前沿模型八天便宜近三分之二，Kimi K3跻身前三
相关推荐
Meta要终结中国开源模型？Muse核心成员唱衰Kimi，结果被评论区围攻
据动察 Beating 监测，Meta 超级智能实验室成员、Muse Spark 核心贡献者 Zengyi Qin 公开唱衰中国开源模型。他称，Meta 有多一个数量级的算力和更好的数据，Muse Spark 最终会超过 Kimi 等中国模型。 他还把判断推到了商业层面：JPMorgan 等美国大客户会因为合规改用美国开放模型，中国实验室也会失去这部分推理收入。Meta 自己有 Facebook、Instagram 挣钱，中国模型公司却更依赖模型收入。 评论区很快开始反问：Meta 过去两年一直不缺算力和数据，怎么没压住中国模型？还有人追问，JPMorgan 到底给 Kimi 贡献了多少收入。 有人甚至讽刺，如果这就是「Muse Spark 核心成员」的推理水平，反而开始担心 Muse 的模型表现。 Muse Spark 1.2 即将开放权重，Meta 确实会给 Kimi、DeepSeek、Qwen 多添一个重量级美国对手。但从「多了一个强敌」直接推到「中国模型会被算力碾压、美国收入也会流失」，中间还差了一大截。
Grok全新语音模型拿下Agent评测第一，API价格涨60%
据动察 Beating 监测，SpaceXAI 发布 Grok Voice Think Fast 2.0。这是一款面向客服、销售和电话场景的语音 Agent 模型，可听懂用户、生成语音回答并调用工具。新版本重点提升了推理、转写和对话能力。 Artificial Analysis 的独立评测显示，它的语音综合指数为 82.9%，排名第二，仅次于通义 Qwen Audio 3.0 Realtime Plus 的 84.1%。在测试语音 Agent 完成客服任务的 τ-Voice 基准中，它以 56.5% 排名第一，高于 Qwen 的 54.6% 和 GPT-Realtime-2.1 High 的 45.7%。首次出声只需 0.70 秒。 性能提升同时伴随涨价。API 价格从每分钟 0.05 美元升至 0.08 美元，涨幅 60%，每小时音频成本为 4.80 美元。
从GPT-2到Kimi K3：大模型七年架构演进，本质是一场记忆争夺战
据 动察 Beating 监测，Baseten 工程师 Ali 发布长文，从 GPT-2 一路拆解到 Kimi K3。按参数量计算，一个 K3 相当于约 22580 个 GPT-2。但他认为，过去七年的真正变化并非单纯扩大模型，而是不断改造模型保存、更新和找回信息的方式。 GPT-2 使用全注意力。每个 Token 都留下自己的 Key 和 Value，后续可以随时回看。信息保存最完整，但上下文越长，KV Cache 和计算成本越高。 线性注意力把整段历史压进固定大小的状态。成本不再随上下文持续膨胀，代价是不同信息会挤在同一块空间里。内容越来越多后，旧记忆开始互相干扰。 此后的多项架构创新，都在给这块有限记忆增加管理规则。DeltaNet 允许模型先读取旧内容，再用新旧差异进行覆盖。Gated DeltaNet 加入整体遗忘，让旧信息能够随场景变化衰减。 KDA 进一步把遗忘控制细化到每个通道。不同信息可以拥有不同保存时间：长期事实保留更久，临时指令和局部变量更快衰减。Ali 认为，这才是 Kimi Linear 最关键的进步。 但固定状态不可能保留所有细节。K3 因此没有只用 KDA，而是把 23 组四层结构排列成「三层 KDA 加一层 MLA」，最后再补一层 MLA。KDA 负责低成本维护长期记忆，MLA 定期回看完整上下文，找回数字、代码和早期指令等精确信息。 K3 还引入 Attention Residuals。普通模型会把每一层结果不断相加，早期提取出的信息容易在 93 层计算中被后续结果稀释。K3 把网络按 12 层分块，让后面的层按需调用较早阶段形成的中间表示，不必每次都从原文重新推导。 因此，K3 的关键并不是某一项突然出现的黑科技。它真正特别的地方，是把循环记忆、全局检索、层间回看和专家路由组合成一套分层信息系统。 过去七年的模型架构演进，本质上是在教模型如何选择什么值得留下，什么应该覆盖，什么时候必须翻回原文。
