Kimi K3 冲进全球前四：游戏、3D 与编码很强，但还没有全面超过 Fable 5 与 GPT-5.6

月之暗面在 2026 年 7 月 17 日发布 Kimi K3。它不是一次常规参数升级，而是一个 2.8 万亿参数的稀疏 MoE 模型：原生支持视觉输入，提供 100 万 token 上下文，并把长程编码、知识工作和复杂推理放在同一套 Agent 能力里。Kimi K3 官方技术博客称其为首个开放的 3T 级模型，同时也坦率写明：K3 的综合表现仍落后于 Claude Fable 5 和 GPT-5.6 Sol。

这句话给出了更准确的测评结论。K3 已经进入全球第一梯队，在部分编码与视觉任务上能赢过两个美国旗舰模型；但它还不是所有任务都更强，也没有足够独立证据证明厂商展示的游戏和 3D 效果能稳定复现。

2.8 万亿参数不等于每次都调用 2.8 万亿参数

K3 建立在 Kimi Delta Attention、Attention Residuals 和 Stable LatentMoE 之上。总参数量达到 2.8 万亿，但每个 token 只激活 896 个专家中的 16 个。官方称，这套结构相较 Kimi K2 带来约 2.5 倍的整体扩展效率。它的意义不是单纯把模型做大，而是尝试在超大模型容量、推理成本和长上下文之间找到新的平衡。

K3 已上线 Kimi.com、Kimi Work、Kimi Code 与 API；完整权重计划在 7 月 27 日前发布，技术报告也要到后续才公开。API 的缓存命中输入、未命中输入和输出价格分别为每百万 token 0.30、3 和 15 美元。官方建议自部署使用至少 64 张加速卡组成的超节点，这意味着“开放权重”不等于普通团队可以低成本本地运行。

编码测评不是横扫，而是互有胜负

官方完整基准里，K3 在 Program Bench 得到 77.8，略高于 Fable 5 的 76.8 和 GPT-5.6 Sol 的 77.6；在 SWE Marathon 上得到 42.0，也高于二者的 35.0 和 39.0。Terminal Bench 2.1 中，K3 的 88.3 接近 GPT-5.6 Sol 的 88.8，高于 Fable 5 的 84.6；但在 DeepSWE 上，K3 的 67.5 低于 Fable 5 的 70.0 和 GPT-5.6 Sol 的 73.0。在 FrontierSWE 上，K3 的 81.2 高于 GPT-5.6 Sol 的 71.3，却落后 Fable 5 的 86.6。

*图：Kimi K3 官方技术博客给出的模型基准对比。不同模型使用 KimiCode、Claude Code 或 Codex 等不同 Agent harness，不能把每个分数都理解为完全同条件实验。*

官方还展示了更接近真实工程的专项任务：K3 在相同沙箱中连续运行最多 24 小时优化 GPU 内核，表现与可能触发回退的 Fable 5 接近，并明显超过 Opus 4.8、GPT-5.6 Sol 和 GPT-5.5；它还从零开发了 MiniTriton 编译器，在支持的 roofline 测试上达到或超过 Triton 与 torch.compile。这些案例证明 K3 能完成跨文件、跨工具、可验证的复杂工程，但数据仍主要来自发布方测试。

*图：Kimi 官方公布的 MiniTriton CUDA Core roofline。图中展示的是官方限定任务和硬件环境下的结果，能够说明长程编码与性能优化能力，但不能替代第三方在更多算子、硬件和工程约束下的复测。*

游戏开发与 3D 能力，强在“看见结果再改代码”

K3 的游戏与 3D 能力并不是独立的“3D 生成模型”，而是编码、视觉理解和长程 Agent 执行的组合。它可以读取概念图、截图或视频，生成可运行场景，再通过实时截图观察布局、光照、碰撞和交互结果，继续修改代码。官方把它称为 “vision in the loop”。这比只根据文字写一轮代码更适合游戏原型、WebGL 场景、交互式数据可视化、前端页面和 CAD 辅助任务。

*图：Kimi 官方案例中的浏览器 3D 开放世界。官方称该项目使用 Three.js WebGPU、GPU compute 和程序化环境生成，并调用外部 3D 资产工具制作骑手与马匹模型；这是厂商案例截图，不是独立游戏质量测评。*

*图：Kimi 官方展示的 1930 年代机械打字机 Web 应用。官方称 K3 用 4 个子 Agent 构建 Vite、TypeScript、React 与 Three.js 项目，并实现 242 个独立动画部件和 OOXML 导出，用于说明其 3D、前端与长程编码的组合能力。*

视觉基准也显示它确实有竞争力：MMMU-Pro 为 81.6，略高于 Fable 5 的 81.2、低于 GPT-5.6 Sol 的 83.0；OmniDocBench 为 91.1，高于二者的 89.8 和 85.8；PerceptionBench 为 58.5，介于 Fable 5 的 57.2 和 GPT-5.6 Sol 的 59.7 之间。但这些通用视觉分数不能直接等价为“游戏更好玩”或“3D 资产更专业”。游戏和 CAD 的可靠性仍要看复杂项目中的持续迭代、帧率、资产规范、物理系统和人工美术验收。

独立测评确认它很强，也暴露速度和成本问题

Artificial Analysis 的独立模型页目前给 K3 的 Intelligence Index 评分为 57，在 189 个同类模型中排第 4；输出速度约 62 token/秒，排名第 90。该机构同时指出，K3 输出明显偏长，同类任务的价格也不算低。这与官方列出的局限一致：K3 对完整思考历史比较敏感，中途从其他模型切换过来可能明显掉质；它在模糊任务中还可能过度主动，替用户做出未授权决定。

与竞品相比，Anthropic 的 Fable 5 页面强调长期自主工作、视觉和大型代码迁移，API 价格为每百万 token 10 美元输入、50 美元输出；OpenAI 的 GPT-5.6 发布说明则把 Sol 定位为高端通用与 Agent 模型，输入和输出价格分别为 5 和 30 美元。K3 的标价更低，缓存命中时优势更大，但更慢、更啰嗦会抵消一部分成本优势。

最适合先试的，是可验收的游戏原型和复杂编码任务

如果要验证 K3，优先选择三类任务：第一，给定参考图和明确交互规则，做一个可玩的 2D/3D 小型原型；第二，在真实仓库里完成跨文件功能、测试和修复；第三，让它针对 GPU 内核、数据处理或科学计算给出可运行实现。验收时不要只看最终截图，应同时检查代码结构、依赖、性能、测试、资源许可和是否越权改动。

现阶段最稳妥的判断是：Kimi K3 已经把中国开放模型推到与 Fable 5、GPT-5.6 Sol 正面竞争的位置，游戏、3D 视觉闭环和长程编码是它最值得关注的三项能力；但“专项领先”还不能写成“综合超越”。等完整权重、技术报告和更多独立复测公布后，才能判断它的惊艳演示究竟有多少能变成稳定生产力。