月之暗面 Kimi K3 在發布後 48 小時內，因用戶請求量遠超預期而暫停新用戶訂閱，被迫進行算力「熔斷」。K3 的總參數規模達 2.8 萬億，採用 KDA 混合線性注意力機制，將注意力層的計算複雜度從平方級降至線性，KV 緩存最多減少 75%，在 100 萬上下文長度下解碼吞吐量提升 6 倍。該架構被視為 AI 領域「韜定律」的實踐，透過系統級架構創新實現性能躍升。K3 在全球 AI 模型評測中綜合得分 57 分，位列第 3 名，僅次於 Claude Fable 5 和 GPT-5.6。在資本市場上，K3 發布當日英偉達市值蒸發約 1111 億美元，月之暗面估值在半年內從 43 億美元飆升至 315 億美元。文章作者、來源：36氪
Kimi 也有自己的「韜定律」。
K3 爆火，Kimi 卻不得不按下暫停鍵。
於7月19日深夜，月之暗面Kimi團隊發佈公告，因Kimi K3上線48小時內用戶請求量大幅超出預估，由於算力資源緊張，暫停開放Kimi新用戶訂閱，將有限算力優先保障現有訂閱用戶。
會員體系隨之拆分為 Kimi 主權益與 Code 權益，以精準分配資源。從稍後的官方回應看，Kimi 沒有對會員體系進行調整，只是在有限算力下對用戶體驗的重新平衡。
K3 火到觸發算力「熔斷」，只能婉拒新客，專注服務老用戶。
Kimi 的「韜定律」
目前，各大模型廠商都在拼命擴大用戶規模，透過免費、降價等高性價比手段吸引新用戶。相比之下，Kimi 的反向操作顯得略為「凡爾賽」。
但模型能力越強、上下文越長、用戶調用越頻繁，對推理算力的消耗也越高。在「K3請求量逼近現有算力集群的承載極限」的情況下，Kimi 也遭遇到「豆包」式的煩惱：C 端用戶越多，對收入的貢獻不明顯，但 GPU 抗不住了。
作為月之暗面首款三萬億參數級 MoE 模型，K3 的總參數規模達到 2.8 萬億。按常規理解，此規模的模型每次輸出都會消耗指數級的算力。但在其獨特核心架構的支持下，達到了華為在晶片領域提出的「韜定律」效果。
這個架構也被視為一臺超級引擎，落地了三項關鍵技術：KDA（Kimi Delta Attention）混合線性注意力、注意力殘差（Attention Residuals）和高稀疏度 MoE，把每一分算力轉化為模型效果的效率推到極致。
長期以來，晶片行業依賴摩爾定律，透過縮小電晶體尺寸來提升性能。但當先進製程逼近物理極限、成本急劇上升，單純堆疊硬體的增長模式也步入瓶頸。
Huawei this year proposed the "Tao Law," moving beyond the traditional approach of "spatial miniaturization" toward "temporal miniaturization": by implementing logical folding, 3D stacking, and end-to-end architecture optimization, it reduces signal transmission latency and minimizes redundant data movement, achieving energy efficiency gains comparable to advanced processes on mature nodes.
其核心方法論是：在硬體受限或成本約束下，通過系統級架構創新實現性能躍升。
In my opinion, the KDA hybrid linear attention mechanism adopted by K3 is a practical application of the "Tao Law" in the field of AI.
要知道，Transformer 架構在注意力機制上最耗算力。標準注意力隨序列長度呈平方級增長，在百萬級上下文任務中，大部分算力消耗在維持長序列的注意力矩陣上。KDA 機制將大部分注意力層的計算複雜度從平方級降至線性。
根據月之暗面此前發布的技術報告，在實驗模型上採用 KDA 與 MLA 混合比例，KV 緩存佔用最高削減 75%，在 100 萬上下文長度下的解碼吞吐量提升至原來的 6 倍。配合注意力殘差與高稀疏度 MoE 技術，訓練效率提升約 25%，額外成本不到 2%。
這是對「模型生產效率」的重構。如果說硅谷主流的 Transformer 路線是「大力出奇蹟」的燃油車，KDA 則更像追求「熱效率極致」的混合動力引擎。
SemiAnalysis 的報告指出，KDA 將推理速度提升 300%，同時在長上下文處理上保持接近 Transformer 的性能。這意味著在同等算力投入下，K3 能產出更多有效智能。
開發者社區的實測反饋顯示，K3 在長流程 Agent 任務和代碼生成方面表現出色，具備與國際頂級模型競爭的實力。
從根本上說，K3 依然遵循 Scaling Law（縮放定律），但將刀鋒對準了粗獷的算法浪費。當矽谷的 AI 企業仍在不斷囤積晶片、堆疊算力時，Kimi 透過重構算法鏈路、精簡計算冗餘，在有限算力的條件下，實現了性能與效率的平衡，走出一條「每瓦特智能產出比」最大化的路徑。
這讓華爾街觀察人士和投資者感到意外，他們像驚訝於 DeepSeek 一樣，再度質疑硅谷對人工智能數千億美元的投資是否能獲得相應回報，美國在人工智能領域的領先優勢是否被削弱。
同時，企業用戶和開發者也開始關注 AI 使用成本。部分開發者已開始使用「模型路由」（Model Routing）服務，根據不同任務自動選擇成本最低、效率最高的 AI 模型，其中當然包括 Kimi 在內的中國模型。
楊植麟摸高
回過頭來看，Kimi 算力被擊穿是技術成功的副作用：模型效率的提升降低了單次使用成本，反而刺激了需求總量的暴漲。
值得一提的是，7月11日，智譜創始人唐傑宣布「Touch High 摸高計劃」，直言「不登頂，就是失敗」，並明確表示未來兩年不追求短期應用變現，而是集中資源攻堅 AGI 的四大核心方向，並擬募集資金，計劃投入百億級資源突破機械可解釋性技術。
如果說，智譜「摸高」是上市後的背水一戰，其希望透過衝擊技術的天花板，來鞏固「全球大模型第一股」的故事，並緩解真實的焦慮。
我也在楊植麟的決策中，看到 Kimi 在三個維度的「摸高」：
一是提升算力，從流量思維轉向價值思維。公開資訊顯示，Kimi 的 API 業務占比已突破 70%，與此前依賴 C 端訂閱模式大不相同。保留老用戶、拒絕新客戶，實質上是將有限算力傾斜至高價值場景，避免泛 C 端流量擠佔已成為收入支柱的 B 端業務配額。
其代價也顯而易見。例如「優先保障存量用戶」的執行標準不透明，哪些請求被優先響應、哪些被降級處理，一旦處理失策，都會稀釋用戶信任。
In the long term, Kimi must solidify its infrastructure—including elastic computing pools, tiered response mechanisms, and dynamic scheduling capabilities—to transition from a technological star to a mature leading AI enterprise.
