Moonshot AI （月之暗面）於 7 月 16 日晚間發布旗艦模型 Kimi K3，參數規模達到 2.8 兆，配備 100 萬個 token 上下文視窗與原生視覺理解能力，Moonshot AI 形容這是全球首個踏入 3 兆參數級別並承諾開放權重的模型，完整權重會在 7 月 27 日或之前公開，Moonshot AI 公布的自家評測顯示，K3 在編程與通用 AI agent 等項目上勝過 Claude Opus 4.8 與 GPT 5.5，整體表現仍然落後 Claude Fable 5 與 GPT 5.6 Sol。
第三方平台 Arena.ai 的前端程式碼榜單把 K3 以 1,679 分排在首位，7 個細分項目之中拿下 6 項第一。發布消息令亞洲 AI 相關股份急挫，智譜（Z.ai）單日跌約 27%，MiniMax 跌約 16%，阿里巴巴跌 4%，台灣加權指數跌約 5.7%，日經 225 指數跌近 6%，比特幣同日跌穿 63,000 美元（約港幣 HK$491,400）。Bloomberg 把這輪震盪稱為「Kimi moment」，投資者重新質問西方 AI 基建的龐大資本開支能否收回。以下拆解 K3 的技術重點、定價轉向、企業實際用法，以及開放權重生態的下一步。
技術拆解：規模以外的架構效率
參數可以理解為模型神經網絡的規模，數量愈大，模型記住的知識與掌握的模式愈多，訓練與推理的成本同樣愈高，K3 的 2.8 兆參數比 DeepSeek V4 Pro 的約 1.6 兆高出 75%，不過 Moonshot AI 採用稀疏混合專家（Mixture-of-Experts）設計，把模型拆成 896 個「專家」，每次運算只啟動其中 16 個，因此實際計算量遠低於總參數規模所暗示的水平。
Moonshot AI 把研發重心放在架構效率而非單純堆疊規模，自研的 Kimi Delta Attention 屬於混合線性注意力機制，公司稱它在百萬 token 長度下把解碼速度提升最多 6.3 倍；Attention Residuals 則改寫模型深度方向的資訊流動，以低於 2% 的額外成本換取約 25% 的訓練效率提升。兩項技術加上 Quantile Balancing 與 Per-Head Muon 等改良，令 K3 的整體擴展效率較上一代 K2 提高約 2.5 倍。Bank of America 由 Alex Liu 領導的團隊在報告中指出，中國持續面對硬件與算力限制，K3 證明預訓練規模配合架構創新，依然可以為中國旗艦模型帶來階段性躍升。
最能說明長程 agent 能力的，是 Moonshot AI 公布的一項概念驗證：K3 在連續 48 小時自主運行期間，憑開源 EDA 工具與 Nangate 45 納米製程庫，獨立完成一顆專用 AI 晶片的設計、最佳化與驗證，面積 4 mm²，集成 146 萬個標準單元與 0.277 MB SRAM，在 100 MHz 下完成時序收斂，模擬解碼吞吐持續超過每秒 8,700 個 token，規格雖然距離商用先進晶片甚遠，卻示範了模型獨力走完多階段工程流程的可能性。
便宜不再是中國模型的唯一賣點
K3 的 API 定價為每 100 萬個輸入 token 收 3 美元（約港幣 HK$23.40），快取命中時降至 0.30 美元（約港幣 HK$2.34），輸出每 100 萬個 token 收 15 美元（約港幣 HK$117），這個水平大幅低於 Claude Fable 5 的 50 美元（約港幣 HK$390）與 GPT 5.6 Sol 的 30 美元（約港幣 HK$234），卻較自家上一代 K2.6 的輸入 0.95 美元（約港幣 HK$7.41）、輸出 4 美元（約港幣 HK$31.20）大幅上調，成為中國實驗室至今開價最高的模型。
Artificial Analysis 的計算顯示，K3 在 Intelligence Index 每項任務平均花費 0.94 美元（約港幣 HK$7.33），已經貼近 GPT 5.6 Sol 的 1.04 美元（約港幣 HK$8.11），而 GLM-5.2 只需 0.32 美元（約港幣 HK$2.50）。定價策略的轉向說明 Moonshot AI 不再用低價換取市場佔有率，改為以能力定價，這對整個中國模型陣營的商業邏輯屬於重要訊號。
從供應商鎖定走向組合式採購
K3 兼容 OpenAI SDK，企業把現有系統切換過去的工程成本因而大幅下降，這是最直接的商業影響，權重開放之後，企業可以自行部署、微調並完全掌控資料流向，金融、醫療、法律等對個人資料與合規要求嚴格的行業，因為毋須把敏感資料送往第三方 API，得到一條新的技術路線。100 萬個 token 上下文視窗令整個程式碼庫、完整合約組合或長篇研究資料能夠一次過載入，減少切割檔案與重組脈絡的工序。
實際採購策略上，企業值得建立「模型組合」而非單一供應商關係：把要求最高的推理任務交給前沿封閉模型，把長流程編程、檔案審閱、內部知識工作等高用量任務交給 K3 這類開放權重模型，藉此壓縮推理開支，編程工作負載的快取命中率可以超過 90%，這類場景的實際成本會遠低於帳面標價，不過其他應用未必達到同一命中率，管理層在做預算時應該按實際流量測算。
企業同時要正視兩項已知風險，Moonshot AI 承認 K3 對推理歷史敏感，若 agent 工具未能完整回傳先前的思考紀錄，或使用者在同一流程中途更換模型，輸出質素可能突然波動。K3 亦為長時間困難任務而訓練，面對模糊指令時可能自行做出未經授權的決定，凡涉及檔案修改、對外發送或商業流程的應用，必須在系統提示中寫明權限與停止條件。技術總監在部署前應該把這兩點納入測試清單。
未來趨勢與結論
競爭焦點正由單一榜單分數轉向預訓練規模、架構效率、複雜任務能力與工程可用性的綜合較量，開放權重陣營的擴張同時在美國發生，Thinking Machines 推出 Inkling 開放權重混合專家模型，SpaceXAI 亦把 Grok Build 開源，令封閉模型的定價權持續受壓。Alex Liu 認為 K3 抬高了中國 AI 模型的能力上限，舉證責任轉移到其他獨立實驗室身上；他同時提醒阿里巴巴雖然因算力緊絀環境下的雲業務需求受惠，Qwen 的「開源領導者」敘事將要面對考驗。
政策風險依然是最大變數，美國國會議員正研究如何限制本土企業採用中國 AI 模型，一旦成事，K3 在西方市場的滲透速度會受到直接壓抑。7 月 27 日的權重開放是下一個關鍵時點，屆時獨立評測若能印證 Moonshot AI 的宣稱，關於 AI 估值與資本開支回報的爭論只會更激烈。對企業而言，此刻應該做的是建立跨供應商的評測基準與遷移能力，令採購決策不受任何單一實驗室的發布節奏牽制。
來源：CNBC
