評 Kimi K3：小鎮青年暴打資本家

原始來源與檔名：2026-07-20T100446+0800-评 Kimi K3：小镇青年暴打资本家.md

SOURCE | 資訊源評估

• 準確性：中高 - 作者對 K2/K3 架構規格、API 定價、時間線（7/8 SemiAnalysis 推演、7/9 GPT-5.6 Sol 發布）等可查證事實敘述具體且多半可對應；但對「K3 僅次於 Sol/Fable」的效能判斷主要援引官方措辭，缺獨立 benchmark，策略推論（資本開支衝擊、不對稱競爭）屬分析者觀點而非已驗證結論。
• 易理解性：高 - 大量採用隱喻（三駕馬車、小鎮青年、永動物語、項莊舞劍）將抽象的 AI 經濟學與地緣博弈轉為敘事，門檻在於需具備 MoE/MLA/scaling law 等基礎詞彙。
• 閱讀策略建議：先抓「三條路線 → K3 戰略定位 → 不對稱競爭 → CapEx 鏈條」這條主幹，把隱喻視為修辭外衣；對「開源=取消模型稅」「往大了做就不會輸」兩個核心命題保持批判，自行追問：誰承擔預訓練成本？能力蒸餾下沉的損耗多大？

NAPKIN | 餐巾紙

餐巾紙公式

壟斷租金 = 能力稀缺性 × 閉源權重封鎖；K3 以 2.8T 開源權重把兩個因子同時壓低。 閉源前沿實驗室的超額利潤建立在「別人做不出 + 別人拿不到權重」兩道護城河上。K3 用尺寸把第一道河（能力差距）壓到「僅落後一檔」，用開源把第二道河（權重封鎖）直接填平，於是建立在這兩道河之上的「模型稅」與估值敘事同時鬆動。

一句話

Kimi K3 以 2.8T 超大尺寸主動放棄經濟性，再用開源權重把「模型稅」歸零，把算力封鎖劣勢反轉為動搖美國閉源前沿實驗室壟斷租金的不對稱武器。

餐巾紙草圖

┌ 中國 AI 三路線
├─ 做小（經濟性優先）
│   minimax-m3 / kimi k2.5 / hy3（激活 ~20B）
├─ DeepSeek 路線（性能 + 經濟性）
│   V3→V4 / GLM-5 / GLM-5.2
└─ Kimi 獨立路線
    K2（DeepSeek-V3 底盤分叉）
      └─ K2.5~K2.7（~1T / A32B，壓榨後訓練）
            └─ K3（2.8T / A50B，回歸預訓練擴張）
                  │
                  ▼
        犧牲經濟性（64 卡 / $3-$15）
                  ×
        開源權重（任意集群可部署）
                  │
                  ▼
    ┌ 動搖閉源壟斷租金
    ├─ Anthropic「不可替代性溢價」敘事崩塌
    ├─ 不對稱競爭：中國模型 + 美國集群 VS 美國閉源
    ├─ 取消「模型稅」→ 推理回歸成本定價
    └─ 衝擊 AI CapEx 鏈條上游回報
                  │
                  ▼
        Too Big to Fail：往大了做就不會輸

ROUND 1: SKELETON | 骨架掃描

• 核心問題：在算力出口管制的劣勢下，中國 AI 如何動搖美國閉源前沿實驗室建立在「能力稀缺 + 權重封鎖」之上的壟斷租金與估值敘事？
• 核心答案：用「超大尺寸（2.8T）＋開源權重」的組合，主動放棄推理經濟性以換取進入最高能力組的資格，再把「無法獲取超額利潤」這項劣勢武器化——既然不能收租，就讓所有人都收不到租，使閉源實驗室的溢價與 CapEx 敘事同步失序。
• 論證結構：路線分類（確立 K3 的獨立血統）→ 規格解讀（K3 不是版本升級而是戰略轉向）→ 敘事動搖（Anthropic 商業故事的脆弱）→ 地緣博弈（不對稱競爭的形成）→ 經濟外溢（模型稅與 CapEx 鏈條）→ 方法論收束（Too Big to Fail）。

章節骨架（條列）

• 中國 AI 的三駕馬車 — 把中國模型分成「做小／DeepSeek／Kimi」三條路線，定位 K3 為「獨立技術棧、尺寸極大、不惜代價追高性能」。
• K3 怎麼這麼大 — 從 K2 的 DeepSeek-V3 底盤分叉說起，指出 K2.5~K2.7 靠後訓練壓榨既有基座，K3 才是主動回歸預訓練規模擴張。
• 從公共事業到特權壟斷 — DeepSeek 完成了「公共事業化」（adoption 階段），但前沿尺寸問題未解，中國大廠繞道進口算力又被封。
• 項莊舞劍，意在沛公 — K3 的 2.8T／64 卡／$3-$15 不是為了 adoption，而是為前沿標準的定義權。
• 牢 A の永動物語 — 揭穿 Anthropic「不可替代性溢價」敘事，SemiAnalysis 6 萬億美元估值推演一個月內被 Sol 掀翻。
• 誰殺死了知更鳥 — GLM-5.2 先動搖 Opus 價格錨，Sol 在最高檔撞上 Fable，K3 補上開源一刀。
• 不對稱競爭 — 算力管制剝奪了中國的超額利潤空間，反而被反轉為「做開源、不要利潤」的博弈武器。
• 誓死效忠美光！ — 開放權重取消「模型稅」，推理回歸成本定價，反向改寫每一張 GPU 的資本回報計算。
• Too Big to Fail：大而不輸 — 強模型可被稀疏化／量化／蒸餾做便宜，弱模型卻難靠延長思考補出能力，因此「往大了做」是粗糙但有效的前沿方法論。
• 結語：小鎮青年暴打資本家 — 把中美 AI 對抗框成資源有限的邊緣者逆襲資本化在位者的戲碼。