二是定價摸高，Kimi 正在進行從廉價自助餐到價值分層的壓力測試。公告中提及的「拆分 Kimi 主權益與 Code 權益」，既是應對算力短缺的短期調配，也可能預示著其定價體系重構的開端。
過去，不論用戶是寫代碼、查資料還是閒聊，都支付相同的費用並消耗相同的算力。當高算力消耗的 Code 用戶比例上升時，這種模式必然導致結構性錯配。
Kimi 借此機會對會員權益進行拆分，也是根據使用場景重新定價：輕度用戶享受基礎服務，重度用戶為高價值功能支付溢價。
這是透過價值用戶分層，試圖爭奪模型產品的定價權。目前，K3 的收費標準已達到每百萬 Token 2.3 美元，雖低於海外頂尖模型，但已創下國產模型新高。
或許，Kimi 也想告別廉價模式，對外傳遞一個認知：高性能模型具備定價能力。接下來，大模型的競爭也將從「拼參數」轉向「拼基礎設施」、「拼成本定價」。
這一步，比登上排行榜更難，也更接近商業本質。
Third, status elevation: Kimi's transformation from a geopolitical variable to a pricing anchor.
K3 發布後迅速引發全球關注。在獨立 AI 模型評測機構 Artificial Analysis 發布的最新「智能指數（Intelligence Index）」中，其綜合得分達到 57 分，位列全球第 3 名，僅次於 Claude Fable 5（60 分）和 GPT-5.6 Sol（59 分），領先 Claude Opus 4.8（56 分）。
This achievement also conveniently shattered the industry consensus that open source lags behind closed source by half a generation.
同時，K3 的影響力已溢出技術圈。美國科技投資機構將其視為 AI 發展的「拐點」，認為高質量開源模型正加速能力擴散；加州大學伯克利分校計算機科學教授聲稱，K3 將中國開源模型與美國先進模型的差距，拉小至 2 到 3 個月。
資本市場的反應同樣劇烈，K3 發布的首個交易日，英偉達單日市值蒸發約 1111 億美元；摩根大通策略師在報告中直接稱之為 “DeepSeek 2.0”。
This acceleration is what changes the pricing logic.
此外，月之暗面 ARR（年化收入）至 6 月已接近 3 億美元，海外增速達 400%，漲價 60% 後收入反而增加，這三組數據疊加，表明 Kimi 的「開源+效率」模式可規模化變現。
加上有消息披露，月之暗面正在尋求最快六個月內在香港上市，估值在半年內從43億美元飆升至315億美元，漲幅超7倍。
這些都是資本市場在為一條非矽谷主流路線的「確權」。它們為「能跑通單位經濟模型的 SOTA」下注時，也說明 Kimi 擁有了獨立的估值邏輯，不再需要對標 OpenAI 或 Anthropic 來證明自己值多少錢。
月之暗面 圖源：網路資料
但 K3 距離 AGI 還有很長的路要走。例如跑分，雖然 K3 只比 Fable 5 低了 3 分，但背後仍是不小的差距。
此外，Kimi 在技術報告中還承認了兩個部署層面的缺陷：一是 K3 在訓練中保留了完整的思考歷史（thinking history），如果調用方沒有正確地將之前的推理過程傳回，或在會話中從其他模型切換至 K3，輸出品質就會明顯下降；
二是 K3 在任務模糊時會「過度主動」，更傾向於替用戶做決定。這種「自作主張」在需要精確執行的工程流程裡，容易觸發連鎖錯誤。
還有一個容易被忽視但極其重要的問題：幻覺。Artificial Analysis 在評測中特別指出，K3 的幻覺率反而比上一代 K2.6 上升了。
在某種程度上，K3 的光鮮與隱憂，是全行業算力供需失衡的縮影，也是中國 AI 產業在算力卡脖子、商業化未閉環、用戶預期過高等重壓下的集體陣痛。
這些 AI 廠商的每一次過載、每一次「熔斷」，都是中國 AI「摸高」需要邁過去的坎兒。可以確定的是，一個新的競爭週期已經開啟，大模型將從拼能力跨越到拼算力。
誰能在演算法、算力儲備等基礎設施上建立優勢，誰才能笑到最後，並定義下一代AI公司的生存標準。
參考資料：
字母榜，《K3 發布 48 小時》
錦緞，《都怪Kimi》
本文來自微信公眾號「唐辰同學」，作者：唐辰，36氪經授權發布。