月之暗面（Kimi）：警惕冒用公司名义虚假融资，不存在所谓「朋友基金」或「特殊通道」
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。
Kimi CLI前作者：模型越强，Harness反而会越厚
据动察 Beating 监测，Raft 创始人、Kimi CLI 前作者 Richard Qian 提出一个反常识判断：模型越强，Agent harness 不一定越薄，反而可能越来越厚。 System Prompt、专用 Tool、Subagent 这些东西都可能慢慢消失。模型越来越聪明后，很多固定流程可以直接交给模型，最后甚至只留一个 Bash 工具。 但 Agent 一旦开始长期工作、互相协作，新的问题马上冒头：谁负责什么、任务做到哪了、上下文怎么同步、多个 Agent 怎么避免重复工作和互相冲突。这些都得由模型外面的系统解决。 Richard 离开月之暗面后做的 Raft，实际上就在补这一层。它把 Claude Code、Codex、Kimi CLI 等 Agent 拉进同一个工作区，让它们在频道里聊天、认领任务、读历史消息，再互相交接工作。 模型正在吃掉旧 harness，但 Agent 能做的事越多，外面的协作系统也会越来越复杂。
DeepSeek、Kimi都在拼命砍缓存，英伟达开始让缓存跨模型复用
据动察 Beating 监测，过去两年，大模型推理优化一直在拿 KV Cache 开刀。它是模型读完上下文后留下的中间计算结果，内容越长，越吃显存和带宽。DeepSeek-V2 借助 MLA，相比 DeepSeek 67B 将 KV Cache 减少 93.3%；Kimi Linear 相比全 MLA 又最多减少 75%。大家都在让长上下文更便宜。 但这些方案都有一道墙：缓存通常只能在同一个模型内部复用。Agent 从小模型切到大模型后，目标模型还得把前面几万甚至几十万 Token 重新计算一遍。模型路由越频繁，这笔重复计算越难忽略。 英伟达最新论文开始拆这堵墙。团队发现，在同一家族、KV 结构匹配的不同大小模型之间，缓存存在明显的线性关系。用 500 段、每段 1024 Token 的文本校准一次，就能拟合出一套映射，把一个模型算好的 KV Cache 转给另一个模型继续用。 Qwen3-14B 切到 32B 时，32K 上下文重新计算约需 7 秒，转换缓存只要约 0.28 秒，快约 25 倍。换句话说，以后甚至可以先让小模型负责「读」：把长上下文算成 KV Cache；真正需要更强能力时，再把缓存转给大模型，让大模型直接开始「想」和生成。 这会让模型路由省下更多算力。现在让简单任务跑小模型，主要省的是生成成本；一旦切到大模型，长上下文往往还得由大模型重新算一遍。跨模型 KV Cache 如果做成熟，连这部分 prefill 都能交给小模型完成。Agent 可以长期用便宜模型维护上下文，碰到难题才叫醒大模型，而且不用每次都从头「读档」。
Gate Pre-IPOs第三期Moonshot AI（KIMI）明日开启认购，支持USDT/GUSD双币参与
Odaily星球日报讯 据官方公告，Gate Pre-IPOs 第三期项目 Moonshot AI（KIMI）将于 8 月 11 日 15:00（UTC+8）正式开启认购，认购将持续至 8 月 13 日 15:00（UTC+8）。本期推出 KIMI 资产凭证，为基于 Moonshot AI 企业价值变化设计的镜像票据（Mirror Note），认购价格为 105-115 美元/股（以最终定价结果为准），项目隐含市值约 500 亿美元。 本期项目支持 USDT 与 GUSD 双币认购，用户使用 GUSD 认购可同步享受 3.8% 活期美债收益。认购结束后，KIMI 资产凭证将于 8 月 17 日 15:00（UTC+8）100% 解锁分发，并预计于分发完成后约 1 个月开放专用市场交易。 随着认购开启进入倒计时，Gate Pre-IPOs 持续拓展 AI、RWA 及创新资产参与场景，为用户提供更多元的上市前资产参与渠道。
2.78万亿参数Kimi K3实现8GB内存运行，开发者开源轻量C推理引擎
BlockBeats 消息，8 月 8 日，有开发者近日开源项目 kimi-k3-in-c，尝试让拥有 2.78 万亿参数的 Kimi K3 模型在仅 8GB 内存的设备上运行。该项目仅 176KB，采用纯 C99 编写，不依赖 GPU、CUDA、PyTorch 或 BLAS，仅通过 CPU 即可完成模型推理。 该方案利用 Kimi K3 的 MoE（混合专家）架构特性。虽然模型总参数规模达到 2.78T，但每层 896 个专家中仅激活 16 个，因此开发者没有将完整约 1.56TB 模型权重加载进内存，而是将大部分专家权重存储在 NVMe 硬盘中，根据推理需求实时读取；同时，部分密集层（dense trunk）也采用逐层流式加载方式。 不过，该方案目前仍存在明显性能限制。在 8GB 内存模式下，模型生成一个 token 大约需要 32.7 秒，同时需要接近 1.7TB 高速存储空间支持。 开发者表示，这一方案目前更像是对大模型推理基础设施优化方向的一次实验探索，并不具备实际生产使用价值，但其通过「硬盘流式加载+MoE 稀疏激活」的方式，为未来低成本运行超大规模模型提供了一种新思路。
月之暗面的Kimi K3在安全测试中突破沙箱范围，因沙箱配置错误
PANews 8月7日消息，据Wired报道，安全测试中，月之暗面的开源模型Kimi K3在安全测试中突破沙箱范围并访问了互联网，试图通过GitHub寻找测试答案。美国安全初创公司Frontier Security称，Kimi K3利用了沙箱配置漏洞，但其本身缺乏足够的内置防护机制。与OpenAI和Anthropic此前披露的事件类似，此次逃脱部分源于沙箱配置错误。但Kimi K3未发起攻击，因答案在GitHub上可轻易获取。Frontier Security CEO表示Kimi K3在网络安全防御方面表现出色，但缺乏防止作弊或逃逸沙箱的防护机制。