ROUND 2: DISSECTION | 血肉解剖

論證鏈（ASCII）

K3: 2.8T 總參 / A50B 激活 / 本家技術棧 / 開源
  │
  ├─ 尺寸 scaling law
  │     └─ 進入最高能力組（官方：僅落後 Sol / Fable）
  │
  ├─ 主動放棄經濟性（64 卡部署 / API $3-$15）
  │     └─ 意圖 ≠ adoption，而是前沿標準定義權
  │
  ├─ 開源權重（任意推理集群可部署）
  │     │
  │     ├─ 推理價格從「閉源上游想收多少」
  │     │     回歸「高效集群跑成功任務的成本」
  │     │           │
  │     │           └─ 取消附著於算力的「模型稅」
  │     │                 │
  │     │                 └─ 下游毛利系統性下降
  │     │                       │
  │     │                       └─ 上游（GPU）可議價彈性變差
  │     │                             → AI CapEx 敘事失序
  │     │
  │     └─ 形成不對稱組合：
  │           中國開源模型 + 美國 / 全球推理集群
  │                VS 美國閉源前沿實驗室
  │
  └─ 動搖 Anthropic「不可替代性溢價」商業敘事
        ├─ GLM-5.2：多數任務勝 Opus 4.8，價格 1/5
        ├─ GPT-5.6 Sol：最高檔正面撞 Fable
        └─ K3：開源版「僅次 Sol/Fable」
              → SemiAnalysis 6 萬億估值推演（7/8）一個月內幻滅

三個關鍵證據

• K2 的技術血統自述：K2 論文明寫使用「類 DeepSeek-V3 的超稀疏 MoE 與 MLA 架構」，兩者皆 61 層、共享專家、每 token 激活 8 個路由專家；K2 在此底盤上把專家數提到 384、attention heads 減半，並以自研 MuonClip、數據配方、agentic 後訓練與獨立基礎設施做出分叉。這證明 Kimi 的「獨立」並非從零，而是在共享底盤上的工程分化——而 K3 又進一步抽換回本家技術，血統距 DeepSeek 已遠。
• K3 的規格與定價跳躍：總參數 2.8T、激活約 50B、部署需 64 張以上加速卡，API 從 K2.7 Code 的 $0.95/$4 漲到 $3/$15（per Mtoken，in/out），進入 Sonnet 價格帶。對照美國本土推理公司，2.8T 巨模型部署本身就是「大考」，中國推理集群更難湊出 64 卡節點——這組數字是「K3 不為經濟性而戰」的最硬證據。
• 敘事崩塌的戲劇性時間線：7 月 8 日 SemiAnalysis 超級牛市推演（Anthropic 2027 年底 ARR 3000 億美元、20 倍 ARR 對應 6 萬億美元企業價值）被廣泛轉述；7 月 9 日 GPT-5.6 Sol 正式發布；隨後 GLM-5.2、K3 接力。一個月內，「OpenAI 追不上 Anthropic」的幻覺與 6 萬億估值推演同時被掀——作者用時間線本身當作「不可替代性溢價」敘事脆弱性的證物。

隱形假設與邊界

• 「開源模型不挑顯卡」被作者自己打了折扣：作者一邊說「開源又不挑顯卡，中國美國集群都能部署」，一邊又承認 K3 要 64 張加速卡、中國推理集群根本湊不出那麼多 64 卡節點。開源降低了「權重取得」門檻，但沒有降低「部署尺寸」門檻——能真正承接 K3 的，恰恰是美國大型 NeoCloud 與推理平台，這強化了「中國訓練、美國變現」的反諷，也削弱了「中國自主部署」這條隱含樂觀線。
• 「取消模型稅會壓垮上游」是長期命題、短期不成立：作者明確承認「短期下游採購方更分散，並不會削弱算力生產商（尤其 NVDA）的議價權」。也就是說，模型稅取消→毛利下降→上游彈性變差是「長期系統性」推論，無法當作短期 GPU 景氣的反向指標，讀者不宜過度外推到季節性資本開支預測。
• 「往大了做就不會輸」忽略了資金可持續性：方法論成立的隱含前提是「有人願意持續承擔 2.8T 級預訓練成本卻不求超額回收」。這在戰略性補貼或生態卡位語境下或許為真，但作為可複製的商業方法論，其資金迴圈並未被作者閉合——這正是全篇最大的留白。
• 效能判斷依賴官方措辭：「K3 僅落後 Sol/Fable」主要引自 Kimi 官方相對溫和的表述，缺乏獨立第三方 benchmark 交叉驗證；在這個檔位，半檔差距對應的商業結論可能完全不同。

