在上一篇〈別再只看排行榜第一名：Artificial Analysis 與 2026 LLM 評估方法全解析〉裡，我把模型能力、Agent 任務、速度、成本與私有評估拆成不同層次。結論很簡單：排行榜能幫你找到候選，不能替你做最後的選型。
這套方法很快就遇到一個很難忽略的新案例：Kimi K3。
在 Arena 的前端網頁開發榜上，它暫時排第一；Moonshot 公布的 Program Bench、Automation Bench、BrowseComp，也都出現它壓過 Claude Fable 5 或 GPT-5.6 Sol 的項目。這不是某個小模型靠價格換掌聲，而是一個 2.8 兆總參數、100 萬 token 上下文、原生視覺、專門為長時間 Agent 工作打造的重量級模型。
先不要急著把新聞標題寫成「中國開源模型全面擊敗美國閉源 AI」。那樣很有流量，也很容易在兩天後變成笑話。
K3 真正重要的地方，不是它全面贏了——它沒有。重要的是，閉源模型在所有高價值工作上理所當然領先的假設，已經失效。開放模型陣營不再只是追趕通用平均分，而是開始在前端開發、工具操作、長流程研究與部分程式任務裡，先把旗子插到閉源模型前面。
這個轉折，比「第幾名」有意思得多。
先給結論：開放模型已經局部超車，但 K3 現在還不能直接叫開源
我對 Kimi K3 的判斷可以濃縮成六句話：
- 它已經正式上線，不是預告。網頁、桌面工作代理、Coding Agent 與 API 都能使用。
- 它進入了前沿模型第一梯隊。截至 2026 年 7 月 18 日，Artificial Analysis Intelligence Index 為 57 分、排名第 4；但速度、價格與輸出長度並不漂亮。
- 它在特定領域確實贏過頂尖閉源模型。最明顯的是 Arena WebDev 暫列第一，以及 Program Bench、Automation Bench、BrowseComp 等項目的領先。
- 它沒有全面超越 Claude 或 GPT。DeepSWE、FrontierSWE、Terminal-Bench 仍有閉源模型領先，Moonshot 自己也承認整體表現仍落後 Claude Fable 5 與 GPT-5.6 Sol。
- 它走的是開放權重路線，但截至 7 月 18 日權重還沒發布。Arena 與 Artificial Analysis 目前仍把它標成 proprietary。
- 它不是便宜的小模型。US$3／15 的一般輸入／輸出價、約 62 token／秒、固定 max 推理強度，加上極大的部署需求，讓它比較像重型工程設備，不是大量小任務的免洗工讀生。
所以，最精準的說法不是「開源模型全面勝利」，而是：
前沿能力已經從一條封閉的總排行榜，裂成多個領域戰場。開放權重或承諾開放權重的模型，開始在其中一些戰場領先閉源旗艦。
這代表企業與開發者的選型方法也要改。以前可能先問「哪一家最強」，現在要先問「我的任務到底在哪個戰場」。
Kimi K3 到底是什麼：不是 2.8 兆參數一起上班
K3 最搶眼的數字是 2.8 兆總參數。
如果把它理解成每生成一個 token，都有 2.8 兆參數一起全速運算，會得到一個很壯觀、也不太正確的畫面。K3 採用 Stable LatentMoE；官方表示，它在 896 個專家中，每次有效啟用 16 個。換算後約是 1.79% 的專家被選中，但這不等於只有 1.79% 的總參數參與運算，因為模型仍有共享層、注意力與其他結構。
比較好懂的比喻，是一間有 896 位專家的巨型顧問公司。每個 token 進來，路由器挑 16 位進會議室；其他人不必全部開麥克風。
這種設計讓模型能擴大容量，又不必每一步都付出完整 dense model 的計算成本。代價也很直接：
- 路由器要選對專家；
- 熱門專家不能全部塞車；
- 大量 GPU 之間要高速交換資料；
- 訓練與推論都更依賴整體基礎設施。
Moonshot 為此加入 Quantile Balancing、平衡式 expert parallel training 與 Stable LatentMoE。這些名字聽起來很研究，但實際處理的是同一件事：模型很大不稀奇，能讓 896 個專家不要在分散式系統裡互相等到下班，才是工程。
KDA 與 AttnRes：一個處理長度，一個處理深度
