暂时不跟进视频生成！Kimi K3 力压 Fable 5、登顶 Arena 榜单，提价近4倍对标Sonnet 5
从 K2.6 到 K3 历时两个半月、跃升 17 个名次，月之暗面在 WAIC 大会首日交出一份亮眼成绩单。官方博客坦承"整体性能仍落后于最强闭源模型 Claude Fable 5 和 GPT 5.6 Sol"，但在第三方权威平台 Arena 刚刷新的评测中，K3 以 1679 分登顶前端代码 / Web Dev 榜单，力压 Fable5 48 分、高于 GPT-5.6 Sol 61 分。
Arena 评测到底在测什么
Arena 评测并非检查代码能否通过固定单元测试，而是让模型面对相同的真实前端任务，由用户比较生成结果并投票。因此它同时衡量代码功能、交互体验、视觉效果和需求理解，更接近 Vibe Coding 时代用户对"成品"的主观选择——这对前端工程师而言是一个值得关注的信号：榜单衡量的不是"能跑"，而是"能用、好看、对味"。
具体到七个前端细分领域，K3 在六项排名第一（品牌与营销、参考图复刻、数据与分析、消费产品、模拟应用、内容创作工具），游戏开发排名第二。两两对战平均胜率 76%，高于 Fable 5 的 63% 和 GPT-5.6 Sol 的 58%。
这组数据可以解读为：Kimi 能把视觉判断、产品理解、前端工程和多步执行结合得更完整，尤其适合网站生成、数据看板、可视化研究和互动内容。对前端侧的体感就是——用 Kimi 生成的网页综合审美更受认可。这同时也反映出一个超出预期的趋势：中国开源模型追赶美国闭源模型的速度，比 Anthropic CEO 达里奥此前"6-12 个月内才会出现同等能力开源模型"的判断来得更快。
WAIC 首日还展示了一段 36 秒官方宣传视频，由 K3 从 56 个源素材（Quellclips）中自主完成剪辑——一个具象的 agent 多步执行案例。
三大核心场景评测
K3 拥有 2.8 万亿总参数、原生视觉理解和 100 万 Token 上下文，官方将核心场景概括为长周期编程、知识工作和复杂推理。
1）长周期编程
K3 在 Terminal Bench 2.1 取得 88.3 分（高于 Fable 5 的 84.6）；Program Bench 77.8 分（高于 76.8）；SWE Marathon 42 分（高于 35）。但在更强调真实代码仓库修复的 DeepSWE 和 FrontierSWE 中，K3 分别为 67.5 和 81.2 分，仍落后 Fable 5 的 70 和 86.6 分。
2）Agent 与知识工作
K3 在 BrowseComp 达到 91.2 分（高于 Fable 5 的 88）；Automation Bench 30.8 分排名第一；SpreadsheetBench 2 为 34.8 分，略高于 Fable 5。但在 Job Bench、Toolathlon 和 GDPval-AA v2 等复杂职业任务中仍有差距。
3）视觉理解与文档处理
K3 在 OmniDocBench 达到 91.1 分（高于 Fable 5 的 89.8）；MMMU-Pro 81.6 分（略高于 81.2）；但在 CharXiv、MathVision 以及工具增强后的视觉推理项目中，仍普遍落后于 Fable 5。
综合来看，K3 的优势集中在终端操作、长周期执行、浏览研究、自动化和视觉化交付；短板在高难度仓库修复、复杂工具协调和部分深层视觉推理。工程侧值得一提：K3 能同时处理图像与视频输入，调用自定义工具，动态加载工具，输出严格 JSON，并自动进行上下文缓存。模型始终开启思考模式，目前只开放最高推理强度，没有提前测试账号大概率要排队。
路线判断：不做视频生成
值得专门拎出来说的是，Kimi 的多模态路线目前更偏理解与推理，而非生成视频。月之暗面联合创始人、算法团队负责人周昕宇在 x 上明确回复网友：Kimi 不会跟进视频模型，团队现阶段更关注提升模型的智能上限，并认为"视频生成难以提升智能"。他的判断是——视频生成虽然实用，但无论从理论还是实际效果看，对提升模型智能帮助都不大。这是一个在普遍追逐视频生成的行业氛围里相对克制的路线选择。
架构野心：1.79% 极致稀疏
从 K2.6 的 1T 到 K3 的 2.8T，Kimi 一直在践行 Scaling Law。但更大的模型意味着更高计算成本，所以核心并非简单"把模型做大"，而是同时优化改造模型的容量、注意力和跨层信息流。