ROUND 3: SOUL | 靈魂提取

作者盲點

• 對 K3 實際能力的判定過度貼合官方敘事，把「官方措辭溫和」當成「客觀差距不大」的證據，但官方溫和可能是 PR 策略而非謙遜事實。
• 對中國訓練算力受管制如何支撐 K3「持續迭代」著墨極少——單代 2.8T 或可一搏，但「往大了做」要成立需多代擴張，而 HBM／先進製程管制直接制約這條曲線。
• 把「開源換採用」當成近乎免費的戰略，略過了預訓練成本（千卡月級、數千萬至上億美元量級）由誰長期吸收的問題，這是模式的會計核心。

知識連接

• 對應經濟學的「租值消散（rent dissipation）」：當壟斷者無法維持准入屏障，超額利潤會在競爭中歸零；K3 的開源相當於主動觸發自己與對手的租值同時消散。
• 對應 Christensen 的「破壞性創新」與價值網路重組：邊緣玩家（資源有限的中國實驗室）以在位者（美國閉源 lab）看不上的商業模式（開源、成本定價）重組價值網。
• 對應 Jevons 悖論的可能反轉：推理單價下降通常會擴大總調用量，但作者論證的是另一面——當定價權從「模型上游」轉移到「算力成本」，上游硬體的議價彈性反而被削弱，這與標準 Jevons 推論的方向不同，值得獨立驗證。

行動觸發

• 推理平台／NeoCloud：開源超大模型把定價權從模型上游拉回算力成本端，競爭轉向利用率、量化、緩存、SLA 與企業銷售——這是 Fireworks、TogetherAI 類廠商的利多結構，但毛利結構同時被壓縮。
• GPU／AI 硬體投資人：重新檢視「閉源高毛利→容忍 GPU 溢價→CapEx 擴張」這條鏈條的假設；長期而言下游毛利系統性下降會反向傳導到上游議價彈性，短期議價權雖穩，但回報曲線的折現假設需要下修。
• 模型應用方：在 K3／GLM-5.2 等開源權重進入「僅落後一檔」區間後，從閉源 API 遷移到自託管開源權重的成本／控制權取捨首次在最高能力檔成立，值得啟動 PoC。
• 前沿實驗室策略：當「不可替代性溢價」可被開源＋尺寸 scaling 在一個月內侵蝕，溢價的護城河必須從「能力差距」轉向「整合產品（如 Claude Code 的工程滲透）＋獨家資料＋任務可靠度」。

留白提問（2 題）

1. 若「往大了做就不會輸」為真，為何 OpenAI 在 o1 之後選擇把基座做小、押注 test-time compute？這是策略失誤、任務特性差異（形式推理 vs. 複雜非形式任務），還是 GPT-5.6 Sol 重新做大尺寸其實已經是路線回歸的承認？
2. K3 級別模型的預訓練成本在開源、不收模型稅的模式下由誰長期吸收？這個資金迴圈可以維持幾代擴張，才能讓「Too Big to Fail」從一次性震撼變成可複製方法論？

跨域映射

• 「小鎮青年暴打資本家」對應 disruption from below／asymmetric warfare：資本密集的在位者用溢價維持高毛利，邊緣者用「不追求同類利潤」改寫戰場，使在位者的資本優勢反成負擔。
• 「項莊舞劍，意在沛公」對應 signaling warfare：表面產品（更強模型）的真正打擊面是對手的商業敘事與估值錨，而非技術本身。
• 「取消模型稅」對應 commodity化的終局命題：當差異化能力被開放標準抹平，價值從「模型本身」向「圍繞模型的工程與分發」移轉。

DEEP READ | 精讀指引

• 「不對稱競爭」段：作者把中美 AI 博弈提煉成一句結構——「中國模型 + 美國及全球推理集群 VS 美國閉源 AI 實驗室」。讀這段時請追問：這個組合的穩定性取決於什麼？答案是「開源權重能否持續產出在第一梯隊的模型」與「美國推理平台是否被政策禁止部署中國權重」。前者是技術命題，後者是政策命題，兩者任一崩塌，不對稱組合就解體。閱讀時請自行把這兩個維度當變數，而非把作者的結論當常數。
• 「誓死效忠美光！」段：全篇經濟學密度最高的一節。核心是「開放權重取消算力消費上附著的模型稅」，使推理定價從「前沿實驗室想收多少」回歸「高效集群跑出一個成功任務的成本」。讀這段時要分清楚三件事：模型預訓練成本（開源後由原始實驗室獨吞）、推理服務成本（GPU＋引擎＋量化＋網絡＋SLA，由部署方承擔）、競爭性利潤（被成本定價壓縮）。作者對短期 GPU 議價權不變、長期毛利下傳的雙段論判斷相當節制，值得用來校正「開源=GPU 利空」這類過度簡化的直覺。
• 「Too Big to Fail」段：方法論結晶——「強模型可被稀疏化、量化、緩存、蒸餾做便宜，還能當整條小模型線的教師；一開始沒學到某能力的小模型，卻很難靠延長思考補出來」。這個不對稱性是「往大了做」的技術正當性來源。讀時請對照 o1 把基座做小、依賴 test-time compute 的相反選擇，思考兩條路線各自的適用任務邊界，而非把任一方當普遍真理。