K3 的另外兩個核心結構是：
- Kimi Delta Attention（KDA）：作為長上下文與大規模注意力的效率基礎；
- Attention Residuals（AttnRes）：讓模型能沿著深度選擇性取回過去層的表示，而不是只把所有資訊一路均勻累加。
直觀地說，KDA 處理的是「文件很長時怎麼不要算到失控」，AttnRes 處理的是「模型很深時怎麼不要把前面的重點稀釋掉」。
官方宣稱這些架構、稀疏度與訓練方法，讓 K3 相較 K2 的整體 scaling efficiency 提升約 2.5 倍。這仍是廠商數據；完整技術報告尚未發布，目前可以理解方向，不能假裝已經完成外部重現。
100 萬 token 的價值，不是讓你貼一本小說
K3 的官方精確規格是 1,048,576 token 上下文，並支援原生視覺輸入。真正有價值的情境不是炫耀能塞多少頁，而是讓長時間 Agent 同時保留：
- 原始需求與驗收條件；
- 大型程式庫、文件與 API 規格；
- 工具呼叫結果與錯誤紀錄；
- 畫面截圖、視覺回饋與修改歷史；
- 先前嘗試過但失敗的路徑。
K3 特別強調 vision in the loop。它不只寫前端程式，也能看執行畫面，再修改 CSS、互動、遊戲或 3D 場景。這也解釋了為什麼它在前端網頁生成與視覺程式任務上特別突出。
但 Context Window 是容量，不是保真度保證。能放進 100 萬 token，不代表第 37 萬與第 91 萬 token 的細節都能同樣可靠地取回。長上下文仍要用自己的 needle、跨文件整合與長軌跡任務測試。
帳戶限制也可能比模型規格先撞牆。Kimi API 的低階 Tier 0 帳戶目前只有每分鐘 50 萬 token，低於模型的完整上下文容量；要測真正的 1M request，必須先核對帳戶等級、TPM 與 input／reasoning／output 如何共同占用 context。規格頁寫得下，不代表你的帳戶當下送得進去。
開放模型開始領先閉源，證據在哪裡？
這裡要把「領先」拆成三種證據：獨立人類偏好、廠商公布評測，以及跨模型綜合指數。三者都能看，但不能混成同一張成績單。
1. Arena WebDev：目前最有力的獨立訊號
Arena 在 2026 年 7 月 16 日的 WebDev Overall 榜，把前端網頁開發定義為包含多步驟推理與工具使用的工作。當時的實驗室排名是：
| 排名 | 模型 | 分數 |
|---|---|---|
| 1 | Kimi K3 | 1679 ± 17 |
| 2 | Claude Fable 5 | 1631 ± 13 |
| 3 | GPT-5.6 Sol（Codex harness） | 1618 ± 13 |
| 4 | GLM-5.2 | 1587 ± 10 |
如果把條件收緊成「權重今天已經公開」，第 4 名的 GLM-5.2 反而是更直接的證據。Z.ai 已用 MIT 授權發布模型，Arena 上它仍排在 Grok 4.5、Muse Spark 1.1 等多個閉源模型之前。這不代表開放模型拿下通用總冠軍，卻已足以證明：在一個明確的前端開發領域，開放權重模型可以實際領先多個閉源前沿模型。
這張表有兩個訊號。
第一，K3 在前端網頁開發這個具體領域，確實暫時領先兩個最強閉源模型。這就是「開放模型路線已能在特定領域超車」最直接的例子。
第二，在 7 月 16 日的榜單頁面上，Arena 仍把 K3 標成 proprietary。所以這不是一張「已開源模型第一名」證書，而是「承諾在十一天內開放權重的模型，已先在產品與評測上跑到第一」的時間差。
榜單還會變，K3 也仍是新模型。1679 不是刻在石碑上的數字；真正值得記住的是，前端開發已經不再由閉源模型天然包辦前排。
2. Moonshot 官方評測：不是全面勝利，而是明顯偏科
Moonshot 公布的完整表格呈現一個很有性格的模型。
K3 領先的項目包括：
| 評測 | Kimi K3 | Claude Fable 5 | GPT-5.6 Sol |
|---|---|---|---|
| Program Bench | 77.8 | 76.8 | 77.6 |
| Automation Bench | 30.8 | 29.1 | 29.7 |
