Kimi K3 时刻：中美 AI 产业链叙事要变天？|kimi|lab|sol|产业链|大模型

文 | 海豚研究

上周全球市场直接把大家跌懵了，真假小作文趁机甚嚣尘上。除了韩国加息、地缘问题导致的流动性去杠杆因素外，另一个市场相对一致性的大跌归因——K3 大模型的发布也被拿来反复讨论，以及与此一同被抬出来还有 “中美竞争” 的老生常谈。

K3 所代表的中国大模型明显缩短了前沿大模型的追赶进程，并且还依赖本身的成本优势（模型架构、人才、电力等）、开源优势给终端用户增加了优质大模型的另一个选择。

海豚君认为，K3 受制于短期算力供给，在性价比和输出速度上并不存在优势，因此实际短期对闭源模型龙头影响有限，但开源模型首次大幅缩小与顶尖闭源模型的技术差距，意义重大，也是纯大模型商业模式边际恶化的一次拐点。对于独立 AI Lab 来说，很可能会因此拉长头部大模型厂商扭亏为盈的拐点等待期。

但这并不代表 AI 全行业的商业模式证伪。开源大模型的技术突破，短期给资金雄厚的追赶者们、中小企业本地部署需求增加大参数量模型的投入信心，中长期则因为开源模型降低门槛，加速 AI 大模型的大宗商品化进程，提高全行业的 AI 渗透，最终促使中游 CSP 等企业服务、下游 C 端应用层高速发展期的更快到来，共同做大 AI 的增量蛋糕。

一、当大模型竞争开始蔓延到头部

今年上半年，头部模型 Lab 密集发布各自的前沿大模型。就更新频次上，北美依旧是 Anthropic 和$OpenAI(OpenAI.NA) 保持模型创新的主要战斗力，xAI、Meta、Google 紧随其后。中国大模型虽然并不领先，但生态则是百家争鸣。

企业端极其看重模型质量，因此一路领先的 Anthropic 在 ARR 表现上是一超多强。2 月，Anthropic 搬出口碑超预期的 Opus 4.6，流水 ARR 重新加速。从 25 年四季度月均增速 9% MoM，一下子飙至 2026 年 1-2 月的 25% MoM。

随后的 Opus 4.7、4.8 虽不如当初的 Opus 4.6 带来的惊艳（体验升级的超预期幅度），但总归性能不断上升，以及同行中直到 4 月 Open AI 才搬出能与之有一战之力的 GPT-5.5，因此 Anthropic 迎来了专属于自己的 “春天”，从 3 月至 6 月，ARR 月环比增速保持在 30% 以上。

但独立 C 端用户上，价格是第一考虑因素，因此中国大模型靠着性价比 + 开源优势，在 OpenRouter 渠道（个人和中小团队用户为主）的 Token 用量占比持续上升，6 月起已经正式超过美国大模型，从而结构性的带动整体 Token 单价从 2026 年开始出现了一波下滑。

两个阵营原本相安无事，各自扫好门前雪。企业高端需求继续被 Anthropic 拿捏，Fable 一会关一会开，部分需求悄悄转移到了 OpenAI、智谱。个人普通需求中，除了一部分默默薅腾讯 HY3.0 的免费羊毛，其他需求则继续享受 DeepSeek、小米、Minimax 等高性价比方案。

但作为 AI 商业模式最易落地的场景，Coding 市场蛋糕原本已被 Anthropic 独吞。很快我们看到北美的 OpenAI、Google，以及中国的智谱、Kimi 在研发目标上的战略调整，集中算力资源提升大模型的 Coding 能力。

进入 7 月，战火才真正燃了起来：

（1）首先是北美内部互撕，OpenAI 推出的 GPT 5.6-Sol 性能上快速看齐 Fable 5。比较 Artificial Analysis 智能评分和 Arena 投票打分，两者差距都已经非常小。

而 Sol 的单价只有 Fable 5 的 30%，Artificial Analysis 评测的单任务成本指标里，Sol 也只有 Fable 5 的 38%。

（2）其次是东方卷王中国大模型的跃跃欲试，上周 Kimi 带着一款智能性同样可以归为一梯队的基模 K3，打入了 Anthropic 和 OpenAI 的核心阵营。