STRUCTURE MAP | 全文結構圖

評 Kimi K3：小鎮青年暴打資本家（@0xcherry, 2026-07-19）
│
├─ 1. 三駕馬車 ─────────── 分類：做小 / DeepSeek / Kimi
│     └─ 定位 K3 = 獨立技術棧 + 極大尺寸 + 不惜代價追高性能
│
├─ 2. K3 怎麼這麼大 ─────── 技術脈絡
│     ├─ K2 = DeepSeek-V3 底盤分叉（384 專家 / heads 減半 / MuonClip）
│     ├─ K2.5~K2.7 = ~1T/A32B，靠後訓練壓榨
│     └─ K3 = 2.8T/A50B，回歸預訓練規模擴張 [圖 3]
│
├─ 3. 公共事業 → 特權壟斷 ── DeepSeek 完成 adoption；前沿問題待解
│
├─ 4. 項莊舞劍 ─────────── K3 不為 adoption，為前沿定義權
│
├─ 5. 牢 A の永動物語 ──── 揭穿 Anthropic「不可替代性溢價」
│     └─ 7/8 SemiAnalysis 6 萬億估值 → 7/9 Sol 掀翻
│
├─ 6. 誰殺死了知更鳥 ────── GLM-5.2 + Sol + K3 接力動搖價格錨 [圖 4]
│
├─ 7. 不對稱競爭 ────────── 開源權重把劣勢武器化
│     └─ 中國模型 + 美國集群 VS 美國閉源
│
├─ 8. 誓死效忠美光！ ────── 取消「模型稅」→ 衝擊 AI CapEx 鏈條
│
├─ 9. Too Big to Fail ──── 方法論：往大了做就不會輸
│     └─ 強模型可蒸餾下沉；弱模型難靠思考補能力
│
└─ 10. 結語 ────────────── 小鎮青年暴打資本家

評 Kimi K3：小鎮青年暴打資本家（Architectural Deep Dive）

前言／背景

本文是獨立研究員 @0xcherry 對 Kimi K3 的戰略評論，發布於 2026-07-19。它並非要點式測評 K3 的 benchmark，而是把 K3 放進「中國 AI 三條路線 → 中美算力地緣博弈 → AI 資本開支敘事」的三層結構裡，論證一個命題：一個主動放棄經濟性、開源、尺寸極大的中國模型，正在動搖美國閉源前沿實驗室建立在「能力稀缺＋權重封鎖」之上的壟斷租金與估值錨。讀這篇要帶兩個濾鏡：一是作者的隱喻外衣下藏著可查證的技術規格與時間線，二是若干策略推論（CapEx 衝擊、不對稱競爭的可持續性）屬分析者立場而非已驗證結論。

章節詳細總結

中國 AI 的三駕馬車

作者把中國 AI 模型切成三條技術路線，這個分類是全文的座標系：

• 做小路線（經濟性優先）：minimax-m3、kimi k2.5、hy3 等，主動把激活參數限制在 20B 上下。作者坦言「激活參數 20B 算不算小本身很微妙」，但工程上把它視為小。更小的激活參數是一條「很硬的經濟性約束」，在此約束上做性能最大化，是典型的「做小模型」思路——其運作原理是：MoE 架構下激活參數決定單次前向的計算量，進而決定推理每 token 的算力成本與顯存頻寬壓力，把激活壓低就能在固定算力下撐起更高吞吐與更低單價，這是經濟性最大化的工程支點。
• DeepSeek 路線（性能＋經濟性兼顧）：DeepSeek 及技術棧、尺寸類似的廠商。特徵不僅是「技術完全開源」，更重要的是 DeepSeek-V3／R1 從誕生起就是「尺寸較大、對標 OpenAI 一線模型」的模型；R1 爆火後又補出大量服務經濟性的技術棧。因此 DeepSeek 路線的典型特徵是「性能較高、同時保證推理的經濟性」。GLM-5 是這條路線的系統性繼承者與應用者，GLM-5.2 是其中知名成果——也就是說，GLM 走的是「DeepSeek 式大尺寸底盤＋經濟性技術棧」的合成路線。
• Kimi 獨立路線：技術棧一直很獨立，與 DeepSeek 親緣關係很遠。K2.5~K2.7 較大幅度吸收了 DeepSeek 技術棧，但 K3 新系列又重新用回本家技術。K3 把總參數拉到 2.8T、激活參數預計 50B，完全用本家技術棧。尺寸 scaling law 發揮了效果，代價是經濟性大幅下降，進入 Sonnet 的價格帶。

作者補了一個關鍵的部署現實：雖然 K3 相比 Claude 仍非常便宜，但 Kimi 推理集群在中國境內，考慮到「卡數量的限制」，Kimi 大概率沒有把經濟性當首要要求來做 K3。結論：K3 是一個獨立技術棧、尺寸極大、不惜一切代價追求高性能的產物；它誕生伊始的目標就不是做更好的 R1，而是對標 OpenAI 與 Anthropic 最前沿的超大尺寸模型。這段把「尺寸 scaling law」當作核心機制——總參數擴大帶來能力躍升，但激活比例（K3 約 50B/2.8T ≈ 1.8%）仍受超稀疏 MoE 控制而維持可部署性，只是部署門檻（64 卡）與單價被推高。

