K3發布48小時，服務器滿載、英偉達暴跌、Anthropic連夜改訂閱

K3發布后的48小時，全球AI圈都被點燃了。所有人都迫切地想體驗一把這個綜合性能僅落后于Fable 5和GPT-5.6 Sol的開源模型，到底性能如何。

可這就導致Kimi的服務器在一瞬間承受了巨大的壓力。因此，Kimi官方不得不在7月19日深夜，發布一則標題為《關于算力緊缺與會員暫停開放的說明》的公告。

Kimi官方表示，目前K3的請求量大幅超出預估，已經逼近現有算力集群的承載極限。

為了保障已訂閱用戶的體驗，即日起暫停C端新用戶會員訂閱，把現有算力全部留給老用戶。同時，會員體系將拆分為兩部分，分別為Kimi的主權益（Kimi Web、Kimi App、Kimi Work）和Kimi Code權益，以便更精準地分配算力。

翻譯一下：K3太火了，服務器扛不住了，先別進新人了。

與此同時，外媒爆料稱，Kimi已向投資者發出股東決議，尋求對香港上市的批準，最快六個月IPO。

為了推動上市，Kimi目前正在完成一輪新融資，估值可能超過300億美元。

今年3月，月之暗面ARR（年化收入）首次突破1億美元；5月突破2億美元；到6月已經接近3億美元，三個月內翻了三倍。

收入結構也跟以前天差地別，API業務占比已經突破了70%，而以前的Kimi，主要收入靠C端訂閱。

外媒進一步爆料稱，在K3發布后，ARR又實現了數倍增長。

不過K3引發的震蕩遠不止于此。

美國國家前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），發文表示，這是中國模型第一次在前端編程賽道拿下第一。

塞克斯說，照此以往，美國將輸掉AI競賽。

在爆火之后，K3如今也成為了硅谷的新標的。馬斯克就是如此，他表示，xAI旗下最新大模型將于下周完成初步訓練，可能超越Kimi。

K3發布的首個交易日，英偉達單日市值蒸發約1111億美元，與2025年1月DeepSeek發布時如出一轍。費城半導體指數本周下跌12.5%，創下15個月來最差單周表現。摩根大通策略師在報告中直接稱之為“DeepSeek 2.0”。

加州大學伯克利分校計算機科學教授、Databricks聯合創始人伊翁·斯托伊卡（Ion Stoica）說：“我們過去常說，開源模型，尤其是中國的開源模型，比目前最先進的模型落后六到九個月。可現在，這個差距大概只有兩到三個月了。”

那么問題來了，這個K3，到底是從哪冒出來的？

01

兩年前埋下的那顆種子

要說K3，得先把時間撥回2024年。

當年，楊植麟在內部小范圍分享了K0-Math模型。這個模型能像人一樣做驗算、改錯題。

當時楊植麟提出了一個判斷，說下一個 Scaling Law，叫做Reinforcement Learning Scaling，簡稱RL Scaling。

過去的Scaling Law，本質上是讓模型“死記硬背刷題庫”。你把海量的訓練數據喂給它，它把所有題目和答案全背下來，考試的時候看到題目，就憑記憶拼出一個“最像正確答案”的東西。背得越多，分數越高。

學術上，這個方法叫Next-Token Prediction，每一個字，都是根據前面所有字算出來的最有可能出現的下一個字。

楊植麟說的RL Scaling，換了個思路。不讓模型背答案了，讓它學會自己刷題、自己改錯。

具體的做法是，給模型配一個“自動打分”的機制。它先自己試著做一遍，做完給自己打分。做錯了沒關系，回頭看哪步出問題了，改一遍再交，改到對為止。然后把這次怎么錯的、怎么改對的，全都記下來，變成自己的經驗。

K0-Math的底層邏輯就是RL Scaling，它的數學成績超過了OpenAI當時最強的推理模型o1。

而今天的K3，正是兩年前RL Scaling的第一次大規模落地。

這也就是K3技術報告中提到的“視覺閉環”（Vision in the Loop）。

它的本質，是把K0-Math在解數學題上的RL Scaling能力，擴展到了帶視覺反饋的全場景。模型寫完一段代碼，自己看看效果，哪里不對自己改，改完再看，形成“生成—看效果—迭代”的完整工作流。

