务，所有定价数据标注了来源和日期，没有编造价格。分析报告区分了「量贩路线」和「溢价路线」两种策略，对K3自身定价在市场中的位置做了比较客观的定位。做得最好的一点是，在两个竞品之间做了同场景cost simulation，比如完成一个中等前端页面的预期花费对比。

最后还生成了可交互的HTML网页版报告，前端的审美相比Kimi上一个版本有了明显进步，Kimi还主动在报告里面加了一个成本模拟器。如果说有什么遗憾，就是这个任务更适合在Kimi Work里跑，Code环境对「搜索、抓取、整理、可视化」这条流水线的支持不如Work原生。

禅意茶室：证明它能克制

社区刷屏的demo几乎全是重型视觉：霓虹、粒子、爆炸、光晕、全息投影，我们想验证K3能不能做「少即是多」的设计。

这次的要求是日式侘寂美学，极简克制，只允许三种颜色（米白、炭灰、铜绿），动效只限于淡入淡出和微小位移，禁止任何重型特效。评判标准很主观但很明确：这个设计给一个日本茶道老师傅看，他应该觉得还算得体，而不是「AI做的吧」。

让人欣慰的是，K3真的克制住了。没有霓虹闪烁，没有粒子效果，首页大量留白，细线和阴影制造层次。日式日历组件用了和历标注，茶席可选里千家和表千家流派。选了茶席和茶师后，生成了一封日式竖排书信风格的茶会邀请函。双端适配也正常，移动端没有出现元素堆叠。

初始版本有一个卡片无法关闭，一轮修复后解决。总体上说，K3在这个案例里证明了它有能力做出不是「AI风」的设计。前提是你需要在prompt里给它立规矩，不给它炫技的空间。

台球物理推理：建模合理，可视化翻车

最后一项测试是计算8球台球的最佳开球策略，需要建立简化物理模型，分析白球位置、出杆角度、击球速度、旋转等关键变量，跑至少1000次参数组合模拟。

K3的物理建模抓住了核心变量：摩擦、碰撞恢复系数、旋转对轨迹的影响，没有陷入不必要的复杂度。数值模拟确实跑了1000次参数扫描，结论有数据支撑，解释了为什么职业选手把白球放在偏左10到15厘米处，给出了最佳击球速度范围和旋转策略推荐。

但可视化界面翻车了，生成演示页面时出了bug，经过几轮修复才成功运行。为了验证严谨性，我们让K3把推理过程的公式显示输出，物理推理的进步确实不小，但工程落地的稳定性还有提升空间。

「普通人可能也快用不起最强开源模型了」

K3的API定价明确了月之暗面的新路线：不再靠低价打市场。输入2元每百万token（缓存命中）、20元（未命中），输出100元。输出价格是K2.7 Code的大约4倍，进入了全球前沿模型的定价区间。

作为对比：Fable 5的输出是它的约5倍，Opus 4.8是它的约2.5倍。

和国内同行比：DeepSeek V4 Pro的输出价格只有它的几分之一到几十分之一，GLM-5.2大约是它的三分之一。

套餐这边更扎心。最低档49元每月，不支持K3。要跑K3，至少要99元每月的套餐。而1M上下文是分层开放的，低套餐只能用256K，699元每月的高档套餐才能用到完整的100万token。在我们今天的测试中，甚至要等199套餐的5小时额度重置一次才能跑完所有的测试。

社区里有个数据很说明问题：知名开发者Simon Willison用K3画了一只鹈鹕，花了25美分，16658个输出token。另一位开发者Max Blade写了一局游戏，烧光了20美元。

推理速度也是现实问题，3D浮岛项目跑了接近一个小时。同样的前端任务，Fable 5大约20分钟，多位开发者在X和BestBlogs上报告了类似的2到3倍速度差。这不是「慢了一点」，是差了3倍。如果你是一个需要频繁迭代的前端开发者，这个差距会直接影响你的工作流。

官方坦承了两个重要局限性，这种坦诚值得尊重。一个是历史思考内容敏感：K3在后训练中全程使用思考历史保留模式，Agent框架必须完整回传历史思考内容，中途换模型可能导致质量不稳定。另一个是过于主动：用户意图模糊时，K3会替你做决定，需要在system prompt里给它立规矩。

我们在测试中也反复验证了这两个问题，K3 确实过于主动，在禅意茶室案例中如果不约束配色和动效，它会忍不住往里面加东西。至于「炫技」这个评价，多个独立评测不约而同地提到，UI风格在做了多个case后会让人感觉模版化，看多了能闻出熟悉的味道。这不是贬低，更像是能力溢出带来的副作用。

开源模型的「K3时刻」？

过去一年里，开源模型的策略一直是跟在闭源旗舰后面，用更低的价格复现已有能力。K3改变了这件事。它主动把模型规模推向2.8万亿的新上限，去碰100万上下文、长程编程和复杂Agent任务，直接参与下一代模型能力边界的竞争。

社区的反响也印证了这一点，PyTorch联合创始人Soumith Chintala在X上称之为「世界级模型」。前美国AI政策顾问Sriram Krishnan评价这是「对整个行业有重大影响的时刻」。Stability AI创始人Emad Mostaque甚至说了一句很扎心的话：「美国实验室最终会蒸馏中国模型」。

K3是开源模型的里程碑，但还不完全是一个工作台。它的前端编程能力已经是世界级，3D编码在特定场景下能正面击败Fable 5。长程Agent任务表现出色，代码调试扎实，物理推理有模有样。但它还不是一个开箱即用的生产力工具。推理速度慢、额度消耗快、定价门槛高，这三个问题加在一起，让它在「日常替代」这个场景下还不够成熟。

不过K3的出现至少改变了一件事：开源模型不再只是「便宜够用」的代名词，它可以直接争夺能力边界的话语权。

2.8万亿只是一个入场券，模型能不能真正干复杂工程，最终要看使用成本、任务稳定性和真实交付结果。完整权重7月27日开源后，社区会给出更全面的答案。

但至少在2026年7月的这个节点，有一件事已经很清楚：在开源模型和闭源旗舰的前端编程对决中，追赶阶段结束了，接下来是真正的互有胜负。