K3 怎麼這麼大？

作者先校正一個可能的誤讀：把 Kimi 描述成「從來與 DeepSeek 毫無關係的獨立技術路線」並不準確。K2 的論文寫得很清楚：

• K2 使用了類 DeepSeek-V3 的超稀疏 MoE 與 MLA 架構。
• 兩者都是 61 層，都有共享專家（shared expert），每個 token 激活 8 個路由專家。
• K2 在這個底盤上把專家數提高到 384、attention heads 減半，並用自研 MuonClip、數據配方、agentic 後訓練和獨立基礎設施做出自己的分叉。

因此，K2 更像 DeepSeek-V3 式底盤上的 Kimi 分支，而不是從零開始的另一物種。這裡的工程意義是：MLA（Multi-head Latent Attention）透過把 KV cache 壓縮進低秩潛在空間來降低長上下文的顯存壓力，超稀疏 MoE 則讓總參數可以做大、而激活參數保持小，兩者合起來正是「大尺寸＋可負擔推理」的關鍵；K2 在共享底盤上換掉專家數、attention heads 與優化器，是典型的「同架構不同配方」分叉。

真正值得注意的是：K2.5 到 K2.7 的基座尺寸基本沒有繼續擴張——總參數維持在 1T 左右、激活參數約 32B，仍是 384 個專家選 8 個。換句話說，Kimi 已經證明自己可以在不擴大基座的情況下，靠後訓練與 agent 系統把同一個底盤壓榨很多代。這對應的策略是「固定基座＋滾動式後訓練／RL／工具環境」的性價比路線。

但 K3 不同。K3 因而不是一次普通的版本升級，而是 Kimi 主動結束「在既有基座上繼續做後訓練」的階段，重新回到預訓練規模擴張。K3 大量使用過去分散的本家技術——本家訓練基座、本家注意力機制、本家專家路由結構——到這一步，K3 與 DeepSeek 的親緣關係已較為疏遠。K3 同時要證明兩件事：一是 Kimi 能夠定義自己使用的技術範式；二是 Kimi 有資格用全新技術去訓練全新的超大尺寸模型，對標 OpenAI 與 Anthropic。作者判斷：事實證明，K3 成功了。

從公共事業到特權壟斷

這段把 DeepSeek 的歷史角色定位為「中國 AI 的公共事業」：

• DeepSeek 之前，中國並非沒有可用模型，但僅是「勉強能用」。
• DeepSeek 第一次帶來了中國可用的高性能模型，成為一代中國 AI 的公共事業。公共事業的核心命題是 Adoption：如何把「好用」的能力大範圍推廣——在本就不富裕的推理基座上？
• 因此 DeepSeek 承擔的不只是性能突破，還承擔了大量經濟性優化責任。從 V3 到 V4，DeepSeek 始終保持「接近慈善級別」的 API 價格，背後是一套成熟的面向推理優化的技術棧。
• 這個階段中國 AI 面對的問題是：先滿足公共事業的性能需要，再降低公共事業的算力開銷。
• 對 DeepSeek 以外的中國廠商，任務也變成兩個：第一，性能必須追上 R1，否則模型沒有競爭資格；第二，價格、吞吐與部署效率必須盡量接近 DeepSeek，否則 adoption 起不來。GLM 的分階段換棧，正是這種產業壓力最清楚的縮影。
• 也就是說，DeepSeek 把中國模型帶進了 Adoption 階段——核心問題是「怎麼讓更多人用上足夠強的智能、怎麼接住隨之爆發的調用量」。

但作者點出轉折：一個前沿實驗室遲早還要回答另一個問題——如果永遠只追求更便宜地接近別人，那更高性能的模型從哪來？ 所有互聯網大廠都選擇了同一條路：想辦法繞開禁令，從美國進口。例如阿里的新加坡主體，讓用戶通過遠程登錄新加坡機器跑 Claude Code——「然後就被封了」。作者用一個反事實假設強化戲劇性：若非 Sam（OpenAI）很快補上 5.6-Sol 這一刀，Dario（Anthropic）還能再發幾篇文章「踩頭中國人」。

結論：中國透過大量工程優化已逐漸實現 AI 的公共事業化基石，但若沒有更大尺寸、更高性能的前沿模型，就會始終落後一個拍子，陷入長期不利的「特權競爭」。這裡的「特權競爭」指的是：算力管制使中國無法觸及最高能力模型，只能在不對等的「特权（被剝奪）」狀態下競爭。