Kimi在技術報告里放了幾個Demo，以演示視覺閉環的效果。

K3從零開始寫了一個3D開放世界游戲。用Three.js、WebGPU 和 GPU Compute，在瀏覽器里跑起來了一個可以騎馬探索的程序化生成開放世界。

其中的地形、光影、玩法邏輯，全是模型自己寫的。它甚至調用了外部工具來生成3D騎手和馬的模型。

它還剪了一支自己的發布預告片。從56段原始素材里自己挑片段、自己做動作匹配剪輯、自己卡幀對齊節拍、自己處理音頻，還來回改了好幾版。

技術報告中提到，K3可以實現，幀級精準節拍同步（frame-accurate beat synchronization）。

一秒鐘有24幀，每一幀只有約0.04秒。人類對時間的感知是有誤差的，一般人剪視頻，能對準到“大概在這個鼓點附近”就不錯了，差個零點幾秒根本感覺不出來。

“幀級精準”的意思是，畫面切換精確到具體的某一幀，剛好卡在那個鼓點最“咚”的那一幀上。

前文提到，K3也是全球首個開源的3萬億級別模型，總參數達到了2.8萬億。

這么大的參數，如果按照傳統方法來說，它每輸出一次，算力消耗都會爆炸，但事情截然相反。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Attention Residuals（注意力殘差）技術，訓練效率提升約25%，額外成本不到2%。

評測機構Artificial Analysis當天就放出了測評。K3在AI智能指數上拿到57分，排名全球第三，僅次于Claude Fable 5的60分和GPT-5.6 Sol的59分，超過了Claude Opus 4.8（56分）、GPT-5.5和GLM-5.2。

更關鍵的是性價比。K3完成單個任務的成本是0.94美元，跟GPT-5.6 Sol的1.04美元差不多，只有Claude Opus 4.8（1.80美元）的一半。

馬斯克在 X 上看到Artificial Analysis發的K3跑分推文，回了一個詞：“Impressive”。

02

想追上Fable 5，還差什么

雖然在Artificial Analysis的榜單上，Kimi K3只比Fable 5低了3分，但背后仍是不小的差距。

Kimi自己也在技術報告中開頭就寫到，“K3的整體性能仍然落后于最強大的模型Claude Fable 5和GPT 5.6 Sol”。

Artificial Analysis的智能指數只是一個綜合分。拆開來看單項，就會發現差距具體表現在哪里。

在真實代碼庫中長程工程能力基準DeepSWE里，GPT-5.6 Sol 拿到73.0分，Fable 5拿到70.0分，K3是67.5分。在 Terminal Bench 2.1上，GPT-5.6 Sol以88.8分領先，K3拿到88.3分緊隨其后，Fable 5和 Opus 4.8都是84.6分 。

K3在某些單項上確實能贏，可是在長時間、多步驟、高復雜度，這些硬骨頭工程任務上，要遜色于Fable 5和 GPT-5.6 Sol。

在高難度視覺推理測試Zerobench測試中，Fable 5拿到46.0分，K3是41.0分，差了5分。同時，Fable 5在兩項視覺 Agent測試中均拿下第一。

Fable 5能僅憑截圖就重建一個Web應用的完整源代碼，還能從密集的科學圖表中提取精確數據。它能理解屏幕上的所有信息，然后基于這些信息，再采取行動。

K3雖然也具備視覺閉環能力，但在視覺理解的深度和精度上，要低于Fable 5。

Kimi在技術報告里還承認了兩個部署層面的缺陷。

第一，K3在訓練中保留了完整的思考歷史（thinking history），如果調用方沒有正確地把之前的推理過程傳回來，或者在會話中從別的模型切換到K3，輸出質量就會明顯下降。

這意味著K3對harness架構要求非常高，換一個框架，比如從Claude Code換到Hermes Agent，表現可能就判若兩模。

第二，K3在任務模糊時會“過度主動”。

也就是說，模型更傾向于替用戶做決定，而不是先確認用戶的意圖。在快節奏的創意場景里這可能是優點，但在需要精確執行的工程流程里，這種“自作主張”可能引發連鎖錯誤

還有一個容易忽視但極其重要的問題：幻覺。Artificial Analysis在測評中特別指出，K3的幻覺率比上一代 K2.6反而有所上升。

在AA-Omniscience幻覺測試中，K3“一本正經胡說八道”的頻率增加了 。對于一個定位為“長程編程和知識工作”的模型來說，這是非常致命的。

比如讓它跑一個12小時的自主編程任務，中間如果它在一個關鍵決策點上產生了幻覺，那么整條鏈路就全崩了。

Fable 5在這方面有一個天然優勢，它的安全架構和準則式AI（Constitutional AI），讓它在長時間Agent運行中能夠更“謹慎”。

拿不準的事情就直接說不確定，碰到模棱兩可的情況會提前打預防針，也會講清楚自己是怎么一步步推的，由此大幅減少出現幻覺的可能。

還有一個更深層次的問題，Fable 5只是Anthropic Mythos模型的公開版本，真正的Mythos 5，只對約100家經過審查的美國關鍵基礎設施機構開放 。