| BrowseComp | 91.2 | 88.0 | 90.4 |
| SpreadsheetBench 2 | 34.8 | 34.7 | 32.4 |
但它不是每一科都贏：
| 評測 | Kimi K3 | 領先模型 |
|---|---|---|
| DeepSWE | 67.5 | GPT-5.6 Sol：73.0 |
| Terminal-Bench 2.1 | 88.3 | GPT-5.6 Sol：88.8 |
| FrontierSWE | 81.2 | Claude Fable 5：86.6 |
| GDPval-AA v2 Elo | 1668 | Claude Fable 5：1760 |
這組結果最適合支持的結論是：K3 在前端、瀏覽研究、流程自動化、試算表與部分程式任務已能超車；但在完整軟體工程與綜合專業工作上，還沒有全面領先。
更麻煩的是，這些項目使用的 Harness 不完全相同。K3 可能搭 Kimi Code，Claude 搭 Claude Code，GPT 搭 Codex；部分評測甚至會取其他模型在不同 Harness 中的最佳分數。K3 也全部使用 max thinking effort。
所以，這些是「模型加工作系統」的結果，不是把三顆裸模型放在無菌室裡打一架。
3. Artificial Analysis：能力很強，食量也不小
Artificial Analysis 對 K3 的快照更接近一盆冷水：
- Intelligence Index：57 分，2026 年 7 月 18 日排名第 4；
- 輸出速度：約 62 token／秒，低於同類平均；這是開始輸出後的 decode 速度，不是使用者等到答案的完整時間；
- 支援文字與圖像輸入、文字輸出、100 萬 token 上下文；
- Intelligence Index 評測共輸出約 1.30 億 token，同類平均約 6,300 萬；
- 該次完整 Intelligence Index 評測成本約 US$2,709.75。
Artificial Analysis 在 Kimi 官方 API 的 10K 輸入工作負載上，量到約 1.99 秒收到第一個 token，但模型在正式答案前平均先推理約 32.25 秒，因此 第一個可讀答案 token 約要等 34.24 秒；生成到 500 token 的端到端時間約 42.30 秒。這組數字比「62 token／秒」更接近人真正坐在螢幕前的感受：它開始講話後不算慢，但開口前會想很久。
也就是說，K3 不是那種「又小、又快、又便宜，順便把閉源模型全打趴」的童話。它比較像一位能力很強、願意一路做到底，但開會時間很長、差旅費也不少的資深顧問。
這反而讓它的局部領先更值得研究。因為 K3 不是靠極低價格偷到一個位置，而是用重型架構換到特定工作的前沿能力。
「開源」這兩個字，現在還不能寫得太順手
Moonshot 稱 K3 為第一個 open 3T-class model，API 文件也直接寫「開源」。但同一份官方資料又說，完整模型權重將於 2026 年 7 月 27 日前發布。
對企業選型而言，現在真正能確定的是：
- 產品與 API 已上線；
- 官方承諾將發布完整權重；
- Moonshot 官方 GitHub 與 Hugging Face 仍找不到 K3 權重 Repository；
- 完整權重、技術報告與最終授權仍待驗收；
- Arena 與 Artificial Analysis 暫時仍標示 proprietary。
即使權重如期上線，開放權重也不自動等於完整開源 AI。Open Source Initiative 的 Open Source AI Definition 還會檢查是否提供足夠的參數、程式碼、資料資訊與自由使用、研究、修改、分享的權利。
因此，現在最不容易翻車的寫法是：
Kimi K3 是已公開使用、預定於 7 月 27 日前發布完整權重的前沿模型。它代表開放模型路線的能力突破；是否符合完整開源定義，要等權重、程式碼、資料揭露與授權條款實際落地後判定。
這個字眼不是挑語病。對企業而言，能下載權重、能修改、能商用、能再散布、能取得推論程式與足夠技術資訊，是完全不同的權利。
價格不算低，快取才是 K3 經濟學的核心
K3 官方 API 每百萬 token 的價格是：
