Kimi K3 時刻：中美 AI 產業鏈敍事要變天？

上週全球市場直接把大家跌懵了，真假小作文趁機甚囂塵上。除了韓國加息、地緣問題導致的流動性去槓桿因素外，另一個市場相對一致性的大跌歸因——K3 大模型的發佈也被拿來反覆討論，以及與此一同被抬出來還有 “中美競爭” 的老生常談。

K3 所代表的中國大模型明顯縮短了前沿大模型的追趕進程，並且還依賴本身的成本優勢（模型架構、人才、電力等）、開源優勢給終端用户增加了優質大模型的另一個選擇。

海豚君認為，K3 受制於短期算力供給，在性價比和輸出速度上並不存在優勢，因此實際短期對閉源模型龍頭影響有限，但開源模型首次大幅縮小與頂尖閉源模型的技術差距，意義重大，也是純大模型商業模式邊際惡化的一次拐點。對於獨立 AI Lab 來説，很可能會因此拉長頭部大模型廠商扭虧為盈的拐點等待期。

但這並不代表 AI 全行業的商業模式證偽。開源大模型的技術突破，短期給資金雄厚的追趕者們、中小企業本地部署需求增加大參數量模型的投入信心，中長期則因為開源模型降低門檻，加速 AI 大模型的大宗商品化進程，提高全行業的 AI 滲透，最終促使中游 CSP 等企業服務、下游 C 端應用層高速發展期的更快到來，共同做大 AI 的增量蛋糕。

一、當大模型競爭開始蔓延到頭部

今年上半年，頭部模型 Lab 密集發佈各自的前沿大模型。就更新頻次上，北美依舊是 Anthropic 和$OpenAI(OpenAI.NA) 保持模型創新的主要戰鬥力，xAI、Meta、Google 緊隨其後。中國大模型雖然並不領先，但生態則是百家爭鳴。

企業端極其看重模型質量，因此一路領先的 Anthropic 在 ARR 表現上是一超多強。2 月，Anthropic 搬出口碑超預期的 Opus 4.6，流水 ARR 重新加速。從 25 年四季度月均增速 9% MoM，一下子飆至 2026 年 1-2 月的 25% MoM。

隨後的 Opus 4.7、4.8 雖不如當初的 Opus 4.6 帶來的驚豔（體驗升級的超預期幅度），但總歸性能不斷上升，以及同行中直到 4 月 Open AI 才搬出能與之有一戰之力的 GPT-5.5，因此 Anthropic 迎來了專屬於自己的 “春天”，從 3 月至 6 月，ARR 月環比增速保持在 30% 以上。

但獨立 C 端用户上，價格是第一考慮因素，因此中國大模型靠着性價比 + 開源優勢，在 OpenRouter 渠道（個人和中小團隊用户為主）的 Token 用量佔比持續上升，6 月起已經正式超過美國大模型，從而結構性的帶動整體 Token 單價從 2026 年開始出現了一波下滑。

兩個陣營原本相安無事，各自掃好門前雪。企業高端需求繼續被 Anthropic 拿捏，Fable 一會關一會開，部分需求悄悄轉移到了 OpenAI、智譜。個人普通需求中，除了一部分默默薅騰訊 HY3.0 的免費羊毛，其他需求則繼續享受 DeepSeek、小米、Minimax 等高性價比方案。

但作為 AI 商業模式最易落地的場景，Coding 市場蛋糕原本已被 Anthropic 獨吞。很快我們看到北美的 OpenAI、Google，以及中國的智譜、Kimi 在研發目標上的戰略調整，集中算力資源提升大模型的 Coding 能力。

進入 7 月，戰火才真正燃了起來：

（1）首先是北美內部互撕，OpenAI 推出的 GPT 5.6-Sol 性能上快速看齊 Fable 5。比較 Artificial Analysis 智能評分和 Arena 投票打分，兩者差距都已經非常小。

而 Sol 的單價只有 Fable 5 的 30%，Artificial Analysis 評測的單任務成本指標裏，Sol 也只有 Fable 5 的 38%。

（2）其次是東方卷王中國大模型的躍躍欲試，上週 Kimi 帶着一款智能性同樣可以歸為一梯隊的基模 K3，打入了 Anthropic 和 OpenAI 的核心陣營。