所以目前拿來對比的模型，并不是Mythos的完全體。

不過K3的問世，依然撼動了Anthropic。

Anthropic原本計劃將Fable 5從現在的訂閱制中下架，轉為純按量計費。

然而就在K3發布后的第二天，Anthropic突然改口官宣，稱Fable 5永久保留在訂閱方案中。并且Max和Team Premium用戶可使用50%額度，Pro和Team Standard用戶則獲得100美元一次性額度補償。

誠然，K3的上限低于Fable 5。不過K3能完成Fable 5絕大多數的任務，而且費用遠低于Fable 5。因此，修改訂閱制，讓利給用戶，是在K3這波熱潮之中，留住客戶的最好辦法。

03

楊植麟為何不留在美國

在Kimi K3發布后不久，蘋果首任AI總監魯斯蘭·薩拉霍丁諾夫（Ruslan Salakhutdinov，Russ是Ruslan的簡寫）也發文對楊植麟和Kimi表示慶祝。

魯斯蘭還有另一個身份——楊植麟在CMU的導師。他在推文中還回憶起了兩人在CMU，一起做出XLNet和Transformer-XL的那段經歷。

然而，正是因為魯斯蘭的那篇X，意外引爆了另一場討論，美國為何留不住楊植麟？

有人在評論區問魯斯蘭：是不是H-1B沒抽中？是不是簽證出了問題？

為此，魯斯蘭專門發了一條長文澄清。

他寫道：“關于楊植麟為什么離開美國，存在很多誤解和錯誤信息。他如果想留在美國，有很多機會。事實上，我曾在一條郵件鏈上，和一位蘋果高管（Tim Cook 的直接下屬）討論楊植麟是否有意加入蘋果。我說他想回國。對方的回復是：我們在北京有辦公室，如果他愿意，可以去那里。”

隨后，魯斯蘭寫到，“但楊植麟非常堅定地要回去創業。我記得他跟我說過，如果他不至少嘗試一次創辦自己的公司，他會后悔一輩子。我尊重這個決定，而且他是對的。”

可楊植麟為何又偏要創業呢？

通過梳理他的經歷和言論，我認為要分成三層來理解。

最底層，是一種強烈的創業執念。

2016年，楊植麟、陳麒聰、張宇韜三人創立循環智能，楊植麟任AI和產品負責人，可彼時楊植麟才讀博二。

2019年博士畢業時，已經兼職創業三年的楊植麟選擇回國。他當時不只是拒絕了谷歌、蘋果、Facebook等海外大廠，就連包括華為在內，一眾國內大廠的高薪offer，他也一并回絕。

楊植麟認為，現在各大機構的研究模式都是錯的。

他在后來的采訪時解釋說，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。

公司的業務方向會調整，科學家即使有意愿推動某項產品，成本和代價也會很大。

“我們看到老師們在工業界有一些title，但其實本質上他們還是在做研究工作。基礎研究固然重要，但無法打破學術界與工業界之間的壁壘。”楊植麟說到。

他的兩位博士導師就是現成的例子，剛才提到的魯斯蘭，他在搞學術之余擔任蘋果AI研究負責人，另一位倒是威廉·科恩（William Cohen）擔任谷歌首席科學家。

在旁人看來，這是令人羨慕的“學界+業界”雙軌制。可楊植麟卻覺得，這種模式在組織架構上存在局限。

科學家沒有足夠的資源或權力去推動產品，公司首要出發點是賦能業務，而非推動AI落地，技術轉化率與效率都被企業組織架構拖累。

由此引出了第二層，對方向的把控。

對于楊植麟來說，如果他只是想做研究、發論文，那最好的選擇自然是留在CMU，或者各大廠的研發團隊里。可楊植麟想做得更大， 他除了要研究基礎模型，還要做出產品。

最后是第三層，楊植麟需要一個起點。

楊植麟的清華同學、聯合創始人、早期客戶、人才網絡和融資關系，主要都在中國。就比如Kimi的另一位創始人周昕宇，他就曾是楊植麟在清華創辦樂隊時期的吉他手。

循環智能的另外兩位創始人陳麒聰和張宇韜，也都是他在清華大學KEG知識工程實驗室認識的。

這意味著，回國創業的啟動成本遠低于在美國從零組建團隊。

那個在 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什么。