Is Kimi K3 Really Fable Class

Moonshot 发布 2.8 万亿参数的 Kimi K3，在多项编码和 Agent 基准测试中接近甚至超越 Fable 5 和 GPT-5.6 Soul，成为史上最强开源模型，但运行成本高、速度慢、几乎无安全护栏。

开源模型第一次挤进前沿梯队，代价是没人跑得动它

这期不是访谈，是 AI Daily Brief 主理人的单人解读。素材是 Kimi K3 发布后 48 小时内涌出的一手实测：Artificial Analysis、Vals AI、LiveBench 的跑分，Vercel、Cognition、Moonshot 内部人的表态，以及大量把模型按进真实代码库里试的开发者反馈。看点不在"中国模型又行了"，而在于——这一次追平的是能力，没追平的是成本，而彻底放开的是安全护栏。

这期回答了 7 个问题：

1. Kimi K3 到底强到什么程度，"Fable 5 级别"这个说法站得住吗？
2. 为什么这次不能套用 DeepSeek 的"又强又便宜"思维定式？
3. 那些惊艳的 3D 和前端 demo，为什么不能当成工程能力？
4. 榜单没告诉你的隐藏账单是什么？
5. 争了两年的"中国模型只是蒸馏"，为什么这次没吵起来？
6. 我们拿来比较的"前沿"，本身是不是失真的？
7. 一个几乎没有护栏的前沿级开放权重模型，谁来管？

主理人开场就把参数摆出来：K3 是 2.8 万亿参数，在开放权重模型里独一档。做个横向对比就知道这个数字多离谱——万亿俱乐部至今只有寥寥几个成员：DeepSeek V4 Pro 是 1.6T，小米 MiMo V2.5 Pro 是 1T，Thinking Machines 本周发布的 Inkling 差一点到 1T。而前阵子让《华尔街日报》写出"中国已追平 Anthropic"的 Z.AI GLM 5.2，只有 744B。K3 大概和 Opus 4.8 一个量级，比 Fable 5 小，但这是中国实验室第一次展示这种规模的预训练。

跑分跟得上。Artificial Analysis 的综合智能指数上 K3 拿 57 分，排第三——落后 Fable 5 三分、5.6 Soul 两分，领先 Opus 4.8 一分。Terminal-Bench 2.1 上 88.3，只比 5.6 Soul 低半分，反超包括 Fable 5 在内的一批模型。更能说明问题的是跳跃幅度：比自家 Kimi 2.6 涨了 13 分，排名从第 16 冲到第 3。

Vals AI 的评价更直白："Kimi K3 is the number two overall model on the Vals index, surpassing GPT 5.6 Soul. K3 improved 20 percentage points over its predecessor in less than 3 months."（K3 在 Vals 指数上综合排名第二，超过 GPT-5.6 Soul，不到三个月比前代提升了 20 个百分点。）

这意味着"开源模型永远落后一代"这个假设作废了。过去几轮所谓的"DeepSeek 时刻"，本质是把付费墙后的能力免费化，模型本身仍明显落后西方前沿。这次不一样：拿掉"开源"这个前缀，K3 的分数照样排在榜单前三。

第二个反直觉的地方，是很多人下意识把 K3 归到 DeepSeek 那一类——又强、又便宜、还能在本地跑。三条全不成立。

先说本地跑。要把 2.8 万亿参数装进硅片，大致需要 44 台 Mac Studio，或者 15 张 Blackwell，也就是一整个 NVL72 机架，算力开销是几十万美元级别。"K3 is a historic moment in the development of AI, but it's not exactly downloadable to your laptop. In fact, few organizations will be able to local host this capability."（K3 是 AI 发展史上的历史时刻，但它并不是你能下载到笔记本上的东西。事实上，能本地部署这个能力的组织寥寥无几。）算力就这样变成了个人与组织之间的一道软墙。

API 价格也没便宜到哪去。按 8:2 的输入输出配比算，K3 的混合定价是每百万 token 5.4 美元，而 Opus 4.8 是 9 美元、GPT-5.5 是 10 美元——是便宜，但不是大多数人想到"中国模型"时预期的那种便宜。单任务成本更能说明问题：K3 跑基准是 0.94 美元一个任务，比 K2.6 贵了三倍；参照物一边是 5.6 Soul 的 14 美元、Opus 4.8 的 1.8 美元、Fable 5 的 2.75 美元，另一边是 DeepSeek V4 Pro 的 4 美分。K3 站在偏贵的那一侧。Cognition 的 Jeff Wang 一句话概括：中国开源不再落后半年，但也不再是十分之一的价格了。

反面意见也有。Alex Finn 认为该看斜率而不是截距——过去一年本地推理的效率提升极快，一两年后 Mac Mini 就能跑。这个判断能不能成立，取决于效率曲线会不会继续这么陡。