項莊舞劍，意在沛公

K3 的 2.8T 就是 Moonshot 對「更高性能模型從哪來」這個問題的回答。作者用對比把 K3 的戰略意圖釘死：

• K2.5 到 K2.7 仍可理解為在 1T-A32B 基座上，透過繼續預訓練、RL、工具環境與 agent 系統提高性價比。
• K3 卻直接把總容量推到 2.8T，接受 64 張以上加速卡的部署要求，並把 API 價格從 K2.7 Code 的 $0.95/$4（per Mtoken，in/out）提高到 $3/$15。儘管這個價格只與 Sonnet 相當，但仍然非常昂貴。
• 最關鍵的是 64 張加速卡——中國的推理集群「哪給你找那麼多 64 卡的節點」。
• K3 可能仍希望保持經濟性，但 K3 保持經濟性「有點不可能」。一個 2.8T 的巨型模型，哪怕對美國本土推理公司都是一場大考。因此，K3 的意圖顯然不是為了更廣泛的採用，而是為了在更前沿的戰場上，開源能夠廣泛採用的模型標準。

對照大多數 PR 稿中「碾壓美國模型」的措辭，作者指出 Kimi 官方措辭更為溫和：K3 整體仍落後於 Fable 5 與 GPT-5.6 Sol。但「換個角度理解也很激進：只比 OpenAI 和 Anthropic 的最頂級模型差一點」。一旦進入這個檔位，K3 首先動搖的，就是 Anthropic 過去一年最重要的商業敘事。「項莊舞劍，意在沛公」——K3 表面是產品，真正打擊面是對手的商業故事。

牢 A の 永動物語

「牢 A」是中國網路對 Anthropic（A）的戲稱，「永動物語」諷刺其「永動機式」估值敘事。作者拆解 Anthropic 的方法論：

• Anthropic 的方法論一直很清楚：做出一款不可替代的模型，用戶一旦發現它能完成其他模型做不了的工作，就會願意為更高性能支付超額溢價。
• Fable 5 是這套方法論最極端的產品：面向最困難的知識工作、coding，以及可持續數天的複雜異步任務，API 價格達每百萬 token 輸入 10 美元、輸出 50 美元，是 Opus 4.8 常規價的兩倍。
• Anthropic 出售的不是更貴的 token，而是一個新的任務區間：過去無法穩定完成的項目，現在可以交給 Fable 處理。在場景中，Fable 有不可替代的價值。
• 只要這種不可替代性存在，價格溢價完全合理——畢竟高性能模型取代的是高知識人力，後者工資比模型貴多了。

接著是敘事的高峰與崩塌：

• Fable 發布後，市場一度形成「OpenAI 已無法追上 Anthropic」的幻覺。SemiAnalysis 的超級牛市推演甚至預計，Anthropic 到 2027 年底 ARR 可達 3000 億美元，以 20 倍 ARR 對應 6 萬億美元企業價值。
• 這個預測還依賴一整組假設：API 占收入 75%–85%、高 API 毛利、極高淨收入留存，以及 Claude Code 持續滲透。
• 站到 7 月 18 日的時間點，這種預測「仿佛 SemiAnalysis 出現幻覺」；但放在 7 月 8 日，「居然不少人覺得很有道理」。
• 現實給這套敘事安排了一條極有戲劇性的時間線：6 萬億美元估值推演在 7 月 8 日被廣泛轉述，GPT-5.6 Sol 在 7 月 9 日正式發布。「牢 A の永動物語，維持不到一個月就被掀了」，期間還夾了幾篇批評中國模型蒸餾的文章。

誰殺死了知更鳥？

作者回顧自己曾系統性分析過 GLM-5.2 的重要意義（被讀者稱為「雄文」），並（自嘲地）聲明「智譜從未支付宣傳費，保持獨立研究員身分」。重點是 GLM-5.2 對 Anthropic 根基的動搖：

• GLM-5.2 在大多數任務上表現比 Opus 4.8 更好，僅次於 Opus 4.7——「比你沒看錯，比 4.8 更好的同時僅次於 4.7，由此令人懷疑 Anthropic 在 4.8 上面到底兌了多少水」。這是作者對 Opus 4.8 相對 4.7 是否存在能力回退／稀釋的嘲諷性質疑。
• 與此同時，GLM-5.2 的價格僅為 Opus 的五分之一，還不會受到 Anthropic 訂閱計畫的限速問題。GLM-5.2 的出現已極其顯著地威懾到 Anthropic 主力模型段的價格錨。
• 市場因此希望為 Anthropic 進行「更前沿模型」的定價，這才出現 SemiAnalysis 的 6 萬億估值「神人預測」。
• 緊接著，Sol 在最高能力檔正面撞上了 Fable。Anthropic 隨後連續延長 Fable 的訂閱額度，並最終宣布把它變成 Max 與 Team Premium 的常駐權益——這是 Anthropic 從「溢價獨賣」退守到「訂閱綁定」的訊號。

• 然後 K3 又出來了：它的綜合能力落後於 Fable 與 Sol，且僅落後於 Fable 與 Sol。與此同時，K3 還是開源的，哪個推理集群都可以部署。「孩子們，地裡真的會長出先進 AI 模型」——作者用黑色幽默收束：在第一梯隊之後，開源權重已經能長出近乎追平的模型，稀缺性正被親手種出來。

