KIMI K3登顶全球第三，硅谷紧急应对

7月19日，月之暗面发布新一代大模型K3。接下来48小时内发生的事，让整个硅谷坐不住了。

英伟达单日市值蒸发约1111亿美元，费城半导体指数创下15个月最差单周表现。摩根大通策略师在报告中直接称之为"DeepSeek 2.0"。

Anthropic连夜调整订阅策略——原本计划将旗舰模型Fable 5从订阅制中下架转为纯按量计费，结果K3发布第二天就改了口。宣布Fable 5永久保留在订阅方案中，还给用户发放额度补偿。

美国前AI事务负责人、现任总统科技顾问委员会联席主席大卫·塞克斯在X上发文：这是中国模型第一次在前端编程赛道拿下第一。

一切只因为一件事——K3来了。

全球第三，开源第一

在第三方评测机构Artificial Analysis的AI智能指数中，K3拿到57分，排名全球第三。排在前面的只有Claude Fable 5的60分和GPT-5.6 Sol的59分，而Claude Opus 4.8、GPT-5.5、GLM-5.2都被它甩在身后。

K3总参数量达到2.8万亿，是全球首个开源的3万亿级别大模型。

更让硅谷紧张的是性价比。K3完成单个任务的成本是0.94美元，跟GPT-5.6 Sol的1.04美元差不多，只有Claude Opus 4.8的一半。

消息公布后，Kimi的服务器直接被挤爆。官方连夜发公告，暂停新用户会员订阅，把所有算力留给老用户。原因很简单：请求量大幅超出预估，逼近算力集群的承载极限。

与此同时，外媒爆料Kimi已向投资者发出股东决议，寻求香港上市批准，最快六个月IPO。目前正在完成新一轮融资，估值可能超过300亿美元。今年3月Kimi的ARR刚突破1亿美元，到6月已经接近3亿美元，三个月翻了三倍。K3发布后，ARR又实现了数倍增长。

RL Scaling：两年前埋下的种子

把时间拨回2024年。月之暗面创始人杨植麟在内部小范围分享了K0-Math模型。这个模型能像人一样做验算、改错题。

当时杨植麟提出了一个判断：下一个Scaling Law，叫做Reinforcement Learning Scaling，简称RL Scaling。

传统大模型训练，本质上是让模型背答案。喂海量数据，模型把题目和答案全背下来，考试时凭记忆拼出最像正确答案的东西。学术上叫Next-Token Prediction。

RL Scaling换了个思路。不给模型背答案了，让它自己刷题、自己改错。模型先试着做一遍，做完自己打分。做错了回头看哪步出问题，改一遍再交，改到对为止。然后把怎么错的、怎么改对的都记下来，变成自己的经验。

K0-Math的数学成绩超过了OpenAI当时最强的推理模型o1。

今天的K3，正是两年前RL Scaling的第一次大规模落地。技术报告中提到的"视觉闭环"，本质上就是把K0-Math在数学题上的RL Scaling能力，扩展到了带视觉反馈的全场景。

K3写代码的逻辑是这样的：写完一段代码，自己看看效果，哪里不对自己改，改完再看——形成"生成—看效果—迭代"的完整工作流。

技术报告里展示了几个让人印象深刻的Demo。K3从零开始写了一个3D开放世界游戏，用Three.js和WebGPU在浏览器里跑了起来，地形、光影、玩法逻辑全自己写的，还调用了外部工具生成3D模型。它还给自己剪了一支发布预告片，从56段素材里自己挑片段、做动作匹配、卡帧对齐节拍，实现了帧级精准同步。一秒钟24帧，每一帧约0.04秒，画面切换精确到具体某一帧。

差距在哪里

不过K3虽然排名全球第三，和Fable 5之间还有不小的差距。

Artificial Analysis的榜单只是一个综合分。拆开来看单项，差距很具体。

在真实代码库长程工程能力基准DeepSWE上，GPT-5.6 Sol拿到73.0分，Fable 5拿到70.0分，K3是67.5分。在高难度视觉推理测试Zerobench上，Fable 5拿到46.0分，K3是41.0分。Fable 5能仅凭截图就重建Web应用的完整源代码，能从密集的科学图表中提取精确数据。K3虽然也有视觉闭环能力，但在深度和精度上还有差距。

Kimi自己也坦诚了几个部署层面的问题。

第一，K3保留了完整的思考历史，如果调用方没有正确传回之前的推理过程，输出质量会明显下降。这意味着K3对技术架构要求极高，换一个框架表现可能判若两模。

第二，K3在任务模糊时会过度主动——替用户做决定而不是先确认意图。在快节奏的创意场景里可能是优点，但在需要精确执行的工程流程里可能引发连锁错误。

第三，也是最重要的：K3的幻觉率比上一代K2.6反而上升了。对于一个定位为长程编程和知识工作的模型来说，这很致命。如果让它跑一个12小时的自主编程任务，中间在一个关键决策点上产生幻觉，整条链路就全崩了。

Fable 5在这方面有天然优势。它的安全架构和准则式AI让它在长时间运行中更谨慎。拿不准的事情直接说不知道，碰到模棱两可的情况提前打预防针，还会讲清楚自己是怎么一步步推导的。

还有一点容易被忽略：Fable 5只是Anthropic Mythos模型的公开版本，真正的Mythos 5只对约100家经过审查的美国关键基础设施机构开放。所以目前拿来对比的，并不是Mythos的完全体。

杨植麟的选择

K3发布后，苹果首任AI总监鲁斯兰·萨拉霍丁诺夫发推祝贺。鲁斯兰还有一个身份——杨植麟在CMU的导师。

这条推文意外引爆了另一个讨论：美国为什么留不住杨植麟？

鲁斯兰专门发了一条长文澄清，说杨植麟如果想留在美国，机会非常多。他甚至和苹果高管讨论过杨植麟加入苹果的可能性。但杨植麟非常坚定地要回国创业。

为什么？从杨植麟的经历来看，答案分三层。

最底层是创业执念。2016年，杨植麟还在读博二就跟同学创办了循环智能。2019年博士毕业时，他已经兼职创业三年。他拒绝了谷歌、苹果、Facebook等海外大厂的offer，国内大厂的高薪也一并回绝。他后来在采访中说，大厂科学家即使能力很强，也往往没有足够的资源和权力推动产品落地。公司的业务方向会调整，科学家即使有意愿推动某项产品，成本和代价也很大。

第二层是对方向的把控。杨植麟不想只做研究、发论文，他要做产品。他的两位博士导师，一个担任苹果AI研究负责人，一个担任谷歌首席科学家。看似光鲜，但在杨植麟看来，这种模式有局限——科学家没有足够的资源和权力去推动产品落地，公司首要出发点永远是赋能业务，而非推动AI技术转化。

第三层是起点。杨植麟的清华同学、联合创始人、早期客户、融资关系，主要都在中国。他的另一位创始人周昕宇，是他在清华办乐队时的吉他手。循环智能的另外两位创始人也是在清华KEG实验室认识的。回国创业的启动成本，远低于在美国从零组建团队。

那个在CMU博士二年级就开始创业的年轻人，从一开始就很清楚自己要什么。

伯克利大学教授、Databricks联合创始人伊翁·斯托伊卡说了一句话："我们过去常说，开源模型比最先进的模型落后六到九个月。现在，这个差距大概只有两到三个月了。"

当差距缩小到以月为单位计算，一场真正的竞赛才刚刚开始。

觉得内容还不错的话，点赞就是对我最大的认可；同时欢迎关注我，后续咱们慢慢聊。