| 類型 | 價格 |
|---|---|
| 快取命中輸入 | US$0.30 |
| 一般輸入 | US$3.00 |
| 輸出 | US$15.00 |
如果用 70% 快取命中輸入、20% 一般輸入、10% 輸出的示意組合計算，加權價格是每百萬混合 token US$2.31。這個數字只有在你的工作負載真的接近該比例時才有意義。
Moonshot 表示，官方 Kimi API 在 Coding 工作負載的快取命中率可超過 90%。這個優勢來自 Mooncake 的分離式推論架構與長前綴快取。Coding Agent 會反覆攜帶相同程式庫、系統指令與對話歷史，理論上非常適合快取。
但問題是：只要你頻繁改動前綴、切換 Harness、重組訊息或把模型當成臨時 fallback，快取命中率和品質都可能一起掉。
而且輸出是 US$15，K3 在 Artificial Analysis 的輸出量又接近同類平均的兩倍。便宜的快取輸入，救不了無限制的長篇輸出。
真正該追的不是 API 價目表，而是：
每個被接受的任務成本 = 模型與工具總成本 ÷ 通過驗收的任務數，再加上人工修正、等待、重試與風險。
這也是我在2026 年 AI Coding 工具選型裡反覆強調的 accepted-task economics。模型單價只是最容易被看見的那一小塊。
K3 最容易被忽略的限制：它不是可以隨便熱插拔的模型
Kimi 官方很誠實地列出一個不常見、但很關鍵的限制：K3 對完整思考歷史很敏感。
K3 採保留思考歷史的訓練方式。多輪對話與工具呼叫時，API 文件要求把完整的 assistant message 原樣帶回下一輪，不能只留下最終 content。如果 Harness 沒有正確保留歷史，或在進行中的工作中途從其他模型切換到 K3，生成品質可能變得非常不穩定。
這件事直接打臉一個常見想像：
「反正都是 OpenAI-compatible API，改一下 model slug 就能無痛切換。」
插頭一樣，只代表插得進去，不代表電壓、通訊協定與工作習慣都一樣。
如果把 K3 接進 Hermes、OpenCode、Codex 相容 Gateway 或企業自製 Agent，至少要驗證：
- reasoning history 是否完整 round-trip；
- tool call 與 tool result 是否保持正確順序；
- context compaction 是否會丟掉 K3 需要的思考內容；
- mid-session fallback／failback 是否造成品質崩落；
- 快取是否因訊息重組而失效；
- Harness 的 System Prompt 與工具描述是否針對 K3 調整。
官方目前建議使用已驗證相容的 Kimi Code。這不是說第三方 Harness 不能用，而是不能只測「API 回了 200」，就宣告整合完成。
另一個限制更像 Agent 的性格問題：過度主動
Moonshot 把它叫作 excessive proactiveness。
K3 被特別訓練來處理長時間、困難、開放式任務。這讓它能在大型工程與研究裡持續推進，也讓它在需求模糊時，可能替使用者做出預料外的決定。
你叫它移一張椅子，它可能順便重新裝潢會議室。做得還不錯，但問題不是這個。
對有工具權限的 Agent，這不是文風偏好，而是風險模型。系統至少要有：
- 明確的檔案、網路、資料與工具權限；
- 刪除、覆寫、付款、寄送、發布與部署前的人工核准；
- 可執行的 allowlist／denylist，不只是在 Prompt 裡拜託它乖一點；
- 每一步的日誌、產物檢查與失敗回復；
- 對模糊需求先停下詢問的明確規則。
AGENTS.md 可以告訴模型怎麼做事，但真正的安全邊界仍要靠 sandbox、權限、憑證、網路政策與 approval gate 強制執行。
K3 上線初期也只有 max 推理強度，低與高檔位仍待後續開放。這讓簡單任務可能太慢、太長、太貴。Kimi 官方聯網搜尋工具目前也在更新，文件明確寫著近期不建議使用；需要正式研究流程時，應接自己的可觀測搜尋與引用工具，而不是把產品展示當成生產 SLA。
誰現在應該測 K3？
我會優先把 K3 放進以下工作的對照組：
1. 前端與視覺程式
