月之暗面于2026年7月16日发布Kimi K3。这款模型共有2.8万亿参数，已经开放网页端和API；公司承诺在7月27日前发布开放权重版本。截至发布时，这仍是一项承诺，不能写成已经开源，开放权重也不等于代码、训练数据和许可证全部开放。
K3更重要的变化在价格。它没有继续沿用国产模型常见的低价打法，而是把API价格推到每百万输入Token 3美元、输出Token 15美元。我的判断是，月之暗面正在尝试进入前沿模型的高价值区间，但高参数、高基准和高定价只能拿到入场券。开发者和企业真正会为之付费的，是长程任务能否稳定完成，以及工具调用是否少出错。
Kimi K3冲上2.8万亿参数，价格也同步跃升
月之暗面将K3称为“3T级”模型，是对2.8万亿总参数的上取整表达。这个说法便于传播，却不能直接回答模型一次推理会激活多少参数，也不能说明实际速度、显存需求和部署效率。
K3与上一代Kimi K2.6的价格差距更具现实意义：
| 模型 | 参数规模 | 每百万输入Token | 每百万输出Token | 当前状态 |
|---|---|---|---|---|
| Kimi K3 | 2.8万亿参数 | 3美元 | 15美元 | 网页端、API已开放；开放权重尚待兑现 |
| Kimi K2.6 | 未在本次材料中披露 | 0.95美元 | 4美元 | 已有API价格参照 |
输出价格的上涨尤其敏感。代码生成、研究报告和智能体任务往往会产生较长输出，还可能反复规划、调用工具和重试。模型单次调用的标价看起来不高，放进连续运行的工作流后，账单会迅速拉开。
月之暗面公布的官方基准称，K3在多数项目上超过Claude Opus 4.8 max和GPT-5.5 high，但仍落后于Claude Fable 5与GPT-5.6 Sol。这些结果应当明确视为厂商自报，测试设置、提示词和推理预算都可能影响成绩，不能当成独立结论。
第三方机构Artificial Analysis给出的另一项参照是：K3在长程知识工作测试中的Elo为1547。这个数字比单项SVG测试更接近复杂工作场景，但它只覆盖特定测试范围，也不能代表所有代码、搜索、办公和工具调用任务。
K3真正说明了一件事：国产模型厂商开始尝试摆脱“性能接近、价格更低”的固定叙事，直接用更高价格争夺前沿模型预算。问题也随之变化——既然不再便宜，采购方就会要求它在可靠性上给出更硬的证据。
榜单分数不能替代工具调用，智能体可靠性仍待实测
当模型主要用于聊天和单轮生成时，答案质量足以支撑大部分比较。智能体场景换了一套评价标准。模型需要理解任务、拆分步骤、选择工具、填写参数、读取返回结果，并在中途出错后继续执行。
其中任何一步失败，都可能让一条“看起来很聪明”的回答失去业务价值。长程任务还会放大早期错误：第一次检索选错来源，后面的总结再流畅也无济于事。
目前披露的K3成绩还不足以回答几个采购问题：
- 工具调用的参数格式是否稳定，失败后能否正确重试；
- 长对话中能否持续遵守约束，避免遗忘前文或重复执行；
- 任务完成率提高多少，是否足以覆盖更高的Token价格；
- 高并发下的延迟、限流和服务稳定性是否满足生产要求；
- 开放权重发布后，许可证、量化方案和硬件需求是否适合私有部署。
这正是“尺有所短，寸有所长”。基准可以压缩比较成本，却不能替企业承担上线风险。
开发者不宜只拿同一条提示词比较答案。更有效的做法，是从自己的代码助手、检索分析或数据处理流程中抽取一批脱敏任务，记录完整任务完成率、工具调用成功率、重试次数、总Token、延迟和最终成本。K3的基础计费可以按输入Token÷100万×3美元 + 输出Token÷100万×15美元估算；推理Token是否计入输出，以及缓存、批处理等计费规则，仍要以官方API文档和实际账单为准。
企业技术负责人也不必因为参数量或榜单立刻迁移。更稳妥的动作是让K3与现有模型旁路运行，使用同一批真实任务验收，再决定是否接入预算。若开放权重按期发布，还要单独核对许可证、部署成本和运维条件。开放权重能降低供应商锁定风险，却未必降低总成本。
“鹈鹕骑车”仍能体检成本，但已经排不出模型座次
所谓“鹈鹕骑车”测试，是要求模型生成一幅鹈鹕骑自行车的SVG图。它曾经很直观：同一条指令下，模型能否理解对象关系、生成可运行代码，并画出基本合理的图形，一眼就能看出差异。
K3在一次此类简单SVG任务中消耗了13241个推理Token，总成本约0.25美元。比画面好坏更有信息量的是，K3目前只提供“max”推理档位。面对低复杂度任务，用户无法主动切换到更轻、更便宜的推理模式，这次记录至少暴露出明显的过度推理风险。
但单次结果不能推出K3的行业排名，也不能证明其智能体能力。SVG生成主要检查空间关系、代码输出和基础执行效果，覆盖不了外部工具选择、参数传递、长对话稳定性和多步骤任务恢复。测试环境、系统提示和Token统计口径同样会改变结果。
因此，“鹈鹕骑车”的排名价值已经减弱，体检价值仍然存在。它可以快速暴露三个问题：模型是否具备基本生成能力、简单任务需要多少推理开销、产品有没有合适的推理档位。至于K3能否支撑企业智能体，答案必须来自真实工作流，而不是一只画得更像样的鹈鹕。