K3 的 AA 智能評分僅僅位列 Fable、Sol 之後，而靠着長週期任務的 Agent 優勢，K3 甚至在 Arena 榜單中被投成了榜一。

下圖為各家 AI Lab 最前沿大模型的 AA 智能評分，虛線代表北美廠商，實線代表中國廠商。可以看到，綜合實力看北美廠商依舊有優勢，但二季度以來，智譜、Kimi 先後進入 TOP 5，與老大 Anthropic 的研發差距已經從 6-12 個月縮短到 3 個月。

二、K3 短期競爭影響有限、但意義重大

作為繼 DeepSeek 之後第二個令全球印象深刻的中國之光，Kimi K3 是紙面實力還是真硬氣？相對一梯隊的同行又有哪些優劣勢？

1. 除了中國特色，大模型迭代還是 “越大越好”

Kimi K3 是一款開源權重大模型，除了最底層的代碼和訓練數據庫不公開外，其他部分會在 7 月 27 日全網開源。在第三方評測的核心指標榜單上，K3 均排在前列，部分指標（來自 Arena 的前段代碼領域）甚至被評到第一。

總的來説，K3 的優勢在前端開發和智能體上，UI 審美高級、網頁生成完成度較高，也更擅長處理長週期多工程任務。

而上述核心能力提升，主要源於總參數規模明顯擴大、相比於其他同期的中國大模型，K3 的總參數量達到了 2.8 萬億，將 DeepSeek V4 的 1.6 萬億刷新了最高記錄。

不過這個參數量仍然不能和 GPT 5.6、Fable 5 差不多 5-10 萬億級別的量級相比，所以為了繼續提高性能，無論是閉源還是開源，目前大模型的迭代思路仍然是遵循 Scaling Law 規律，因此未來最前沿的大模型，在參數量大幅提升的趨勢是非常明確的。

2. 實際性價比不高

K3 發佈後，Anthropic 宣佈將 Fable 5 從 7 月 20 日起永久性納入 Max 及 Team 訂閲體系。但實話説，至少目前為止 Kimi K3 的性價比並不高，尤其是和 GPT-5.6-Sol 相比。

在單價低一半下，K3 的 Token 使用效率偏低、推理速度偏慢，這使得從實際執行任務的角度，K3 消耗成本相比 GPT-5.6-Sol 只便宜了 10%（0.95/1.04=91%）。

在下圖的 “智能性&單任務成本” 綜合對比表中，也不屬於 “綠色” 的綜合優勢領域。

從結果看，似乎 Kimi 並不具備性價比。但底層技術路線上，Kimi 仍然在致力於提高訓練效率。其中兩個核心技術的創新，據 Kimi 自己説相比上一版本的大模型 K2，帶來了 2.5x 的縮放效率的提升。

中國 AI Lab 往往受困於高端芯片供應和資金短缺（獨立模型廠商），導致訓練大模型時並不能像歐美龍頭一樣隨心所欲。比如大模型整體性能強悍的 Anthropic，目前仍主要用Dense 稠密模型架構，意味着每一次 Token 的處理，都需要每個參數參與計算。

而每此運行時只激活其中小部分參數的MoE 稀疏架構，則成為中國開源大模型廠商退而求其次的最優選擇（OpenAI 自 GPT-4 起也開始採用）。

2024 年初 DeepSeek 就是通過對 MoE 稀釋架構做了顯著的工程優化，將訓練效率和成本進一步得到了很大改善，引起全球側目，也是影響行業發展方向的里程碑時刻。

而 Kimi 的 K3 大模型則通過繼續擴大模型稀疏度，從而降低了無效算力消耗，每次運行激活率不足 2%（該架構一共設置 896 個專家，每次激活 16 個）。

K3 的有效激活率再次刷新了此前 DeepSeek V4 Pro 創下的 3% 記錄，而性能接近的 GLM-5.2，激活率則有 5%。同梯隊的北美大模型，甚至大多處於 10% 的激活率。每次運行時專家激活率越低，越能減少訓練過程中的冗餘計算量，從而使得訓練效果和運行效率得到顯著優化。

除此之外，K3 對訓練效率的提升還得於另外兩個自研核心技術——KDA（Kimi Delta Attention）和注意力殘差機制。

後者 “注意力殘差機制” 主要是解決大模型在深度場景的信息傳遞問題，減少因模型層數擴張、加深而帶來信息傳遞損耗問題。

這兩個技術都是用來解決傳統 Transformer（採用全注意力）在 “長上下文” 上的弊端：一個是在訓練階段的算力消耗較高，另一個則是在推理解碼階段對 KV Cache 佔用空間過大。當下前沿大模型已經大多為 100 萬 Token，未來有希望繼續向上突破。因此針對上下文的算力瓶頸，是全行業需要解決的核心問題。

