K3發佈48小時，服務器滿載、英偉達暴跌、Anthropic連夜改訂閱

K3 模型正式發表後的 48 小時內，全球 AI 圈陷入劇烈震盪。所有人都在搶著體驗這個被評為僅次於 Fable 5 與 GPT-5.6 Sol 的開源模型，結果 Kimi 的伺服器瞬間被湧入的大量請求灌爆。7 月 19 日深夜，Kimi 官方緊急發布公告，坦承 K3 的請求量大幅超出預期，已經逼近現有算力叢集的承載極限。為了保障既有用戶的體驗，官方決定即日起暫停 C 端新用戶的會員訂閱，把所有算力優先保留給老客戶。同時，會員體系也將拆分為 Kimi 主權益（涵蓋 Kimi Web、App 與 Work）以及 Kimi Code 權益，試圖更精準地分配算力資源。

簡單來說，K3 實在太火熱，伺服器已經撐不住，只能先擋下新用戶。與此同時，外媒爆料指出，Kimi 已經向投資者送出股東決議，正在尋求在香港上市的批准，最快可能在六個月內完成 IPO。為了推動上市進程，Kimi 目前正在進行一輪新的融資，市場估值可能超過 300 億美元。從財務數據來看，月之暗面的年化收入（ARR）在今年 3 月首次突破 1 億美元，5 月達到 2 億美元，6 月更接近 3 億美元，短短三個月內翻了三倍。值得注意的是，收入結構也出現巨大轉變，API 業務的占比已經突破 70%，與過去主要依賴 C 端訂閱的模式截然不同。外媒進一步指出，K3 發表之後，其 ARR 又出現了數倍增長。

K3 所引發的衝擊遠不止於此。美國前 AI 事務負責人、現任總統科技顧問委員會聯席主席大衛·塞克斯（David Sacks）公開表示，這是中國模型第一次在前端程式設計賽道拿下第一名，並警告照此趨勢發展，美國將會輸掉 AI 競賽。這股熱潮也讓 K3 成為矽谷的新焦點，馬斯克隨即回應，宣稱 xAI 旗下最新的大模型將於下週完成初步訓練，表現可能超越 Kimi。資本市場的反應更是直接。K3 發表後的首個交易日，輝達單日市值蒸發約 1111 億美元，與 2025 年 1 月 DeepSeek 發表時的情景如出一轍。費城半導體指數本週累計下跌 12.5%，創下 15 個月來最差的單週表現。

摩根大通策略師在報告中直接將此現象稱為「DeepSeek 2.0」。加州大學柏克萊分校電腦科學教授、Databricks 共同創辦人伊翁·斯托伊卡（Ion Stoica）指出，過去大家常說開源模型、尤其是中國的開源模型，會比當前最先進的模型落後六到九個月，但現在這個差距已經縮小到大約只有兩到三個月。K3 的技術根源，可以追溯到兩年前的一次內部布局。2024 年，月之暗面創辦人楊植麟在內部小範圍分享了 K0-Math 模型，這個模型能夠像人類一樣進行驗算和改錯。

當時楊植麟提出了一個關鍵判斷，認為下一個規模定律（Scaling Law）將是強化學習規模化（Reinforcement Learning Scaling，簡稱 RL Scaling）。傳統的 Scaling Law 本質上是讓模型死記硬背，靠大量訓練數據來拼湊出最像正確答案的輸出；而 RL Scaling 則換了一個思路，不讓模型背答案，而是讓它學會自己解題、自己改錯。K0-Math 的底層邏輯就是 RL Scaling，它的數學成績甚至超越了 OpenAI 當時最強的推理模型 o1。如今的 K3，正是兩年前 RL Scaling 第一次大規模落地應用的成果。

K3 技術報告中所提到的「視覺閉環」（Vision in the Loop），本質上就是把 K0-Math 在解數學題上的 RL Scaling 能力，擴展到具備視覺反饋的全場景應用。模型寫完一段程式碼後，可以自己查看效果，發現錯誤就自行修改，形成「生成—觀看效果—迭代」的完整工作流程。Kimi 在技術報告中展示了幾個示範案例，例如 K3 從零開始寫出了一個 3D 開放世界遊戲，利用 Three.js、WebGPU 和 GPU Compute 在瀏覽器中打造出可以騎馬探索的程序化生成世界，其中的地形、光影與玩法邏輯全是模型自己完成。

