Kimi K3 测评

短的结论：百川同归无异脉

基本情况：

世人都知万亿模型好，赶着上万亿规模的团队也很多，但折戟无算。殷鉴不远，月之暗面不会不知，自家的初代万亿模型在应用场景就接连败给了参数比自己小的模型。

但这不意味 Kimi 做不好大尺寸模型，Kimi K3 正是团队毕其功于一役的作品。Qwen-3.7 曾经单凭逻辑推理能力推开世界第一梯队之门，GLM-5.2 则证明了国产模型也可以在 Agent 场景有一席之地，K3 则接过接力棒，在综合能力上也实现了赶超。

当然超级模型的代价也是不菲，15 美元的定价对北美来说司空见惯，对国产模型而言却是捅破天花板。这对以前依赖海外模型的用户来说，是个好事，至少多了选择空间。

逻辑成绩：

表格的排序切换为按中位分数降序。

*1 表格为了突出对比关系，仅展示部分可对照模型，不是完整排序。

*2 题目及测试方式，参见：大语言模型-逻辑能力横评 26-06 月榜，新增#70、#71、#72题

*3 完整榜单更新在 https://llm2014.github.io/llm_benchmark/

*4 红字模型代表工作在推理模式下(慢思考)，黑色模型则是对应的非推理模式(快思考)

编程 Agent：

项目 I 是项目 D 的上位替代，本次测试 I 可以拿到 A 档，因此不再测项目 D，按 Pass。

*1 测试方式参见：大模型编程应用测试-V3榜单

• 编程：Kimi K3 相对前代 Kimi-K2.7-Code 提升巨大，全面跨过可用线，来到优秀梯队。其中前端能力尤其优秀，可以做到 UI 精准不多余，同时又略超预期。功能完成度很高，直出达到生产级。相比而言，如果使用 Opus 不搭配必要 Skill，则 Opus 的直出达不到生产级。Fable-5 虽然有同级别 UI 表现，但功能发挥偏保守一些。K3 的审美能力也能延续到非前端项目，比如测试 G 项目，目前各个模型完成效果都偏“玩具”，但 K3 整体更精致，标准化，离生产级更近。
• 虽然 Oneshot 的效果更好，但 K3 并非能力完全偏向 Oneshot，复杂场景的 Debug 也同样得心应手，拥有和 Opus、GPT 相同级别的指哪打哪能力。而且阅读轨迹能看到 K3 在问题定位上花费的思考并不多，会通过精准的检索快速锁定问题，大量依靠 Bug 直觉。在复杂任务场景下，K3 的 Context 注意力衰减不大，即便工作在 500K 上下文区间，K3 也能保持对原始目标的细节把控。这也是 K3 训练有素的体现。
• K3 具备多种测试验收手段，在原生多模态加持下，K3 通过传统截图对比能够发现绝大部分UI 问题，也能通过大量编写单元测试定位多数逻辑问题。甚至在不便验证时，还会自己构建一套模拟环境，用数值方法来推导。验证过程通常会占到 Token 消耗的 1/3，时间消耗的一半。K3 往往在较难自测的重交互场景会有疏漏，比如不考虑点击范围，拖动手感，以及交互的执行效率等。
• 按 API 原价计算任务维度的综合成本，K3 基本持平 Sonnet 5，高于 GLM-5.2 约 2 倍以上，略高于 GPT-5.6 Sol。但只有 Opus 4.8 的 1/2，只有 Fable-5 的 1/3。在 K3 更擅长的前端场景，则这种优势还要更大一些。而到了 Rust、Metal 等偏小众领域，K3 在定位和验证上耗费巨大，总成本相对 Opus 也不占优了。
• 逻辑：K3 在推理问题上与 GPT-5.6 Sol (xhigh)互有高低，K3 强在任务细节多，要求严格的场景，可以更加精准的遵循要求，而 GPT 则相对更不受控一些。而在涉及空间感知，直觉推理，解空间探索类的任务，K3 就明显力不从心，频繁诉诸暴力搜索。比如有任务要求模型找到全部解，GPT 可以在仅用28K Token 条件下找到全部解，而 K3 则消耗到90K 也找不齐解，思路明显要狭窄一些。除此之外的场景，K3 也可以做到稳定正确，只是 Token 效率偏低。比如跟上代 Kimi K2.6 对比，K3 则显著缩短了思维链，K2.6 曾经不合理的超长思考，在 K3 基本都消除了，原先思考不足的任务，K3 也能合理的思考更深。

赛博史官曰：

登月需要非常之人，立非常之功。以 AGI 为己任的月之暗面也必然要向智力顶点发起挑战。如果说仅用中小尺寸模型，经过良好调教就能满足绝大部分日常工作，那么为了超越全人类智力，则需要将模型规模扩大再扩大。如此规模的模型对国内算一个新起点，曾经北美同行走通的道路，国内团队也早晚要自己走一遍。百川归海，殊途同归。