发布当晚推特被 demo 淹没：单文件 HTML 的 Minecraft 克隆、一次成型的像素方块自由女神像、130 秒生成的 3D 打鸭子复刻。Arena 的前端代码榜上 K3 直接冲到第一，从第 18 位跳了 17 名；七个细分领域里拿下六个第一，唯一的第二输给 Fable 5。Vercel 的 Guillermo Rauch 也确认，这是开放权重模型第一次在 nextjs.org/evals 这个综合网页工程基准上领先所有闭源模型，且耗时更短。

然后一位 AI 工程师给这波热情降了温。他指出这是每次中国模型发布都会重演的循环：大家爱上的是精致的 UI demo，而这些模型恰恰是冲着这类反复被回收的视觉编码测试优化的。他自己给了 K3 一个真实的调试任务——K3 没能定位 bug，没能修好，然后开始编造解释；同样的任务给 Fable 5 和中等推理档的 GPT-5.6，两个都一次命中。

"K3 can build a beautiful shell. Frontier models can understand what is happening underneath it. Do not confuse a gorgeous demo with real engineering ability."（K3 能造出漂亮的外壳。前沿模型能理解外壳底下在发生什么。别把炫目的 demo 当成真实的工程能力。）

这意味着评测这一代模型的门槛变高了：能被截图传播的能力和能在真实代码库里活下来的能力，已经不是同一件事。同期也有不好看的结果——熔岩灯渲染测试里 K3 的形状、运动和画质明显不如 5.6；Abacus.AI 的 LiveBench 上，K3 是最强开源模型，但落在 Soul、Fable 乃至 Opus 4.8 后面。

不过硬活也不是完全不行。Jeffrey Emanuel 把一份 1.5MB 的 markdown 方案丢给 K3 审——这份方案已被 Fable Extra High 和 Soul Ultra 反复审过，好抓的问题早被挑完了。45 分钟后他的评价是"极其惊人"，因为没有别的开放模型能对一份烧过几千万 token 的方案给出实质且正确的意见。他补了一句关键的：K3 不如 Fable 或 Soul，但它不一样——不同架构、不同训练数据、不同注意力机制，所以能发现那两个模型都漏掉的问题。

跑分是单次成绩，实际使用是另一回事，而 K3 的差距主要藏在 token 效率里。

Simon Willison 跑 SVG 鹈鹕测试时发现，K3 目前只有一档推理强度（max），结果模型烧掉 13,241 个推理 token，才产出 3,417 个 token 的回答。有人对比发现，相比 5.6 Soul，K3 用掉两倍以上的 token、每个任务贵约 40%，而 Artificial Analysis 的分数还略低。

最具体的例子来自 OpenCode 的 Dax。他给 K3 和 Soul 同一个任务：TUI 里悬停颜色不对，很简单的问题。Soul 花 3 毛钱找到并修好；K3 烧到 1 美元时开始读他的数据库，他直接掐断了。另一位开发者用相同 prompt 在中等档跑 Fable、Soul 和 K3，K3 慢了两到三倍，大量时间花在思考上，最后在生成 HTML 中途失败。还有人报告"陷入愚蠢的推理循环，烧 token 烧钱"。

这意味着真实成本不是每百万 token 的标价，而是 token 效率乘以重试次数——按这个算法，K3 与前沿的价差比价目表上窄得多。便宜的是单价，不是账单。

主理人自己留了余地：现在大量关于"简单任务贵得离谱"和"长任务中途崩掉"的讨论，可能只是发布初期的磨合问题，得再过一阵才知道这个模型真实的 token 效率。

一个反常的现象是：这次几乎没人用"不过是蒸馏西方模型"来打发 K3。

Mixpanel 创始人 Suhail 的说法很直接："Every single credible researcher I've talked to these past few weeks has said that distillation from Chinese labs is way overexaggerated. Narrative violation. Maybe the Chinese are actually good."（过去几周我聊过的每一个可信的研究者都说，中国实验室搞蒸馏这个说法被严重夸大了。叙事崩了。也许中国人是真的强。）Nathan Lambert 更干脆：蒸馏之争该结束了，中国同样很擅长造模型。

Tyler John 给了个更精确的版本：别把它当成非黑即白的二选一——中国公司确实在创新，同时包括 K3 在内的模型能力也确实靠蒸馏做了强力引导，两件事同时成立。

人的层面也有一手材料。一位卡内基梅隆博士今年从学界转到工业界，面了一圈公司后写下四条观察：傲慢（认定 AI 战争已经打完且自己赢了，对未来和人才都没有饥饿感）、浮躁（根基不牢的年轻实验室，要么急着追前沿要么绕开竞争）、恐惧（有真实经验的强团队，但来自第二梯队，说服不了自己去争第一）、各自为战（人人为自己的功劳优化，没人真的关心公司能不能到达 AGI）。他说 Moonshot 不一样，和创始人反复聊下来，每次浮现的都是同一件东西：对 AGI 一种粗粝而真实的饥饿感。他最后加入了，参与发布了 K3。