K3 最激进的一步，是把 MoE 的稀疏激活率推向 1.79%（16/896）：2.8 万亿总参数采用 Stable LatentMoE 架构，共 896 个路由专家，每次只调用 16 个。相当于建立一个更庞大的"能力库"，再根据 Token 内容动态选择少数专家处理。
这是当前 MoE 架构的重要趋势：
- DeepSeek-V3：每层 256 个路由专家，每个 Token 激活 8 个，另有共享专家，路由激活率约 3.13%
- GPT-4（早期版本）：256 个专家、每次激活 7 个，激活率约 2.73%
- Kimi K3：896 个专家、每次激活 16 个，激活率 1.79%
逻辑是：在相近的单 Token 计算预算下，极度稀疏的 MoE 相比中等规模稠密模型，能容纳更多知识和技能，从而得到更高的能力上限。更大的模型参数本质追求的，是模型可以拥有远超单次计算规模的知识容量。
但代价也很现实——专家越多、调用比例越低，每一次错误路由造成的损失越大，对负载均衡、路由稳定和跨卡通信提出更大挑战。官方建议 K3 部署在至少 64 张加速卡组成的超节点上，以提供更大的高带宽通信域。架构上配套的几项设计都服务于这个目标：Stable LatentMoE 负责容量与路由，Quantile Balancing 根据路由分数分位数直接分配专家以减少对经验参数的依赖；KDA（Kimi Delta Attention）通过混合线性注意力为长序列提供更低成本的信息处理；AttnRes 允许当前层有选择地检索此前层表示，使超大模型更有效利用深层网络。整体改进让 K3 相较 K2 取得约 2.5 倍的整体 Scaling 效率。
K3 完整模型权重将于 2026 年 7 月 27 日前发布，架构、训练和评测细节会随技术报告一同公布。
提价近 4 倍，价格向 Claude 看齐
性能铺垫完毕，价格环节 Kimi 放弃了国产模型一贯的低价策略，向国际顶尖模型看齐。从 K2.6 到 K3：
- 普通输入价格上涨至原来的约 3.16 倍
- 输出价格上涨至 3.75 倍
- 上下文从 256K 扩大到 1M
- 始终开启思考模式，目前仅提供最高推理强度（K2.6 还允许关闭思考以控制延迟和 Token 消耗）
K3 定价完全对标 Claude Sonnet 5：两者标准价格均为每百万 Token 输入 3 美元、输出 15 美元。以 Sonnet 级价格提供 Fable 级结果，官方叙事里仍称"极具性价比"。
Token 单价看齐 ≠ 真实任务成本看齐
这是这篇文章最值得开发者警惕的部分。Artificial Analysis 测试显示，K3 在综合评测中生成了约 1.3 亿输出 Token，约为同类模型中位数 6300 万的两倍；输出速度约 62 Token/s，低于约 72 Token/s 的同类中位水平。
换句话说，K3 即便与 Sonnet 5 同 Token 单价，如果为完成同一项工作思考更久、输出更多，实际任务成本和等待时间仍可能更高。价目表只显示每个 Token 多少钱，真正决定是否划算的，是完成一次任务究竟消耗多少 Token、需要多少次重试。
真正让国内开发者肉疼的是 K3 对比 DeepSeek V4 的价格差距，特别是缓存命中价格，Kimi K3 将近 DeepSeek V4 Pro 的一百倍。
有网友按输入、输出和缓存命中比例完全不变的静态估算：从 DeepSeek V4 Pro 切换到 Kimi K3 后，同一工作负载消费额可能从 3.5 上涨至 61，整体成本扩大约 17.3 倍。而且这还没算上 K3 强制最高推理强度带来的更长思维链——真实任务成本仍可能明显高于 DeepSeek。
这种成本结构也映射到产品使用门槛：用户若要完整体验 K3 的百万 Token 上下文，需要购买 699 元的包月会员。
为什么必须提价
结合月之暗面的商业进程看这场提价的必要性会更清晰：
- 年化经常性收入在 2026 年 4 月超过 2 亿美元
- 5 月完成约 20 亿美元融资，估值超过 200 亿美元
- 目前正寻求以约 300 亿美元估值融资 20 亿美元，为潜在香港上市做准备
到了这个阶段，Kimi 需要证明的已不只是模型能不能登顶榜单，也包括能力能否转化成收入，收入能否进一步转化成可持续的毛利。从 K2.6 的性价比低价策略转向对标 Sonnet 5 的定价，本质上是一次"用 Fable 级能力兑现商业溢价"的赌博——榜单是叙事，毛利才是上市故事的核心。