給它需求、參考畫面、現有 Repository、瀏覽器截圖與可執行測試，看它能不能在 vision-in-the-loop 裡反覆修改，而不是只生成一張看起來很厲害的首頁。
2. 大型 Repository 的長時間任務
例如跨模組重構、測試補齊、工具鏈整合、GPU kernel、資料處理與需要終端機反覆驗證的工作。這些才有機會用到它的長軌跡能力。
3. 可交付的知識工作
不要只測「幫我摘要 20 份報告」。測它能不能交付帶來源的研究、試算表、互動圖表、簡報或可檢查的資料產物，並把事實、推論與不確定性分開。
4. 開放權重與私有部署的前置研究
大型雲端供應商、研究機構與有 64+ 加速器 supernode 能力的組織，可以先評估權重發布後的部署路線。一般個人或中小企業則不要被「開放權重」三個字騙去下載一艘貨輪。
K3 使用 MXFP4 權重時，2.8 兆參數的理論緊密打包下限就約 1.4 TB，還沒算 metadata、共享結構、執行環境、KV cache、通訊與冗餘。官方建議至少 64 個加速器的 supernode，不是因為他們討厭玩家顯示卡。
一個務實的 K3 Pilot
不要全面遷移。先挑 20～40 個真實任務，分成四組：
- 前端／視覺開發；
- Repository 級軟體工程；
- 瀏覽與研究；
- 文件、試算表與互動成果。
同一批任務至少比較 K3、現有主力閉源模型，以及一個較便宜的開放權重模型。固定 Repository commit、Prompt、工具、權限、時間上限與驗收條件，記錄：
- 第一次通過率；
- 人工修正分鐘數；
- 測試、視覺回歸與事實查核結果；
- Token、快取、工具呼叫與總成本；
- P50／P95 完成時間；
- 越權、過度主動與誤判完成的次數；
- Harness、Provider、reasoning effort 與版本。
尤其不要把 K3 硬塞進現有 Router，然後在任務中途切過去。K3 適合從任務開始就被正確分流，使用相容 Harness 完整跑完；它目前不是理想的臨時備胎。
最後輸出的決策，也不該是「K3 贏了，所以全部換掉」。比較合理的結果可能是：
- K3：前端、視覺程式、長程研究與特定重型工程；
- Claude／GPT：需要更成熟指令遵循、商務文字與高可靠體驗的工作；
- 較小開放模型：分類、摘要、格式轉換與大量低風險任務；
- 人類：權限、品味、風險與最後驗收。
這才是真正的模型路由，不是把 fallback 名單寫長一點。
最後判斷：閉源不再是能力保證，開放也不是免費午餐
Kimi K3 沒有終結 Claude，也沒有把 GPT 送進博物館。
它做的事情比較麻煩：它讓原本很方便的二分法失效了。
以前可以把閉源模型理解成能力前沿，把開放模型理解成便宜、可控、稍微落後的替代方案。現在這條線被前端開發、工具操作、長流程 Agent、視覺程式與研究工作切得亂七八糟。開放模型不必先拿下通用總冠軍，才有資格在真正的工作裡領先。
當然，K3 的權重還沒落地，授權還沒驗收，技術報告還沒公開，速度不快，輸出很長，部署也重得離譜。把這些省略掉，只剩「全球最大開源模型」，跟只看排行榜第一名沒有本質差別。
對我來說，K3 最值得記住的不是 2.8 兆。
是從這一代開始，選擇開放模型不再只是為了省錢或避免供應商綁定。有些時候，你選它，是因為它真的把某一種工作做得更好。
這才是閉源模型真正需要擔心的地方。
參考資料
- Kimi：Kimi K3 Tech Blog——Open Frontier Intelligence
- Kimi API：Kimi K3 模型、思考歷史、視覺輸入、快取與限制
- Kimi API：Kimi K3 價格與帳戶流量限制
- Artificial Analysis：Kimi K3 Intelligence、Speed、Price 與技術規格
- Artificial Analysis：Kimi K3 Provider 速度、延遲與混合價格
- Arena：WebDev AI Leaderboard
- Z.ai：GLM-5.2——MIT 授權與長程 Agent 技術說明
- Open Source Initiative：Open Source AI Definition 1.0
- Reuters：Moonshot unveils Kimi K3