而 Kimi 是將全注意力和線性注意力結合起來形成混合型，不需要保留每個歷史 Token 完整 KV 值，僅在現有記憶狀態無法解釋新信息時才將誤差補充寫入，其他時期歷史信息壓縮在可持續更新的狀態中。Kimi 官方披露，通過 KDA 技術可以減少 75% 的 KV Cache。

3. 高部署門檻

大參數量能快速提高模型性能，但隨之而來的就是對硬件部署門檻要求也會提高。

儘管 K3 減少了 75% 的 KV 緩存，但 K3 本身模型參數上去了，總參數逼近 3T 級別。雖然每次推理只用到 896 個專家中的 16 個，也就是對應 500 億參數，但所有專家權重都必須常駐顯存中，因此整體模型權重的存儲需求（原始權重 1.4T，還要加上一些量化因子、路由表、共享層以及運行緩存等）超 1.5TB。

這表明，僅加載模型就需要佔用 1.5T 的 HBM 容量。但 NV DGC B200 單節點 8 顆 GPU 總顯存約 1.4T（180GB*8），只能勉強裝下原始權重，但幾乎沒有空間給到實際運行。

這種情況下，就需要上 GB300 機櫃。Kimi 官方的建議是 K3 的最佳部署為包含至少 64 顆加速器的高帶寬超級節點。按道理來説，除了 72 顆 GPU 的 GB300 NVL72，包含 64 顆 GPU 的華為升騰 950 Superpod 也可以滿足 K3 的運行需求。

而等到模型權重開源後，哪怕是本地部署最小規模的 K3 推理集羣，也要至少 8 顆 NV A100，硬件成本超 400 萬元 RMB。

因此上週因為 K3 的一句 KV Cache 減少 75% 而加劇的存儲恐慌，顯然是 “鬼故事”。市場混淆了單位需求和整體需求的區別，KDA 技術只是降低了單 Token 存儲和計算成本，但並不代表説所有推理過程的硬件需求整體壓縮了。與此同時，開源模型本身也會進一步擴大全行業對硬件部署的需求規模。

就實測來看，由於參數量上去了，導致 K3 的算力緊缺已經相當明顯：據調研 199 元/月的登月套餐 Allegretto，K3 只能用 10 小時 +，海豚君親測 49 元/月的初級套餐 Andante，低頻使用了三天也遭遇了算力告急（實際使用時會自動從 K3 模型切換到 K2.6）。

不僅如此，Kimi 官方也發了公告，暫停新增訂閲，以保證存量用户的使用體驗（額度和響應速度）。

三. 變天的不是行業，而是$Anthropic(ANTH.NA)

但仍有悲觀聲音喊出，Anthropic 和 OpenAI 本身模型迭代帶來的性能邊際提升已經縮小，同時中國大模型技術追趕上來了，中式內卷下，又會進一步加劇大模型行業競爭。因此 Anthropic 的 ARR（年化收入）很可能因此放緩，進而導致商業模式再次遇阻。

AI 龍頭的商業化能否走通，確實會影響全行業的軍備競賽預期。AI 的顛覆性，讓科技巨頭不敢離開戰場；但 AI ROI 的變化趨勢，決定着科技巨頭是否會暫時放慢投入速度。

因此在當前產業鏈預期打滿下，Capex 哪怕只是降低增長斜率也會導致市場短期出現崩盤跡象。在週期頂部，低估值只是計算錯覺。

市場關注度最高的 Anthropic ARR，在近一年有明顯的一超多強優勢，核心原因就是它主打 AI Coding 這個易落地的應用場景。目前市場預期今年能夠實現經營利潤轉正，這要比更倚重 C 端的 OpenAI，先一步看到商業模式走通。

在上半年的 3-6 月，Anthropic 的 ARR 經歷了一次明顯加速。目前 7 月數據還沒出來，前兩天小作文傳出的 Yipit 測算值 795 億（21 天），被 Yipit 打假了。

海豚君暫時按照與預測值差不多的 20% 月均環比增速估算 7 月。8 月之後考慮到競爭加劇，那麼增速按趨勢緩慢下滑下，預計到年底能夠達到 1180 億。對比年初公司制定的今年 260 億收入和市場預期的年底 1000 億 ARR，目標達成的難度不是很大。

但今年超目標是早已 priced in 的市場預期，如若下半年的 ARR 環比增速真如上述謹慎預期下降至年底的 5%，隱含年化增速 70%，對 Anthropic 上市後的估值彈性必將不利。

