公司已着手逐步重启此前禁用自动续费功能，老用户升级操作亦将分批恢复。至于新推出的套餐，因算力资源受限暂时无法购买，具体开通时间未定。

官方表态显示，此项调整意在平衡增量用户与存量用户的体验，并非对会员架构进行修订。K3面世后，国内外开发者社群密集产出评测和体验内容，将其与Claude、GPT等国际顶尖模型相比较。围绕推理开销、GPU配置、服务稳定性等议题的探讨，逐渐取代了基准测试，成为AI圈最新关注核心。

K3究竟火爆到什么程度？

K3问世即成为全球AI模型讨论中心。

独立AI测评机构Artificial Analysis公布的最新「智能指数」显示，Kimi K3综合得分为57分，位列全球第三，仅次于Claude Fable 5（60分）和GPT-5.6 Sol（59分），反而领先Claude Opus 4.8（56分）。

相比较而言，K3执行单项任务的平均费用为0.94美元，与GPT-5.6 Sol基本持平，但仅是Claude Opus 4.8的一半。

对业内人士而言，更关键的是，这是首个闯入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型号半个世代」几乎是业内定论，而K3的出现，让这种差距明显缩小。

文章配图-1

图片来源：Monolith励思资本

除评测表现外，K3自身的参数规模同样引起行业高度重视。K3作为月之暗面首款万亿参数级MoE模型，其总参数量高达2.8万亿。

一位国产AI芯片制造商负责人跟界面新闻透露，今年以来，随着Anthropic等海外企业不断推出超大规模参数模型，国内模型竞争再度聚焦「大参数、长上下文」赛道，万亿参数、百万级别上下文正演变为头部模型的重要竞争指标。

在他看来，K3之所以迅速走红，不仅因模型性能优异，更因为它意味着国产开源型号首次达到这一量级。「对于行业来说，2.8T本身就是一个重要里程碑。」该人士强调。

行业关注迅速扩散至开发者社群。

在X（Twitter）、Reddit、OpenRouter、Linux.do、V2EX等平台上，众多开发者第一时间分享使用体验，不少技术员将K3接入Cursor、Cline、OpenCode等专业AI编程工具进行测试。从代码生成、Agent应用到工具交互，K3几乎成为过去几天AI圈热议焦点。

讨论几乎集中三个核心问题：第一，它能否替代Claude执行编程任务？第二，它是否真正跻身国际顶尖行列？第三，它是否值得改变原有使用方案？

部分开发者认为，K3最突出特质并非对话能力，而是在长流程Agent任务和代码生成场景。一些体验者指出，在复杂代码修订、工具调用过程中，K3已经具备挑战Claude、GPT等国际领先模型的实力。

但也有反馈反映，在真实工程实践中，该模型虽然表现亮眼，但仍会忽略部分细节，需要人工补正；另外，其复杂统计推理等任务表现仍是短板。

另一类讨论焦点在于成本。有用户认为，K3虽然单价具备价格优势，但复杂任务Token消耗量大，实际使用成本未必符合预期，尤其是长流程Agent任务中更为明显。

K3热度也迅速波及海外AI界。

美国科技投资机构Atreides Management创始人Gavin Baker将K3称作AI发展的「转折点」，他认为高质量开源型号正在加速AI能力扩散，影响将不止限于模型开发商，更将惠及整个AI应用生态。

也有研究者保持审慎立场。

长期研究人工智能对工作造成影响问题的宾夕法尼亚大学沃顿商学院教授Ethan Mollick在X上表示，他让Kimi K3对其先前学术研究执行复杂统计复审，模型却「在很多方面都犯下错误」，包括错误运用统计分析方法。

Mollick指出，K3已非常接近全球顶尖模型，但复杂专业任务中的可靠性仍需更多真实场景验证，不能仅根据Benchmark成绩判断。

这种评价也折射出当前AI社区对新模型的普遍态度：一方面，K3在代码生成、Agent等场景的表现得到大量开发者认可；另一方面，模型在复杂专业任务中的稳定性和可靠性，仍需更多真实场景持续检验，不能单纯依赖榜单排名。

算力瓶颈依旧突出

正是在开发者快速涌入、调用量持续飙升背景下，月之暗面很快遭遇另一挑战——算力稀缺。

过去两年，大模型行业更常见的叙述是「训练一个模型需要多少GPU」、「参数规模达到多少」，而非因用户过多而暂停开放订阅。

事实上，模型训练完成不代表算力投入终止，特别在AI Coding、Agent等场景快速发展的情形下，模型需要持续调用工具、读取上下文、完成多轮推理，一个请求占用GPU资源时长远超传统聊天场景。模型能力越强、上下文越长、用户调用越频繁，对推理算力的需求也越高。

「目前核心挑战仍是算力短缺，尤其是高质量推理算力。」上海国投孚腾资本投资总监陈雨沁此前接受界面新闻采访时谈道，即便是头部模型企业，也相继取消无限量使用政策、上调服务费用，本质上都反映了推理资源依然紧张。「如果基础设施未能改善，很多应用公司实际上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阶段，伴随头部模型集中发布，这种紧张态势将更加严重。」上述芯片制造商负责人向界面新闻报道。

他介绍，目前像月之暗面、智谱、MiniMax等独立模型企业，获取算力主要有两种途径：一是租赁公有云服务商算力资源，二是自建算力集群。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被动局面。

「业界普遍承认，支撑万亿参数模型训练和推理，万卡级集群已是基础条件。」他表示，从2024年至今，真正具备万卡级部署能力的厂商依然是少数，不少已宣布建设的大规模集群项目，落地周期往往以年为单位计算，因此供需之间存在长期缺口。

今年WAIC期间，一个细节让上述国产芯片制造商深感印象。

他告诉界面新闻，各家国产芯片制造商在展示超节点产品时，被问最多的两个问题就是：「能否支持万卡集群？」「能否支持万亿参数模型训练？」

与过去围绕单卡性能、芯片参数讨论不同，如今产业链更加关注超大规模集群能力，以及支撑头部模型持续训练、推理的基础设施。

这一变化，也映射出大模型竞争逻辑的新进展。

过去，模型企业比拼的是参数规模、训练技术与Benchmark成绩；如今随着越来越多模型进入实际生产环境，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，或许只是短暂资源调配，却让外界首次如此清晰看到，大模型竞争已经迈入新阶段。模型能力决定产品能否吸引客户，而推理算力、基础设备与持续服务能力，则决定它能否承载真正的大规模应用。