K3 的 AA 智能评分仅仅位列 Fable、Sol 之后，而靠着长周期任务的 Agent 优势，K3 甚至在 Arena 榜单中被投成了榜一。

下图为各家 AI Lab 最前沿大模型的 AA 智能评分，虚线代表北美厂商，实线代表中国厂商。可以看到，综合实力看北美厂商依旧有优势，但二季度以来，智谱、Kimi 先后进入 TOP 5，与老大 Anthropic 的研发差距已经从 6-12 个月缩短到 3 个月。

二、K3 短期竞争影响有限、但意义重大

作为继 DeepSeek 之后第二个令全球印象深刻的中国之光，Kimi K3 是纸面实力还是真硬气？相对一梯队的同行又有哪些优劣势？

1. 除了中国特色，大模型迭代还是 “越大越好”

Kimi K3 是一款开源权重大模型，除了最底层的代码和训练数据库不公开外，其他部分会在 7 月 27 日全网开源。在第三方评测的核心指标榜单上，K3 均排在前列，部分指标（来自 Arena 的前段代码领域）甚至被评到第一。

总的来说，K3 的优势在前端开发和智能体上，UI 审美高级、网页生成完成度较高，也更擅长处理长周期多工程任务。

而上述核心能力提升，主要源于总参数规模明显扩大、相比于其他同期的中国大模型，K3 的总参数量达到了 2.8 万亿，将 DeepSeek V4 的 1.6 万亿刷新了最高记录。

不过这个参数量仍然不能和 GPT 5.6、Fable 5 差不多 5-10 万亿级别的量级相比，所以为了继续提高性能，无论是闭源还是开源，目前大模型的迭代思路仍然是遵循 Scaling Law 规律，因此未来最前沿的大模型，在参数量大幅提升的趋势是非常明确的。

2. 实际性价比不高

K3 发布后，Anthropic 宣布将 Fable 5 从 7 月 20 日起永久性纳入 Max 及 Team 订阅体系。但实话说，至少目前为止 Kimi K3 的性价比并不高，尤其是和 GPT-5.6-Sol 相比。

在单价低一半下，K3 的 Token 使用效率偏低、推理速度偏慢，这使得从实际执行任务的角度，K3 消耗成本相比 GPT-5.6-Sol 只便宜了 10%（0.95/1.04=91%）。

在下图的 “智能性&单任务成本” 综合对比表中，也不属于 “绿色” 的综合优势领域。

从结果看，似乎 Kimi 并不具备性价比。但底层技术路线上，Kimi 仍然在致力于提高训练效率。其中两个核心技术的创新，据 Kimi 自己说相比上一版本的大模型 K2，带来了 2.5x 的缩放效率的提升。

中国 AI Lab 往往受困于高端芯片供应和资金短缺（独立模型厂商），导致训练大模型时并不能像欧美龙头一样随心所欲。比如大模型整体性能强悍的 Anthropic，目前仍主要用Dense 稠密模型架构，意味着每一次 Token 的处理，都需要每个参数参与计算。

而每此运行时只激活其中小部分参数的MoE 稀疏架构，则成为中国开源大模型厂商退而求其次的最优选择（OpenAI 自 GPT-4 起也开始采用）。

2024 年初 DeepSeek 就是通过对 MoE 稀释架构做了显著的工程优化，将训练效率和成本进一步得到了很大改善，引起全球侧目，也是影响行业发展方向的里程碑时刻。

而 Kimi 的 K3 大模型则通过继续扩大模型稀疏度，从而降低了无效算力消耗，每次运行激活率不足 2%（该架构一共设置 896 个专家，每次激活 16 个）。

K3 的有效激活率再次刷新了此前 DeepSeek V4 Pro 创下的 3% 记录，而性能接近的 GLM-5.2，激活率则有 5%。同梯队的北美大模型，甚至大多处于 10% 的激活率。每次运行时专家激活率越低，越能减少训练过程中的冗余计算量，从而使得训练效果和运行效率得到显著优化。

