H | 在被业内视为最贴近真实工程开发的编程“金标准”Frontend Code Arena 榜单上，K3以1679分登顶。
I | K3的上一代模型K2.6在同一榜单上排第18位，一代之间跃升17个位次。Vercel的CEO Guillermo Rauch发帖称，K3在Next.js官方综合Web工程基准（nextjs.org/evals）评测中领先Fable，“这是开源模型首次在该综合Web工程评测上全面超过闭源模型。”
和DeepSeek-R1推出后英伟达一度大跌类似，K3也影响到了美股表现，美东时间7月17日，CNBC报道美股半导体板块走出今年以来最差单周行情，跌幅创下2025年4月之后新低，而导火索是“中国月之暗面发布全新AI大模型。”
对于K3在全球的影响，黄震昕表示，“我们在全球市场上真正做出了SOTA级别的模型，定价不是朝便宜去定的，我们也摆脱了‘开源模型就是要做便宜的、低价的’这样的印象。”
“模型公司一定要做模型”
面对用户的热情与海外广受关注的表现，Kimi显得颇为低调。
“不做高性价比的标准化业务，而是聚焦‘难而正确’的前沿探索。
J | ”黄震昕这样解释公司的核心理念。
K | 如同登月一般，一旦实现突破，将为全人类创造巨大价值——这并非一句口号，而是贯穿在月之暗面从技术研发到商业布局的每一个决策之中。
L |
在当前，越来越多的AI企业开始聚焦落地和Agent时，月之暗面却一直保有对基础模型的执念，“模型公司一定要做模型。”黄震昕说。
基础模型的强度是所有上层应用的前提，Agent、C端产品、行业解决方案都是模型能力提升到一定阶段后的自然产物。只有持续打磨最强模型，才能构建长期竞争壁垒。
这种执念在K3身上得到了集中体现。根据月之暗面公布的技术文档，K3基于月之暗面自研的KDA混合线性注意力机制和Attention Residuals技术构建，采用MoE（混合专家）架构，在896个专家中高效激活16个，扩展效率较前代K2提升约2.5倍。更关键的是，月之暗面是Scaling Law（缩放定律）的坚定信仰者——模型参数量、训练数据量、计算量三者同步提升，模型性能就会持续增强——但传统Scaling Law面临指数级成本的硬约束：算力投入扩大100倍，模型性能仅提升10倍。
月之暗面的解法不是简单的工程效率优化，而是底层架构创新。
M |
黄震昕透露，过去8到11年间，大模型领域的三大核心基础技术从未出现本质迭代，而公司在2025至2026年完成了对这三项底层技术的突破，这也是K3能够实现SOTA性能的核心支撑。其中，Moon Clip二阶优化器是行业首次在万亿级大模型训练中应用该新型优化器，大幅提升Token效率，可让20TB训练数据发挥出相当于40TB的效果。K2系列曾在过去12个月中保持9个月的参数量领先，K3也将在参数量与性能上保持一段时间的领先优势。
黄震昕告诉记者，Kimi现阶段暂不提供私有化部署服务，商业模式对标海外成熟头部AI企业，核心发力打磨模型基础能力，他也明确了行业参数规模趋势，表示Kimi的大模型参数规模会持续向上拓展，不会止步于当前2.8万亿规模。
Kimi的“审美”：不做娱乐性场景，聚焦生产力
技术突破只是起点，商业化落地才是检验模型价值的关键。
N |
K3在编程能力上的表现已经为它赢得了开发者生态的初步认可，其在多项评测中展现出与顶级闭源模型抗衡的实力。在Program Bench评测中，K3得分77.8，以0.2分的微弱优势超过GPT-5.6 Sol的77.6；在FrontierSWE上得分81.2，大幅领先GPT-5.6 Sol的71.3，但次于Fable 5的86.6。在实际应用中，K3展示了长程工程能力——在计算天体物理“I-Love-Q”普适关系复现任务中，K3用约两小时完成了通常需要资深研究人员一到两周才能完成的工作。
o |
但月之暗面的商业化视野不止于此。黄震昕在采访中透露，公司即将推出Kimi Hosted Agent企业级服务，开放Agent编排调度（Harness）能力，将沙箱环境与智能体调度框架整合为标准化平台，向企业客户提供PPT生成等场景的API接口，支持嵌入企业内部系统，可自定义内容风格，适配投研分析、内容生产、办公自动化等多元场景。
p |
谈及与海外头部模型公司的竞争，黄震昕表示，全球模型公司在商业化方面已找到一条可行路径，Kimi在产品创新上持续投入，包括AgentSwarm路由在行业做Agent之前就已经做出来。“我们还是希望从产品驱动，然后设计不同的商业模式，打造出非常有竞争力的产品。
