Kimi K3 发布开放权重，并用一款浏览器游戏证明实力
Moonshot AI 于 7 月 16 日推出 Kimi K3，并在 11 天后的 7 月 27 日发布了模型权重。Hugging Face 上的下载文件包含 96 个分片，总大小约 1.56 TB。Nathan Lambert 称其“显然是有史以来发布的最强开放模型”，排行榜也印证了这一点：Frontend Code Arena 第一、Vals AI Index 第二、Artificial Analysis Intelligence Index 第三，仅次于 Claude Fable 5 和 GPT-5.6 Sol Max。在开放权重模型中，它遥遥领先。
这是所有人都在报道的故事。真正引起我们注意的，是 Moonshot 选择用什么来展示它。
这个演示是一款 Three.js 游戏
在发布 K3 的同时，Moonshot 还展示了一款由 K3 生成、可在浏览器标签页中运行的程序化 3D 探索游戏：一个拥有水域、树木、小屋、雪山和骑马者的开放世界，使用 Three.js、WebGPU 渲染器和 GPU 计算构建。它不是研究片段，也不是游戏视频，而是一个可以直接加载的网页。
方法比场景本身更重要。根据 WebGPU 社区的报道，模型在视觉反馈闭环中工作，不断对照自己生成的代码与运行结果的实时截图进行迭代，从而看见自己做出了什么并加以修正。这正是我们在 Cinevva 的 Game Creator 中运行的闭环，也是区分“能写出看似合理的 Three.js 代码”和“能交付真正渲染出来的游戏”这两类模型的关键。任何模型都能生成场景图，难的是发现摄像机跑进了地形内部。
因此，截至本周的情况是：一家前沿实验室在发布其能力最强的模型时，选择了浏览器端 3D 游戏创作作为最能打动人的展示。两年前，旗舰演示还是聊天机器人回答谜题。如今，门槛已经提高到了一个你可以亲自在其中行走的世界。
模型里究竟有什么
K3 是一个混合专家模型，总参数量达 2.8 万亿，每个 token 激活 1040 亿参数，上下文窗口为 1,048,576 个 token，并支持文本、图像和视频输入。Moonshot 引入了两项架构改进：Kimi Delta Attention 和 Attention Residuals，并称其扩展效率相比 Kimi K2 提升了约 2.5 倍。它始终会进行推理；7 月发布时仅提供一个“max”推理强度，而开放版本则提供 low、high 和 max 三档。
根据 Moonshot 自己公布的数据，在大多数测试中，K3 的 max 档超过 Claude Opus 4.8，high 档超过 GPT-5.5，但落后于 Fable 5 和 GPT-5.6 Sol。对于厂商自行报告的基准测试，应将其视为一种主张，而非最终定论。不过，有两项结果经受住了独立测试，而且都与软件开发密切相关：衡量智能体浏览能力的 BrowseComp 得分为 91.2，衡量长周期编程能力的 SWE Marathon 得分为 42.0。这意味着，在持续数小时而非数秒的任务中，它的表现超过了 Fable 5 和 Sol。
API 定价为每百万输入 token 3.00 美元、每百万输出 token 15.00 美元；缓存输入则降至 0.30 美元，与 Claude Sonnet 5 的标价相同。OpenRouter 上的价格略低一些。在基于它进行开发之前，有一点值得注意：与采用 Apache 2.0 且没有额外限制的腾讯混元 Hy3不同，K3 使用的是自定义 Kimi K3 License。开放权重和开源并不是一回事。如果你打算将它用于商业产品，应当仔细阅读许可条款，而不是想当然。
差距缩小的速度比发布节奏所显示的更快
Lambert 对整体趋势的判断是，最优秀的闭源模型与最优秀的开放模型之间的差距，已经从六到九个月缩短至大约三到五个月。阿里巴巴已经宣布拥有 2.4 万亿参数的 Qwen 3.8，并将随后开放权重，因此这场升级竞赛并没有放缓。我们曾在 2025 年 1 月写道，DeepSeek R1 重置了智能成本。18 个月后，已经形成了一种模式：每一次重置都会被行业迅速吸收，随后以更快的速度再次发生。
对所有游戏创作者而言，实际影响是：智能层正不断变得更便宜、更易于迁移，而资产层早已发生了同样的变化。过去，希望针对自有代码库微调模型的工作室，通常只能在无法控制的 API 依赖与能力较弱的本地模型之间二选一。如今，这种取舍每个季度都在变得不那么明显。
我们准备怎么做
我们运行着一个多供应商网关，因此这对我们来说是一项具体决策，而非抽象讨论。K3 的优势恰好对应我们的工作负载：长周期智能体编程、工具调用，以及根据实时游戏的截图和控制台日志不断迭代。我们正在用真实的 Game Creator 会话，将它与当前使用的模型阵容进行基准测试，而不是参考任何人发布的表格，因为我们关心的指标并不是 Elo 分数。我们关心的是：一次交互结束后，用户有多大概率能得到一款真正可以玩的游戏；以及模型有多大概率能在用户不得不指出之前发现自己的错误。
无论测试结果如何，我们都会发布，包括它未能胜过现有模型的情况。这次发布真正有趣的地方，不是又有一家中国实验室推出了一个非常出色的开放模型——这已经不再令人意外。真正有趣的是，他们选择用一款运行在浏览器标签页中的游戏来证明它，而这正是我们一直在构建的东西。