Kimi K3爆火背后：算力紧缺成最大挑战

徽声在线记者 | 查沁君
徽声在线编辑 | 文姝琪

Kimi K3的发布在AI领域掀起了一股热潮，然而，令人意想不到的是，距离其发布不到一周的时间，月之暗面公司就不得不按下了“暂停键”。

7月19日晚间，月之暗面官方宣布，由于当前算力资源极度紧张，公司决定暂停开放Kimi新用户的订阅服务，将有限的算力资源优先用于保障现有订阅用户的正常使用。

月之暗面发布调整说明

针对此次调整，7月20日，月之暗面在回应徽声在线时明确表示，此次变动仅涉及新用户的订阅服务，现有会员的权益将保持不变，老套餐也不会被取消，已订阅用户仍可按照原规则正常使用并自动续费。

对于那些之前手动关闭了自动续费功能的用户，月之暗面表示将陆续为他们恢复续订功能。同时，老用户升级套餐等功能也将逐步开放。不过，由于算力资源的限制，新套餐目前仍无法购买，具体的恢复时间也尚未确定。

从月之暗面的官方回应来看，此次调整更像是在算力资源有限的情况下，对新增用户和存量用户的体验进行重新平衡，而非对会员体系进行大规模的调整。

K3发布后，迅速在国内外开发者社区引发了广泛的关注和讨论。大量体验和测评文章涌现，不少人将其与Claude、GPT等国际头部模型进行对比，围绕推理成本、GPU资源、服务稳定性等方面的讨论，逐渐取代了传统的Benchmark测试，成为了AI圈新的焦点话题。

K3究竟有多受欢迎？

K3发布后，迅速成为了全球AI模型讨论的热点。

独立AI模型评测机构Artificial Analysis发布的最新“智能指数（Intelligence Index）”显示，Kimi K3的综合得分达到了57分，位列全球第三，仅次于Claude Fable 5（60分）和GPT-5.6 Sol（59分），领先于Claude Opus 4.8（56分）。

与此同时，K3完成单项任务的平均成本约为0.94美元，与GPT-5.6 Sol基本相当，但仅为Claude Opus 4.8的一半左右。

对于业内人士而言，更重要的是，K3是首个进入Artificial Analysis综合榜单前三的开源模型。长期以来，“开源模型整体落后闭源模型半代”几乎是行业内的共识，而K3的出现，无疑让这一差距进一步缩小。

K3作为月之暗面首款万亿参数级MoE模型，总参数规模高达2.8万亿 图源：Monolith励思资本

除了评测成绩亮眼外，K3本身的参数规模也引发了业内的广泛关注。作为月之暗面的首款万亿参数级MoE模型，K3的总参数规模达到了惊人的2.8万亿。

一位国产AI芯片厂商的人士向徽声在线表示，今年以来，随着Anthropic等海外厂商不断推出更大参数的模型，国内模型竞争再次回到了“大参数、长上下文”的赛道上。万亿参数、百万级上下文正成为头部模型的重要竞争方向。

在他看来，K3之所以能够迅速“出圈”，不仅因为其强大的模型能力，更因为它意味着国产开源模型首次进入了这一量级。“对于行业来说，2.8T本身就是一个重要的信号。”

业内的关注很快传导到了开发者社区。

在X（Twitter）、Reddit、OpenRouter、Linux.do、V2EX等平台上，大量开发者第一时间分享了他们的体验。不少人将K3接入Cursor、Cline、OpenCode等AI编程工具进行测试。从代码生成、Agent任务到工具调用，K3几乎成为了过去几天AI圈讨论最多的模型之一。

讨论几乎集中在三个问题上：一是K3到底能不能替代Claude进行编程？二是它是否真的达到了国际第一梯队的水准？三是它到底值不值得开发者迁移使用？

不少开发者认为，K3最大的亮点并非在于聊天功能，而是在于长流程Agent任务和代码生成场景。一些体验者表示，在复杂代码修改、工具调用等任务中，K3已经能够进入Claude、GPT等国际头部模型的竞争序列。

