月之暗面最近放的风声有点大。Kimi K3，2.5万亿参数，MoE架构，多家媒体内测数据已经传出来了。我花了一个上午把能找到的实测数据都过了一遍，结论是：这可能是今年下半年最值得关注的国产大模型。
2.5万亿参数，但只激活320亿
很多人看到"2.5万亿参数"第一反应是堆料。但这里有个关键点：K3用的是MoE混合专家架构，单次推理只激活320亿参数。什么意思？
打个比方：稠密大模型就像一个大通铺办公室，全公司的人不管有没有活都坐在一起跑；MoE是把384个专家分散在不同房间，来什么活就找谁。简单问答就喊几个人，长篇分析才叫全员出动。算力利用率提升60%以上，这是国产模型在硬件受限情况下反超海外旗舰的核心原因。
一句话总结：2.5万亿是它的天花板，但日常你只需要它花320亿参数的钱干活。
实测数据：SWE-Bench编程反超Opus 4.7
最让我意外的是代码能力。SWE-Bench Pro这个行业公认最权威的代码基准测试里，Kimi K3拿了66.8%，超过Claude Opus 4.7的64.3%，也超过GPT-5.5 Codex的57.7%。
不过这里有个细节值得讲：K3在国内工业代码场景优势更大。它能读懂国产工程标准注释、鸿蒙开发文档、PLC工业代码，写光伏设备控制脚本零水土不服。海外模型写这些经常用欧美标准逻辑，后续改起来很头疼。
但底层芯片架构、超大分布式集群开发，Opus还是有小幅领先。顶尖大厂底层研发大概率还是双模型搭配用。
100万Token上下文：三体三部曲一次读完
K3把上下文窗口拉到了100万Token。换算一下：完整三体三部曲、几十万字工程合同、几百篇学术文献，全部一次性上传。
而且优化了线性混合注意力架构，长文本前后信息留存率94%。对比Opus 4.7超过40万字就开始忘事前后矛盾，K3在长文档处理上确实拉开了一个身位。
这个功能对普通上班族和学生实用性很强：写论文不用分十次上传参考文献，做法务不用拆几十份合同对比条款。
定价：API成本是Opus的十分之一
官方预热定价显示：API白天高峰0.9元/百万输入Token，夜间低峰0.35元。对比Opus 4.7的35元/百万Token，成本只有十分之一到三十五分一。
个人会员39元/月解锁完整100万上下文+四模态无限制调用。这个价位放在2026年下半年，确实很有竞争力。
短板：艺术绘画、英文冷门科研、海外插件生态
客观说，K3不是万能选手。纯艺术图像生成细节不如GPT-5.5和Gemini 3.5，小众英文冷门理工科文献覆盖度不足，海外第三方插件生态跟OpenAI几百万GPTs差得很远。
斯坦福2026年AI指数报告说中美大模型综合差距已缩小到5%以内。K3的发布代表国产超大MoE模型工程化能力到了全球第一梯队，部分赛道已经反超——但该承认的差距还是要承认。
总结
Kimi K3不是"吊打全球"的营销故事，而是一个在中文场景、长文本、本土开发、性价比四个维度做到极致的国产大模型。对于国内办公、编程、学习、自媒体场景，它的实用性确实超过海外付费模型。
发布后我会第一时间实测，到时候跟大家分享真实体验。
这篇文章比较客观。不吹不黑地看，Kimi K3代表的是国产大模型在实用主义路线上的一次重要突破——不在每个维度争第一，而是在中文场景、长文本、本地化适配、性价比这四个点上做到极致。这种策略比追求全面碾压更务实。
2.5万亿参数……它知道自己有这么多参数吗?
SWE-Bench Pro 66.8% vs Opus 4.7 64.3%，差距虽然不大但方向是对的。不过我更关注API定价：白天0.9元/百万Token vs Opus 35元，成本差35倍。这个性价比如果真能兑现，中小企业批量调用会大量迁移。成本优势才是国产模型真正的护城河。
MoE架构单次只激活320亿这个点抓得好。很多人只看总参数就高潮了，实际推理成本才是关键。K3这套384路专家网络的思路确实比K2.7成熟多了，AIME 95.6%那个分数如果是真的，那数学推理短板确实补上了。等正式发布我跑几个代码实测看看。
100万Token上下文这个最打动我。现在写长文要分十几次上传参考文献真的太烦了，要是真能一次丢进去让它帮我梳理逻辑，写论文效率能翻一倍。不过94%留存率的数据是哪来的？希望正式版有公开测试报告。