除此之外，K3 对训练效率的提升还得于另外两个自研核心技术——KDA（Kimi Delta Attention）和注意力残差机制。

后者 “注意力残差机制” 主要是解决大模型在深度场景的信息传递问题，减少因模型层数扩张、加深而带来信息传递损耗问题。

这两个技术都是用来解决传统 Transformer（采用全注意力）在 “长上下文” 上的弊端：一个是在训练阶段的算力消耗较高，另一个则是在推理解码阶段对 KV Cache 占用空间过大。当下前沿大模型已经大多为 100 万 Token，未来有希望继续向上突破。因此针对上下文的算力瓶颈，是全行业需要解决的核心问题。

而 Kimi 是将全注意力和线性注意力结合起来形成混合型，不需要保留每个历史 Token 完整 KV 值，仅在现有记忆状态无法解释新信息时才将误差补充写入，其他时期历史信息压缩在可持续更新的状态中。Kimi 官方披露，通过 KDA 技术可以减少 75% 的 KV Cache。

3. 高部署门槛

大参数量能快速提高模型性能，但随之而来的就是对硬件部署门槛要求也会提高。

尽管 K3 减少了 75% 的 KV 缓存，但 K3 本身模型参数上去了，总参数逼近 3T 级别。虽然每次推理只用到 896 个专家中的 16 个，也就是对应 500 亿参数，但所有专家权重都必须常驻显存中，因此整体模型权重的存储需求（原始权重 1.4T，还要加上一些量化因子、路由表、共享层以及运行缓存等）超 1.5TB。

这表明，仅加载模型就需要占用 1.5T 的 HBM 容量。但 NV DGC B200 单节点 8 颗 GPU 总显存约 1.4T（180GB*8），只能勉强装下原始权重，但几乎没有空间给到实际运行。

这种情况下，就需要上 GB300 机柜。Kimi 官方的建议是 K3 的最佳部署为包含至少 64 颗加速器的高带宽超级节点。按道理来说，除了 72 颗 GPU 的 GB300 NVL72，包含 64 颗 GPU 的华为升腾 950 Superpod 也可以满足 K3 的运行需求。

而等到模型权重开源后，哪怕是本地部署最小规模的 K3 推理集群，也要至少 8 颗 NV A100，硬件成本超 400 万元 RMB。

因此上周因为 K3 的一句 KV Cache 减少 75% 而加剧的存储恐慌，显然是 “鬼故事”。市场混淆了单位需求和整体需求的区别，KDA 技术只是降低了单 Token 存储和计算成本，但并不代表说所有推理过程的硬件需求整体压缩了。与此同时，开源模型本身也会进一步扩大全行业对硬件部署的需求规模。

就实测来看，由于参数量上去了，导致 K3 的算力紧缺已经相当明显：据调研 199 元/月的登月套餐 Allegretto，K3 只能用 10 小时 +，海豚君亲测 49 元/月的初级套餐 Andante，低频使用了三天也遭遇了算力告急（实际使用时会自动从 K3 模型切换到 K2.6）。

不仅如此，Kimi 官方也发了公告，暂停新增订阅，以保证存量用户的使用体验（额度和响应速度）。

三. 变天的不是行业，而是$Anthropic(ANTH.NA)

但仍有悲观声音喊出，Anthropic 和 OpenAI 本身模型迭代带来的性能边际提升已经缩小，同时中国大模型技术追赶上来了，中式内卷下，又会进一步加剧大模型行业竞争。因此 Anthropic 的 ARR（年化收入）很可能因此放缓，进而导致商业模式再次遇阻。

AI 龙头的商业化能否走通，确实会影响全行业的军备竞赛预期。AI 的颠覆性，让科技巨头不敢离开战场；但 AI ROI 的变化趋势，决定着科技巨头是否会暂时放慢投入速度。