不對稱競爭

這是全篇地緣博弈的核心。作者先把美國算力管制的邏輯說清楚，再揭示它的反作用：

• 美國對中國實施先進計算芯片管制的邏輯很直接：透過限制上游算力，減緩中國訓練前沿模型與建設自主半導體生態。國家安全、軍事與監控用途是公開法律理由，維持美國關鍵技術領先則是同時存在的產業目標。
• 更大的問題其實是美國自己的先進芯片也不夠用——不只擔心中國獲得算力，也不希望中國企業參與競價、擠占美國實驗室與數據中心的買卡能力。
• 這套管制提高了中國訓練前沿模型的難度，但也製造了一個微妙反作用：它剝奪了中國 AI 公司獲取超額利潤的能力，與此同時使這種不利轉變為博弈中的武器化。

關鍵的反轉邏輯濃縮成一句：

既然你不讓我賺超額利潤，我又不想被封鎖技術，那我做出來之後不要利潤不就完事了？

而且開源模型不挑顯卡——中國顯卡能部署，美國算力集群也能部署，Fireworks、TogetherAI，還有一大堆 NeoCloud，都有一堆顯卡。於是中美 AI 競爭出現了一種「極其抽象的組合」：

中國模型 + 美國及全球推理集群 VS 美國閉源 AI 實驗室

分工與損益的不對稱：

• 中國實驗室承擔昂貴的模型研發，以開放權重換取採用與前沿地位。
• 美國雲廠商與推理平台使用本土 GPU 承接調用，按成本定價，狠狠賺錢。
• 真正失去利潤的，反而是依靠封閉權重與能力稀缺收取超額價格的美國 frontier lab。
• 對中國實驗室而言，開放權重犧牲的是本來就受自有推理容量限制的潛在 API 租金；對美國閉源實驗室而言，被犧牲的卻是建立在充足本土算力與全球能力稀缺之上的現實超額利潤。

因此，美國面臨的不是「繼續制裁還是放開銷售」的簡單選擇，而是不可能三角：

• 制裁中國 → 中國就會繼續放開源模型出來，「反正大家都別賺錢了」。
• 放開中國買卡 → 集體競價，本土實驗室又可能缺卡。
• 適當放給中國一些卡 → 確實可以取得折中收益，但「到底放出多少卡合適？沒人知道，也沒人敢說話」。

作者下結論：這是典型的不對稱競爭。華盛頓熱衷於講不對稱競爭，現在這個詞落回到華盛頓頭上了。

誓死效忠美光！

「誓死效忠美光！」是作者的反諷標題（「美光」為 Micron，這裡借指 AI 硬體／CapEx 鏈條上游，象徵資本市場對硬體景氣的盲信崇拜）。這段把論證往 AI 資本開支敘事的上游再推一步：

• 過去，閉源前沿模型的高推理毛利是 AI CapEx 鏈條最重要的緩衝墊。只要模型能力足夠稀缺，API 與訂閱就能維持高價；實驗室與雲廠商獲得高毛利，便能容忍更貴的 GPU、更快的折舊與更激進的數據中心投入；上游又據此繼續擴產與維持高定價。

這條鏈可寫成：

模型能力稀缺 → API 高價 → 下游高毛利 → 能夠承受 GPU 溢價 → CapEx 擴張 → 上游持續景氣。

• 當多家平台可以部署同一份權重，推理價格就會從「前沿實驗室願意收多少」，逐漸回到「高效集群跑出一個成功任務需要多少錢」。
• 開放權重改變的不是算力需要花錢這個事實，而是取消了算力消費上附著的「模型稅」。Fireworks 不必替 Moonshot 承擔 K3 的預訓練成本，也不必按 token 向一個閉源模型上游支付完整的模型租金。
• 它當然還要承擔 GPU、推理引擎、量化、緩存、網絡、融資、SLA 與企業銷售，但只需圍繞實際算力成本、利用率、服務成本與競爭性利潤報價。這是典型的成本定價邏輯，而對依賴景氣度的行業，成本定價對上游的影響是災難性的。

接著是對 GPU 資本回報計算的反向改寫：

• 這會反向改變每一張 GPU 的資本回報計算。過去服務商可把昂貴硬體成本放進高價模型 API，再向終端客戶轉嫁。
• 當推理平台圍繞同一開放權重競爭，任何一家都更難繼續轉嫁這層溢價。於是 GPU 採購需要更高利用率、更短回收期、更低融資成本與更確定的客戶合同。
• 短期來看，下游採購方更分散，並不會削弱算力生產商（尤其是 NVDA）的議價權。
• 但長期來看，下游毛利潤系統性下降，必然導致上游可議價彈性變差，這對整個 AI CapEx 敘事都是不可控的巨大風險。

Too Big to Fail：大而不輸

作者把 K3 的 2.8T 總結為兩種「看似相反」的意義，並收束到方法論：

• 一方面，K3 不是個很經濟的模型，把模型推入 Sonnet 價格帶與 64 卡以上部署區間。
• 另一方面，正是這份「不首先考慮經濟性」，讓 K3 獲得了進入最高能力組、動搖 Anthropic 模型租金、重組中美推理利潤與影響 AI CapEx 敘事的資格。