Kimi K3白领任务逼近Fable5，成本升至上代10倍
据动察 Beating 监测，Artificial Analysis 更新 AA-Briefcase 榜单。这个评测让模型从近 2000 份邮件、Slack 记录和公司文件中找信息，再交付表格、演示文稿和界面原型。它共设 4 个长期项目和 91 项保密任务。 Kimi K3 得分 1543 Elo，仅次于 Claude Fable 5 的 1574。它超过 GPT-5.6 Sol 的 1501，也领先 Claude Sonnet 5 和 Claude Opus 4.8。 K3 的客观要求通过率为 51%，Fable 5 为 56%。但 K3 的分析质量得分略高，1754 对 1744。它主要输在成品展示，低于 GPT-5.6 Sol 和 Opus 4.8。 性能提升也伴随着更高的 Token 消耗。K3 平均每项任务花费 10.57 美元，约为 Kimi K2.6 的 10 倍。它平均执行 83 轮，输出 12 万 Token，耗时 56.4 分钟。完成同类任务所需时间约为 Fable 5 的 2.5 倍。
SemiAnalysis：Kimi K3跻身全球第三，或揭示OpenAI与Anthropic隐藏利润空间
火星财经消息，7 月 20 日，SemiAnalysis 分析师 Jordan Nanos 和 Max Kan 近日围绕月之暗面旗下模型 Kimi K3 展开分析，认为该模型在综合基准测试中超越 Google Gemini，不仅反映中美 AI 模型差距缩小，也为推测 Anthropic 和 OpenAI 等闭源 AI 公司的商业模式提供了新视角。 根据 SemiAnalysis 综合评价，Kimi K3 目前排名全球第三，仅次于 Fable 5 和 GPT-5.6，并超过 Google Gemini。分析师表示，虽然这一结果并不意味着 Google AI 业务出现重大问题，但 Kimi K3 公开披露的参数规模、性能和定价，为外界估算闭源模型经济价值提供了参考。 Kimi K3 拥有 2.8 万亿参数，远超多数公开模型。Jordan Nanos 表示，如此规模的模型无法部署在单个英伟达 B200 GPU 上，需要 GB300、B300 级别系统或 AMD MI355X 等更高规格硬件支持。他据此推测，Anthropic 和 OpenAI 的旗舰闭源模型可能也处于类似参数规模，而非拥有数量级领先优势。 在商业模式方面，Kimi K3 上线价格接近 Anthropic Sonnet 系列模型，输入价格约为每百万 token 3 美元，输出价格约为每百万 token 15 美元，较上一代 Kimi 模型价格上涨约 3 倍。 Max Kan 认为，如果月之暗面并非长期亏损运营，那么 Anthropic 和 OpenAI 针对类似规模模型收取更高价格，意味着其 API 业务可能具备较高利润率。「出售 API token 可能比 SaaS 更赚钱。」他说。 不过，两位分析师强调，上述判断并非基于 AI 公司的公开财务数据，而是通过 Kimi K3 的参数、价格和性能表现进行反向推演。
华尔街投资人：Kimi K3或成AI转折点，利好模型巨头之外的产业链
据动察 Beating 监测，Atreides Management 管理合伙人兼 CIO Gavin Baker 称，Kimi K3 可能成为 AI 行业的转折点。它对 OpenAI 和 Anthropic 不利，却利好几乎所有其他公司。 他的判断是，前沿模型如果长期由两三家实验室垄断，这些公司会拿走大部分利润，并向芯片、云计算和软件层扩张。 K3 增加了模型层竞争。模型利润被压低后，更多价值会留给电力、芯片、数据中心、云服务和软件公司。 不过，K3 目前还不够省 token。Artificial Analysis 的测试显示，它每项任务成本约为 0.94 美元，高于 GPT-5.6 Terra 的 0.55 美元，但略低于 GPT-5.6 Sol 的 1.04 美元。 Baker 认为，真正的行业转折点，还需要一个同样强、但更省 token 的开放模型。OpenAI 和 Anthropic 仍可能依靠产品、工具链和内部模型守住领先。