因此在当前产业链预期打满下，Capex 哪怕只是降低增长斜率也会导致市场短期出现崩盘迹象。在周期顶部，低估值只是计算错觉。

市场关注度最高的 Anthropic ARR，在近一年有明显的一超多强优势，核心原因就是它主打 AI Coding 这个易落地的应用场景。目前市场预期今年能够实现经营利润转正，这要比更倚重 C 端的 OpenAI，先一步看到商业模式走通。

在上半年的 3-6 月，Anthropic 的 ARR 经历了一次明显加速。目前 7 月数据还没出来，前两天小作文传出的 Yipit 测算值 795 亿（21 天），被 Yipit 打假了。

海豚君暂时按照与预测值差不多的 20% 月均环比增速估算 7 月。8 月之后考虑到竞争加剧，那么增速按趋势缓慢下滑下，预计到年底能够达到 1180 亿。对比年初公司制定的今年 260 亿收入和市场预期的年底 1000 亿 ARR，目标达成的难度不是很大。

但今年超目标是早已 priced in 的市场预期，如若下半年的 ARR 环比增速真如上述谨慎预期下降至年底的 5%，隐含年化增速 70%，对 Anthropic 上市后的估值弹性必将不利。

不过海豚君认为，出于上述所讨论的算力瓶颈问题导致的 “无性价比优势 + 输出速度劣势”，以及产品生态的布局（大模型、Claude code、专业领域 Agent 等），我们对 Kimi K3 对 Anthropic 的竞争影响短期没那么悲观，再加上川普正在考虑出台限制中国 AI 的相关政策，因此中国大模型的出海之路（尤其是企业端需求）可能没有想象中那么顺畅。

反过来说，就算 Anthropic 的 “势头走弱”（比如 OpenAI 目前已经有正面竞争的实力，GPT-5.6-Sol 在智能性上已经相差无几，但胜在便宜，以及后续若 Google 追赶上来），也不带代表全行业跟着完蛋。

如下图所示。北美作为全球 AI 投入最快、规模最大的市场，目前 AI 在各个领域的渗透率可以说是全球最高。目前 20% 的企业或多或少的已经采用 AI，26 年初一次显著跃升后，预计今年有望继续上升 3ppt。

分行业上，得益于 AI 原生能力的替代性更加丝滑，Coding 领域渗透率最高。其他领域，行业渗透率看着高，但这里面仍然是 IT 部门是目标人群。

公司内其他岗位的渗透，以及 To C 的端侧 AI（包括具身智能），是 AI 未来增长方向。但这需要配合相应的产品形态、成熟渠道触达到更多的用户。这里往往涉及偏专业定制化的产品终端设计，因此需要时间和资金投入，其中降低算力门槛是加速 AI 在 Coding 之外领域渗透的核心关键。

四、大模型混战升级的思考

Kimi K3 的出现，弱化了市场对 Anthropic 技术壁垒的信仰，但也给了资金雄厚的追赶者们，尤其是本身有生态、渠道优势的 Big Tech 们更大的投入信心。

但同时大模型行业的残酷竞争也被撕开最后的幻想。尤其是对于独立 AI Lab 来说，一年数十亿至上百亿的基础设施 + 训练成本，换来的是从以前 12 个月的领先优势，到如今只有 3 个月的溢价红利期，那么这笔账是很难算的明白的。

尤其是在成本大头——算力硬件价格全球统一下（实际因为大国卡脖子，中国采购高端芯片的成本溢价直接爆表），中国大模型的 “性价比” 优势部分来源于人才（中国 AI 工程师平均年薪与美国同行存在 3-5 倍差距）、电力（核心区中国便宜 30-50%）的绝对差额，但更多的还是靠忍受亏损的 “补贴”，实际也就是投资人买单，包括地方政府的补贴。

如下图：

（1）2026 年 A&O 两家的毛利率目前都已经在 60% 上下，但智谱预计在 2026 年的毛利率还要继续削弱到 30% 以下。

（2）而如果考虑到负担更重的训练成本，经营亏损差距还将拉大，这一点光靠销售、管理等其他经营开支的低价优势，难以做有效对冲。

因此一定程度上可以说，盈利结构发生显著变化的拐点，源于下半年中国高端自主芯片的量产。