但也有反馈称，在真实工程任务中，K3虽然能力突出，但仍会遗漏部分细节，需要人工进行修正。此外，其在复杂统计推理等任务中的表现仍存在不稳定的情况。

另一类讨论则集中在成本问题上。有用户认为，K3虽然单价具有竞争力，但由于复杂任务对Token的消耗较大，实际使用成本未必低于预期，尤其是在长流程Agent任务中更为明显。

K3的热度也迅速传导到了海外AI圈。

美国科技投资机构Atreides Management的创始人Gavin Baker将K3称为AI发展的一个“拐点（inflection point）”。他认为，高质量开源模型的出现正在加速AI能力的扩散，其影响不会局限于模型厂商，而将惠及整个AI应用生态。

然而，也有研究者对此保持谨慎态度。

长期研究人工智能对工作影响的宾夕法尼亚大学沃顿商学院教授Ethan Mollick在X上表示，他曾让Kimi K3对自己此前的一项学术研究进行复杂统计审计，但模型在“很多方面都搞砸了”，包括错误使用统计分析方法。

Mollick认为，K3已经非常接近全球领先模型的水平，但其在复杂专业任务中的可靠性仍需更多真实场景的验证，而不能仅依据Benchmark成绩作出判断。

这一评价也反映出当前AI社区对新模型的一种普遍态度：一方面，K3在代码生成、Agent等场景的表现获得了大量开发者的认可；另一方面，模型在复杂专业任务中的稳定性和可靠性仍需要更多真实场景的持续验证，而不能仅依据榜单成绩作出判断。

算力紧缺仍是制约发展的瓶颈

也正是在开发者快速涌入、调用量持续攀升的背景下，月之暗面很快遇到了另一个问题——算力紧缺。

过去两年，大模型行业更常见的叙事是“训练一个模型需要多少GPU”、“参数规模达到多少”，而不是因为用户太多而不得不暂停开放订阅。

事实上，训练完成并不意味着算力投入的结束。尤其是在AI Coding、Agent等场景快速发展的背景下，模型需要持续调用工具、读取上下文、执行多轮推理，一个请求占用GPU资源的时间远高于传统聊天场景。模型能力越强、上下文越长、用户调用越频繁，对推理算力的消耗也就越高。

“今天最大的问题还是缺算力，尤其是高质量的推理算力。”上海国投孚腾资本的投资总监陈雨沁此前在接受徽声在线采访时表示，即便是头部模型公司，也已经开始取消无限量使用、提高服务价格，这本质上都反映出推理资源依然紧张。“如果基础设施没有解决，很多应用公司其实不敢真正大规模推广产品。”

“从供需关系来看，国内AI算力长期处于供不应求的状态，而随着头部模型的集中发布，这种紧张局面会进一步放大。”上述芯片厂商人士向徽声在线表示。

他介绍，目前像月之暗面、智谱、MiniMax等独立模型公司获取算力主要依赖两种方式：一是租用公有云厂商的算力服务；二是建设自有算力集群。但前者资源有限，后者属于重资产投入，需要较长的建设周期，因此模型厂商的算力供给始终存在一定压力。

“业内普遍认为，支撑万亿参数模型训练和推理，万卡级集群已经成为基础门槛。”他表示，从2024年至今，真正具备万卡级部署能力的厂商仍然是少数，不少已经宣布建设的大规模集群项目，落地周期往往以年计算，因此供需之间仍存在长期缺口。

今年WAIC期间的一个细节让上述国产芯片厂商印象深刻。

他告诉徽声在线，各家国产芯片厂在展示超节点产品时，被问得最多的两个问题就是：“能不能支持万卡集群？”“能不能支持万亿参数模型训练？”

相比过去围绕单卡性能、芯片参数展开讨论，如今产业链更加关注的是超大规模集群能力以及支撑头部模型持续训练、推理的基础设施。

这一变化也折射出大模型竞争逻辑的变化。

过去，模型公司比拼的是参数规模、训练能力和Benchmark成绩；如今，随着越来越多模型进入真实生产环境，推理效率、服务稳定性、成本控制以及基础设施能力开始成为新的竞争维度。

K3暂停开放新用户订阅也许只是一次短暂的资源调配，但却让外界第一次如此直观地看到，大模型竞争已经进入了新的阶段。模型能力决定产品能否吸引用户，而推理算力、基础设施和持续服务能力则决定它能否承接真正的大规模应用。