接著作者反駁「夠用就好」的端側／小尺寸路線：

• 過去很多公司喜歡講端側、講小尺寸、講「夠用就行」。這些路線決定已存在的智能可以擴散到多少設備、用戶與行業。
• 但「夠用」這個詞非常無趣，它只適用於能力邊界已經固定的市場。
• 前沿 AI 面對的任務集合從來不固定：模型今天剛學會單文件編程，明天就要處理整個代碼庫；剛學會工具調用，下一代就要持續工作數小時乃至數天。
• 尺寸更適中的模型回答「如何被更多人使用」，而尺寸更大的模型爭奪「誰擁有發表神諭的權利」。

核心的不對稱性（全篇方法論結晶）：

• 一個已經很強但昂貴的大模型，後來可以透過稀疏化、量化、緩存、蒸餾與推理工程做快、做便宜，還可以作為整條小模型產品線的教師模型。
• 一個一開始就沒有學到某種能力的小模型，卻很難靠延長思考或部署優化把它憑空補出來。
• 這個不對稱性，讓「往大了做就不會輸」成為一套粗糙卻經常有效的前沿方法論。

作者用產業史佐證這個方法論的循環與反轉：

• 2024 年，OpenAI 發布 o1，把 scaling 的重心從更大的預訓練基座轉向訓練時強化學習與測試時思考計算（test-time compute）。
• o1 本身是一款更小尺寸推理模型。它證明「較小基座 + 更多思考」可以在數學、代碼與形式推理上製造驚人進步，也由此開啟一輪把參數做小的循環。
• 基座越小，越依賴 test-time compute 補償；推理技巧越成功，組織越缺少擴大基座的動力。由此，OpenAI 的模型開始「極速劣化」（作者的主觀判斷）。
• 2025 年，Anthropic 走了相反方向——堅持做更大更昂貴的模型，再用 Claude Code 把能力變成產品。
• 用戶對 Claude 的忠誠不是因為便宜，而是因為「在最困難的真實軟件工程任務上，把工作交給 Opus 更放心」。到 2025 年末，Anthropic 稱 Claude Code 已占超過一半的 AI coding 市場，企業市場份額從 24% 提高到 40%，收入也超過了 OpenAI。
• OpenAI 隨後重新意識到，推理效率與路由不能取代最高能力基座。GPT-5 重新建立 main、thinking、mini、Pro 的完整階梯；到 GPT-5.6，又明確設置 Sol、Terra、Luna 三個模型尺寸，並把大尺寸 Sol 放回面向最困難工作的旗艦位置。
• 由此，Codex 用戶快速突破 1000 萬，逼得 Anthropic 把 Fable 加回了訂閱計畫。
• 現在 K3 發布，僅次於 Sol 與 Fable，甚至引起「關於美國前沿 AI 到底還行不行」的討論。
• 「當你真的願意去爭第一，結果大概率不會太差。這就是 Too Big to Fail。」

結語：小鎮青年暴打資本家

作者用一個強烈的對位隱喻收束全篇：

• 中國 AI 模型公司經常被描述為小鎮青年：資源有限、位置不佳、國際輿論更差，算力卡能養活推理都不錯了，訓練不掉隊就行。
• 與此同時，美國的先進 AI 實驗室則頗具資本家風範：討論人類學與安全、討論慈愛恩典的機器、討論未來世界屬於自由還是屬於不自由、討論 AI 屬於大地還是屬於藍天。
• 在如此戲劇性的差距下，居然能上演一齣小鎮青年暴打資本家的戲碼。無論如何找補，都足以讓人笑掉大牙。
• 「——其實也不用急。好戲還在後頭呢。」作者以開放式預告收尾，暗示這場不對稱競爭才剛開始。

總結與結論

• K3 是戰略轉向，不是版本升級：K2.5~K2.7 在 1T/A32B 底盤上靠後訓練壓榨多代；K3 直接把總參數推到 2.8T、激活約 50B，回到預訓練規模擴張，並抽換回本家技術棧，標誌 Kimi 主動結束「既有基座後訓練」階段，重新爭奪前沿尺寸話語權。
• 「放棄經濟性」本身就是入場券：64 卡部署與 $3/$15 定價意味著 K3 不為 adoption 而戰，而是用「不計成本做最大」換取進入最高能力組（官方：僅落後 Sol/Fable）的資格，這是它一切外溢效應的前提。
• 開源權重把地緣劣勢武器化：算力管制剝奪了中國的超額利潤空間，反而促成「不要利潤、做開源」的反轉，形成「中國模型 + 美國／全球推理集群 VS 美國閉源前沿實驗室」的不對稱組合，使華盛頓自己陷入制裁／放開／折中的不可能三角。
• 「取消模型稅」反向衝擊 AI CapEx：當多家平台可部署同一份權重，推理定價從「閉源上游想收多少」回歸「高效集群跑成功任務的成本」，下游毛利系統性下降長期將壓縮上游 GPU 的議價彈性——短期 NVDA 議價權不變，但回報曲線的折現假設需下修。
• 方法論結晶是 Too Big to Fail：強大模型可稀疏化、量化、蒸餾下沉並擔任教師，但缺乏能力的小模型難靠延長思考補出來；這個不對稱性使「往大了做」成為粗糙但有效的前沿路線，OpenAI o1 做小→依賴 test-time compute→GPT-5.6 Sol 重新做大尺寸，本身已是路線回歸的承認。