这意味着争论的焦点从"是不是抄的"移到了"能力从哪来"。但引导的痕迹还在：有人问 K3 纽约天气，模型回了一句"提醒一下，我其实是 Claude，不是 Kimi"。

这期最坦诚的一段，是主理人给自己的结论打了个折扣。

他明确指出：所有迹象都表明，OpenAI 和 Anthropic 手里都有超出目前公开的 Fable 5 Mythos 和 GPT-5.6 Soul 能力范围的模型。所以我们感知到的"K3 追平了差距"，很可能被"我们能拿到什么"和"真正的前沿在哪"这两者之间的落差扭曲了。K3 追平的是公开货，不是实际的技术前沿。

OpenAI 的 roon 补了另一半：接下来几天，人们大概率会发现 K3 在实际使用中不如今天的数字所显示的那么好用；但它的口碑最终会稳定在"一个能力极强、且权重公开挂在网上的模型"上。这两句合起来是本期最准的预测——发布日的跑分和一周后的口碑，通常不是同一个东西。

一位内部基准的测试者给了个更冷的数字：在他们的前端评测上，K3 最接近的是 Opus 4.7，落后前沿约三个月。他同时提醒，评估前沿模型正越来越需要极高的品味和领域专业知识——换句话说，能做出可信评测的人本身就在变少。

这意味着"差距是三个月还是一代"这个问题，用公开信息根本回答不了。而围绕这个数字建立起来的所有政策讨论，都建立在一个自己也不知道分母是多少的分数上。

如果 K3 真的接近 Fable 5 和 GPT-5.6，那就该想起来：几周前美国政府刚以网络安全能力为由把那些模型锁了起来。而 K3 现在人人可得。

实测下来护栏少得惊人。有人围绕一个高危生物学问题做了一长串对话，结论是 K3 的生物安全防护"比 Fable 的略欠周全"。另一位展示了一段思维链：模型识别出这个请求有风险，然后仍然选择了执行。有深度用户的总结是，Kimi 几乎没有可见的护栏，不会不断顶回来、不会用拒绝打断你的心流，它就是直接做，包括一些很疯的事，这是目前能广泛获取的、约束最少的前沿级模型。

真正的结构性变化在权重本身："Compared to jailbreaking proprietary models, fine-tuning this to be a malicious coding agent will be trivial since you have the weights."（比起越狱闭源模型，把这个微调成一个不受约束的编码智能体会容易得多，因为权重就在你手上。）越狱是绕过约束，微调是删掉约束——这两件事的难度不在一个量级。

而监管这边是彻底的空白。Ethan Mollick 直接问：开放权重模型的预先审查该怎么做？K3 连 model card 都没发。那些自称达到 Mythos 和 Soul 级别的开放模型，要不要过美国、英国的审？政策一直是走一步看一步的，所以没人知道答案。他的结论是，这件事最终指向某种国际层面的模型审查合作。

也有人不认为会出事——有内容创作者公开押注：K3 开源不会引发大范围社会混乱。而那位夸了一晚上模型的深度用户自己补了一句：用完之后我觉得，这话大概率会打脸。

K3 这件事被讲成"中国追平了"，但真正发生的是三件独立的事，方向还不一致。

能力上确实进了同一梯队——2.8 万亿参数、综合指数第三、前端榜第一。但成本没跟着开源一起下来：几十万美元的部署门槛、混合定价 5.4 美元、单任务比前代贵三倍，"开源即普惠"的等式在这一代断了。而所有精致的 demo 与真实工程能力之间，隔着一条一测就现形的沟——漂亮外壳，和理解外壳底下发生了什么，这条沟在 token 效率的账单上又被放大一次。

"差距失真"和"护栏空白"这两条其实指向同一件事：我们既不知道真实的差距有多大（因为在拿公开货比公开货），也不知道该由谁来审（因为开放权重模型根本没有预审机制）。一个连分母都不确定的差距估计，正在被当成政策依据使用。

对你的实际影响是这样的：如果你在选模型，K3 现在最合理的用法不是替换 Fable 或 Soul，而是当第二双眼睛——不同架构、不同训练数据，能挑出那两个模型都漏掉的问题，这是 Jeffrey Emanuel 那个例子的真正价值。如果你在做安全或合规，那今天该更新的不是模型清单，而是一个前提假设：从这周起，一个约束极少的前沿级模型，权重就挂在公开网络上，谁都能下载去微调。这件事不会再倒回去了。