不過海豚君認為，出於上述所討論的算力瓶頸問題導致的 “無性價比優勢 + 輸出速度劣勢”，以及產品生態的佈局（大模型、Claude code、專業領域 Agent 等），我們對 Kimi K3 對 Anthropic 的競爭影響短期沒那麼悲觀，再加上川普正在考慮出台限制中國 AI 的相關政策，因此中國大模型的出海之路（尤其是企業端需求）可能沒有想象中那麼順暢。

反過來説，就算 Anthropic 的 “勢頭走弱”（比如 OpenAI 目前已經有正面競爭的實力，GPT-5.6-Sol 在智能性上已經相差無幾，但勝在便宜，以及後續若 Google 追趕上來），也不帶代表全行業跟着完蛋。

如下圖所示。北美作為全球 AI 投入最快、規模最大的市場，目前 AI 在各個領域的滲透率可以説是全球最高。目前 20% 的企業或多或少的已經採用 AI，26 年初一次顯著躍升後，預計今年有望繼續上升 3ppt。

分行業上，得益於 AI 原生能力的替代性更加絲滑，Coding 領域滲透率最高。其他領域，行業滲透率看着高，但這裏面仍然是 IT 部門是目標人羣。

公司內其他崗位的滲透，以及 To C 的端側 AI（包括具身智能），是 AI 未來增長方向。但這需要配合相應的產品形態、成熟渠道觸達到更多的用户。這裏往往涉及偏專業定製化的產品終端設計，因此需要時間和資金投入，其中降低算力門檻是加速 AI 在 Coding 之外領域滲透的核心關鍵。

四、大模型混戰升級的思考

Kimi K3 的出現，弱化了市場對 Anthropic 技術壁壘的信仰，但也給了資金雄厚的追趕者們，尤其是本身有生態、渠道優勢的 Big Tech 們更大的投入信心。

但同時大模型行業的殘酷競爭也被撕開最後的幻想。尤其是對於獨立 AI Lab 來説，一年數十億至上百億的基礎設施 + 訓練成本，換來的是從以前 12 個月的領先優勢，到如今只有 3 個月的溢價紅利期，那麼這筆賬是很難算的明白的。

尤其是在成本大頭——算力硬件價格全球統一下（實際因為大國卡脖子，中國採購高端芯片的成本溢價直接爆表），中國大模型的 “性價比” 優勢部分來源於人才（中國 AI 工程師平均年薪與美國同行存在 3-5 倍差距）、電力（核心區中國便宜 30-50%）的絕對差額，但更多的還是靠忍受虧損的 “補貼”，實際也就是投資人買單，包括地方政府的補貼。

如下圖：

（1）2026 年 A&O 兩家的毛利率目前都已經在 60% 上下，但智譜預計在 2026 年的毛利率還要繼續削弱到 30% 以下。

（2）而如果考慮到負擔更重的訓練成本，經營虧損差距還將拉大，這一點光靠銷售、管理等其他經營開支的低價優勢，難以做有效對沖。

因此一定程度上可以説，盈利結構發生顯著變化的拐點，源於下半年中國高端自主芯片的量產。

海豚君在年初覆蓋智譜&MiniMax 的深度報告中也曾提及，在縮放定律失效之前，競爭不會停歇，人人都認為自己有機會訓練出下一個超越同行的前沿大模型。這種情況下，大模型公司會是持續的吞金獸，而公司商業模式本質上就變成了一場持續融資的資本競賽。

下半年起，我們陸續會看到一梯隊的 AI Lab 登上最大的融資舞台，Anthropic、OpenAI 以及 DeepSeek、Kimi 將陸續籌劃上市。當所有選手都擁有一樣的融資通道時，最終的決戰也會開始。

AI 主權問題可能會將全球分割成數個戰場，上游資源的地緣掣肘推高成本，人才流動下各方又擁有旗鼓相當的硬實力，上述因素都會使得這將成為一個持久戰。

反過來混戰期間，大模型的商業模式會更加難以看清，何時盈利、能否盈利也將在大模型廠商的每一次投入和融資時被投資人反覆拷問，跑分刷榜來推動順利融資的現象可能會出現得更加頻繁。

而這個時候，擁有原有企業平台生態和渠道優勢的 CSP 廠商，在開源大模型實力顯著提升、大幅縮小與閉源模型差距的情況下，更有希望擺脱裸賣算力的低利潤率模式。同時，通過結合原本產品服務，將硬件方下移的議價權收益，從滋潤了大半年的模型廠端，拿回更多的話語權。

<此處結束>