7月16日，月之暗面在WAIC前夕扔下这颗“重磅炸弹”。2.8万亿参数什么概念？比DeepSeek V4的1.6万亿高出75%，也超过了文心5.0的2.4万亿。但参数堆砌只是表象，真正的看点在于架构。

K3采用MoE混合专家架构，总共有896个专家，每次推理只激活16个。这就好比一个巨型图书馆，每次只打开最相关的16个书架，既保证了海量知识储备，又控制了推理成本。底层引入自研的KDA混合线性注意力和注意力残差技术，原生支持视觉理解和100万token上下文。官方称整体扩展效率较K2提升约2.5倍，意味着同等算力投入能换来更高的智能产出。

算力层面，训练2.8万亿参数的模型绝非易事。有开发者测算，跑4位精度的K3需要16个节点。但K3的巧妙之处在于激活参数仅约500亿，这让部署变得可行。更值得注意的是，K3开发后期，团队大部分GPU内核优化工作已由模型早期版本自行完成——模型自己优化自己，这件事本身就很有想象力。

行业格局层面，K3的意义可能被低估了。这是开源模型首次真正站上Frontier AI的竞争舞台。过去大家默认“要最强就用闭源，开源总落后一代”，但K3在BrowseComp长程检索拿到91.2分，前端代码竞技场登顶，综合智能逼近Claude Fable 5和GPT-5.6 Sol。分析师原本预测中国要到明年初才能做出Fable级别的模型——K3提前了将近半年。

价格上，K3每百万输出token仅15美元，而Fable 5约50美元。能力接近，价格只有三分之一。这对企业客户意味着什么？选型逻辑可能要变了——不再默认选闭源，而是根据任务、成本、部署方式综合判断。

当然，K3整体表现仍落后于最顶尖的闭源模型。但“中国AI落后美国多久”这个问题的答案，正在从“年”变成“月”。当开源模型开始站上Frontier战场，这场竞赛的玩法，已经不一样了。#KimiK3#http://t.cn/AXKEPMVX