Kimi K 3爆火，GPU先扛不住了|界面新闻·科技
一场关于推理算力的现实考验。
查沁君 · 来源：界面新闻
图片来源：界面图库
界面新闻记者 | 查沁君
界面新闻编辑 | 文姝琪
因为太过火爆， 距离Kimi K3发布不到一周，月之暗面就按下了 “ 暂停键 ” 。
7月1 9 日 晚 ，月之暗面宣布，由于算力资源紧张，暂停开放Kimi新用户订阅，将有限算力优先保障现有订阅用户。
图源：月之暗面
7月20日，月之暗面回应界面新闻称， 此次调整仅涉及新用户订阅，现有会员权益保持不变，老套餐并未取消，已订阅用户仍可正常使用并按原规则自动续费。
对于此前手动关闭自动续费的用户，公司将陆续恢复续订功能，老用户升级套餐等功能也将逐步开放；至于新套餐，目前仍因算力资源限制暂未开放购买，恢复时间尚未确定。
从官方回应来看，此次调整更像是在有限算力资源下，对新增用户和存量用户体验进行重新平衡，而非对会员体系进行调整。
K3发布后，国内外开发者社区迅速涌现大量体验和测评，不少人将它与Claude、GPT等国际头部模型放在一起比较 ， 围绕推理成本、GPU资源、服务稳定性的讨论，也开始取代Benchmark，成为AI圈新的焦点。
K3到底有多火？
K3发布后，很快登上了全球AI模型讨论的焦点。
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综合得分达到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Claude Opus 4.8（56分）。
与此同时，K3完成单项任务的平均成本约0.94美元，与GPT-5.6 Sol基本相当，仅约为Claude Opus 4.8的一半。
对业内而言，更重要的是，这是首个进入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 ” 几乎是行业共识，而K3的出现，让这一差距进一步缩小。
图源：Monolith励思资本
除了评测成绩，K3本身的参数规模同样引发业内关注。K3是月之暗面首款万亿参数级MoE模型， 总参 数规模达到2.8万亿。
一位国产AI芯片厂商人士向界面新闻表示，今年以来，随着Anthropic等海外厂商不断推出更大参数模型，国内模型竞争再次回到 “ 大参数、长上下文 ” 赛道，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之所以迅速 “ 出圈 ” ，不仅因为模型能力，更因为它意味着国产开源模型首次进入这一量级。 “ 对于行业来说，2.8T本身就是一个重要信号。 ”
业内关注很快传导到了 开发者社区。
在X（Twitter）、Reddit、OpenRouter、Linux.do、V2EX等平台，大量开发者第一时间分享体验，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：第一，它到底能不能替代Claude做编程？第二，它是否真的达到国际第一梯队？第三，它到底值不值得迁移？
不少开发者认为，K3最大的亮点并非聊天，而是在长流程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， 该 模型虽然能力突出，但仍会遗漏部分细节，需要人工修正； 此外， 其复杂统计推理等任务表现仍存在不稳定情况 。
另一类讨论则集中在成本。有用户认为，K3虽然单价具有竞争力，但由于复杂任务Token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 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正在加速AI能力扩散，其影响不会局限于模型厂商，而将惠及整个AI应用生态。
也有研究者保持谨慎。
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，但复杂专业任务中的可靠性仍需更多真实场景验证，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。
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，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。 ” 上海国投孚腾资本投资总监陈雨沁 此前 接受界面新闻采访时表示 ， 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，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状态，而随着头部模型集中发布，这种紧张局面会进一步放大。 ” 上述芯片产商 人士向界面新闻称 。
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，一个细节让上述国产芯片厂商印象深刻。
他告诉界面新闻，各家国产芯片厂展示超节点产品时，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，却让外界第一次如此直观地看到，大模型竞争已经进入新的阶段。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。