它甚至剪輯了一支自己的發表預告片，從 56 段原始素材中自行挑選片段、進行動作匹配剪輯、卡幀對齊節拍，並來回修改了數個版本，達到幀級精準的節拍同步。根據評測機構 Artificial Analysis 當天公布的結果，K3 在 AI 智慧指數上拿到 57 分，排名全球第三，僅次於 Claude Fable 5 的 60 分與 GPT-5.6 Sol 的 59 分，超過了 Claude Opus 4.8 的 56 分。更關鍵的是性價比，K3 完成單一任務的成本為 0.94 美元，與 GPT-5.6 Sol 的 1.04 美元接近，僅為 Claude Opus 4.8（1.80 美元）的一半左右。

K3 也是全球首個開源的 3 兆級別模型，總參數達到 2.8 兆。在 Kimi 核心的 KDA（Kimi Delta Attention）混合線性注意力機制作用下，百萬 token 級別的長文本解碼速度快了 6.3 倍，配合注意力殘差技術，訓練效率提升約 25%，額外成本不到 2%。儘管 K3 在綜合評分上表現亮眼，但與 Fable 5 之間仍存在具體差距。Kimi 在技術報告開頭就坦言，K3 的整體性能仍然落後於最強大的模型。在真實程式碼庫中長程工程能力基準 DeepSWE 裡，GPT-5.6 Sol 拿到 73.0 分，Fable 5 為 70.0 分，K3 則是 67.

5 分；在 Terminal Bench 2.1 上，GPT-5.6 Sol 以 88.8 分領先，K3 以 88.3 分緊隨其後。在高難度視覺推理測試 Zerobench 中，Fable 5 拿下 46.0 分，K3 為 41.0 分。Fable 5 能憑藉截圖重建 Web 應用程式的完整原始碼，並從密集的科學圖表中提取精確數據，展現出更深的視覺理解能力。Kimi 也承認了 K3 的兩個部署缺陷：一是對架構要求極高，換一個框架表現可能差異很大；二是在任務模糊時會過度主動，傾向於代替用戶做決定，可能在需要精確執行的工程流程中引發連鎖錯誤。此外，評測還指出 K3 的幻覺率比上一代 K2.

6 有所上升，對於定位為長程程式設計與知識工作的模型來說，這是個致命傷。K3 的問世直接撼動了競爭對手 Anthropic。Anthropic 原本計劃將 Fable 5 從現有的訂閱制中下架，轉為純按量計費，但在 K3 發表後的第二天突然改口，宣布 Fable 5 將永久保留在訂閱方案中，並對 Max 與 Team Premium 用戶提供 50% 額度，Pro 與 Team Standard 用戶則獲得 100 美元一次性額度補償。

雖然 K3 的上限低於 Fable 5，但它能完成絕大多數任務，且費用遠低於對手，因此修改訂閱制、讓利給用戶，成了 Anthropic 在這波熱潮中留住客戶的最佳策略。在 K3 爆紅之際，蘋果首任 AI 總監魯斯蘭·薩拉霍丁諾夫（Ruslan Salakhutdinov）公開對楊植麟與 Kimi 表達祝賀。魯斯蘭同時也是楊植麟在卡內基美隆大學（CMU）的指導教授，他在推文中回憶起兩人一起做出 XLNet 和 Transformer-XL 的經歷。這則貼文意外引發了一場關於「美國為何留不住楊植麟」的討論。

魯斯蘭特別發文澄清，楊植麟並非因為簽證問題或抽不到 H-1B 而離開，事實上他曾與蘋果高層討論過楊植麟加入的可能性，但楊植麟非常堅定地要回國創業。魯斯蘭表示，楊植麟曾告訴他，如果不至少嘗試創辦自己的公司，會後悔一輩子。楊植麟的創業選擇可以從三個層次來理解。首先是強烈的創業執念，他在 2016 年讀博二時就與同學創立了循環智能，2019 年博士畢業後拒絕了 Google、蘋果、Facebook 以及華為等國內外大廠的高薪邀約，選擇回國。他認為當時各大機構的研究模式都有問題，大廠科學家即使能力很強，也往往沒有足夠的資源和權力推動產品落地。

其次是對方向的主導權，楊植麟不僅想研究基礎模型，更想做出產品，這在傳統的大企業組織架構中難以實現。最後是起點優勢，楊植麟的清華同學、共同創辦人、早期客戶、人才網絡與融資關係主要集中在中國，回國創業的啟動成本遠低於在美國從零組建團隊。當年那位在 CMU 博士二年級就開始創業的年輕人，從一開始就很清楚自己要的是什麼。