高價的Kimi K3，缺錢的月之暗面

月之暗面近日高調發表全新旗艦模型 Kimi K3，號稱擁有 2.8 萬億參數、百萬 Token 上下文，並原生支援多模態能力。官方直接將 K3 與 Claude Fable 5、GPT-5.6 Sol、Claude Opus 4.8 等國際頂尖模型並列比較，試圖傳遞「全球前沿」的定位。然而，經歷過多次「榜單狂歡」的用戶，如今早已不買單單純的數字對比。K3 上線後，社群評價迅速走向兩極。 一部分開發者在測試長代碼庫分析與長文檔推理後，直言「國產旗艦終於追上了」，甚至稱 Agent 集群能連續工作四小時不中斷。但也有不少用戶實測後吐槽模型囉嗦、生成的信息圖審美普通；更有開發者反映，自己的程式碼任務無法順利跑通，回頭改用 Claude Opus 反而效果更好。此外，多數用戶對 K3 的體驗有一致反饋：成品偶爾令人驚豔，但生成速度比競品慢兩到三倍，Token 消耗驚人，訂閱量很快就見底。不少人批評「營銷味太重，實際感受配不上全球前三的名頭」。這些聲音真實反映了 K3 目前的處境：榜單數據搶眼，但真實工作能力仍需市場進一步驗證。 若暫時放下宣傳話術，K3 在國內最直接的對手是智譜 AI 的 GLM-5.2。兩者都是目前最常被拿來與美國前沿模型正面比較的國產開放模型。GLM-5.2 比 K3 早一個月發佈，已歷經 API 調用、Coding Plan 訂閱與開發者工具鏈的實際檢驗，累積了較多的真實市場回饋。不少用戶將 GLM-5.2 稱為「Claude code 平替」，甚至經常出現訂閱名額搶不到的情況。更關鍵的是價格：GLM-5.2 每百萬 Token 輸入 1.4 美元、輸出 4.4 美元；K3 則是輸入 3 美元、輸出 15 美元，輸出價格約為前者的三倍多。 這樣的價差讓 K3 的位置相當尷尬。對於絕大多數需要控管成本的企業與開發者而言，在能力差距尚未拉開的前提下，價格就是最實在的選擇依據。論便宜，K3 打不過智譜、DeepSeek；論能力與品牌印象，短期內也無法撼動 Claude 或 GPT。K3 必須證明，比 GLM-5.2 貴兩三倍的價格，能夠換來明顯更高的任務成功率，否則用戶何必承擔遷移成本，去選擇一個更貴且尚未驗證的模型？甚至若要花更高代價，乾脆直接選用 Claude Opus 4.8 或 Claude Fable 5。 當然，Kimi 並非沒有優勢。它在消費級品牌、長上下文積累、搜索、Kimi Work、Code、Agent 及多智能體產品上都有布局，比許多純模型公司更懂普通用戶。但這些優勢最終必須回答一個核心問題：到底有什麼工作是 GLM 做不好、DeepSeek 太弱、Claude 又太貴，唯獨 K3 最適合？如果找不到這個「殺手級應用」，K3 的高價定位就很難支撐。 K3 選擇在此時此刻高調登場，重點不只是模型技術升級，更是為了向資本市場講述新故事。月之暗面的融資節奏在過去半年明顯加速：去年底完成 5 億美元 C 輪，今年 2 月再融資超過 7 億美元，5 月又完成約 20 億美元融資。僅僅一個月後，公司就被曝出正在尋求最多 20 億美元的新融資，目標估值約 300 億至 315 億美元，並考慮未來赴港上市。對資本市場而言，能否維持「全球前沿模型廠商」的定位，是支撐如此高估值的核心邏輯。因此月之暗面推出 K3，既是技術展示，也是估值證明——必須向投資者表明自己沒有掉隊，仍然坐在前沿牌桌上。 平心而論，Kimi 的迭代速度確實處於國內第一梯隊。過去一年幾乎每季都有新版本，長上下文、Agent 集群等功能也精準踩中開發者痛點，創始人團隊的技術人設也相當穩固。但問題在於，面對各家特色鮮明的對手，Kimi 的核心定位究竟是什麼？若是走高端溢價路線，能力尚未拉開代差，用戶為何要多花兩三倍的錢買單？若是走價格競爭路線，降價就意味著推理虧損進一步擴大，算力投入與後續融資壓力只會更重。若是走向開源換生態路線，權重散出後，第三方私有化部署將直接分流 API 營收，且開源模型的普及會持續壓低市場價格天花板，未來更難漲價。 歸根結底，這是融資故事與商業現實之間的矛盾。要撐住高估值、順利推動 IPO，就必須維持「全球前沿、持續突破」的敘事，就得持續砸錢做研發；但研發投入越大，虧損越嚴重，盈利預期越模糊，估值邏輯反而越站不住腳。再加上中國市場有自己的價格天花板，廠商不可能像 OpenAI、Anthropic 那樣把旗艦模型賣到天價。能力追得越近，成本倒掛就越明顯。K3 發佈再光鮮，也無法迴避月之暗面最終要如何活下去的根本問題。 更殘酷的事實是，前沿牌桌正在變得愈來愈昂貴。不少人認為 K3 發佈後，中美大模型差距又縮小了，這個判斷只對了一半。從榜單與用戶體驗來看，差距確實有收窄，但中國追上的是美國幾個月前發佈的旗艦模型，而不是美國正在訓練的下一代模型。至少 xAI 已經公開宣稱正在訓練包含 10 萬億參數項目在內的多條路線；OpenAI、Anthropic 也被外媒爆料下一代基座在 10 萬億參數量級。方向很清楚：下一代模型正在往更大的參數容量、更長的訓練週期、更高的計算預算推進。 這不是單純多買幾張 GPU 就能解決的問題。像 K3 這樣的 2.8T 稀疏模型，一次正式訓練可能需要上萬到數萬張 H100 等效晶片，完整項目可能消耗數千萬甚至上億美元；10T 級稀疏模型，可能需要十萬卡級集群與數億美元以上預算。更燒錢的是，訓練只花一次，推理卻要天天付帳。模型越擅長長思考、跑 Agent、連續工作幾小時，用戶每調用一次，廠商都在持續燒晶片、電力和頻寬。 但真正拉開差距的，不只是訓練與推理的金額，而是誰能同時跑五條路線，允許四條失敗。美國頭部實驗室背後站著微軟、亞馬遜、Google、Oracle 等雲端巨頭，晶片、機房、網路與融資成本可以由整個雲業務、企業軟體與資本市場共同分攤。一個模型訓練失敗了，還能換路線重來；模型上線後推理虧損，也能先用雲端合約與生態收入扛住。然而像月之暗面這樣的獨立模型公司，雖然能融到數十億美元，足夠打一場 K3 級別的大戰，甚至嘗試一次更激進的 10T 稀疏模型訓練，但這些錢遠遠不足以同時訓練多種架構、長期低價補貼 API，再保持一年更新兩三代模型。對獨立模型公司來說，每一代旗艦模型幾乎都是一次押上估值、現金與下一輪融資的豪賭。 這就形成一個非常擰巴的局面：國內用更少的算力、更巧的算法，迅速追上了大部分公開體驗，但剩下的頂層能力，拼的就是純算力與資本投入，沒有捷徑可走。在訓練與推理成本指數級上漲的今天，能撐到下一輪的玩家只會愈來愈少。K3 讓月之暗面依然坐在前沿牌桌上，但下一輪、下下輪呢？這個問題，恐怕不是一張漂亮的榜單能夠回答的。