视频1:建筑疏散仿真与决策沙盘演示视频

K3 最终生成了一份约 869 行、37KB 的单文件 HTML。页面采用深色应急指挥界面，通过 Canvas 绘制建筑平面图，并同时展示人员、墙体、防火门、出口、烟雾和实时规划路径。右侧提供播放、暂停、单步、重置及 1×、2×、4×速度控制，下方则组织了人员状态、门状态、出口通行额度、计划事件和事件日志。整体信息密度较高，但层级仍然清楚，已经具备专业仿真工具的基本形态。

更关键的是，页面背后确实实现了实时计算。代码使用 Dijkstra 算法在每个逻辑步重新规划路线，将普通格的移动代价设为 1、烟雾格设为 8，并把人员速度换算成逐步累计的移动额度。出口同样独立累计通行额度，防止人员在容量不足时直接消失；12 秒时，东区防火门 D4 会按计划事件自动关闭，人员随即根据新的通行条件重新计算路径。对关键时间点进行确定性校验后，烟雾格数量在 4 秒、8 秒和 12 秒分别为 5、13 和 24，与标准答案完全一致；12 秒时 D4 正确关闭，P11 也因出口路径被切断进入受困状态。整个过程中，任一非出口格最多只有一名人员，说明基础碰撞约束也得到了执行。

不过，严格按照提示词验收，这份交付仍不算完整。要求中的图层开关、人员点击选中与路径高亮、自动运行至下一事件均未实现；因此，这道题呈现出的能力边界十分清晰：K3 已经能够把自然语言规则和结构化场景转译成一套真正运行的前端仿真内核，并在最关键的时间推进、烟雾扩散和动态寻路上通过基准校验；但在完整产品需求覆盖、事件可解释性和交互细节方面，仍需要进一步补齐。如果把它视为一次高复杂度原型开发，完成度相当亮眼；如果把它视为可以直接用于严格验收的应急仿真产品，则仍需要人工测试和二次迭代。

（四）网页 3D 魔方

我们要求 K3 在一个完全离线、无需构建工具的 HTML 文件中，实现一款可直接游玩的 3D 魔方游戏。它不仅要拥有完整的产品界面，还要支持六面旋转、顺逆时针与 180 度操作、随机打乱、公式播放、暂停与单步执行、撤销重做、反向复原、计时计步，以及鼠标拖拽、滚轮缩放和移动端触控。更关键的是，魔方不能只是表面贴图发生变化：每一次转动都必须对应真实且可逆的三阶魔方状态。

K3 最终交付的是一个约 42 KB、1100 余行的单文件网页应用。打开页面后，左侧是占据视觉中心的三维魔方舞台，右侧则集中放置转面按钮、播放控制、速度调节与局面操作；底部继续承载执行队列和历史记录。深色背景、半透明面板、蓝紫色高光与带倒角的色块共同构成了一套完成度较高的工具型视觉语言。它看起来更像一款已经进入打磨阶段的小型产品，而不是一次临时性的前端演示。

视频2:AI 魔方游戏

真正拉开差距的部分在于内部状态。这个页面没有把魔方简化成六张会换颜色的平面，而是维护了 26 个可转动小方块的位置与朝向，并通过整数旋转矩阵更新每个小块的空间状态。页面还会从当前状态计算完整的 54 个面格，胜利判断依赖真实局面，而不是根据动画次数或操作历史进行猜测。这意味着连续执行公式、撤销、重做和反向操作后，画面仍然需要与逻辑状态保持一致。

我们进一步运行了 13 组状态契约测试，结果全部通过。其中包括：任意单步与其逆操作可以还原、同一面连续旋转四次回到原位均满足运算规律、随机打乱可由其逆序列完整还原，以及撤销、重做和新分支操作不会破坏历史栈。无效公式也会在执行前被整体拒绝，不会出现“前半段已经转动、后半段才报错”的半完成状态。

从录屏表现看，K3 对长指令队列的处理同样较为稳定。测试过程中，页面先后执行随机打乱、玩家转动与较长的算法序列，步数一度超过 100 步；魔方仍能保持各层关系，并最终通过重置回到标准的白顶、绿前、橙左初始状态。公式播放器会把等待执行的步骤显示为独立标签，当前步骤、已完成步骤和剩余队列都有明确反馈；暂停会停在安全的整步边界，单步执行也不会截断正在旋转的一层。

总体而言，这个案例的价值不在于 K3 生成了一个漂亮的魔方，而在于它把视觉、交互和可验证的状态引擎放进了同一个单文件交付物中。很多模型能够快速做出“看起来像魔方”的三维网页，但一旦加入连续公式、撤销重做和逆序复原，贴图错位、状态漂移与动画穿帮往往会同时出现。K3 在超过百步的演示和 13 项状态测试中都守住了核心一致性，说明它处理的已经不只是前端样式，而是一套具有明确数学约束的交互系统。

（五）从结构化数据到15秒成片：K3开始直接交付视频

最后一道题，我们进一步提高了交付门槛：不再要求K3生成网页、交互原型或动画代码，而是直接交付一支能够播放的MP4视频。

我们向K3提供了两次虚构的AI API异常事件、一组恢复数据、AstraOps品牌标志和视觉规范，要求它制作一支15秒的“AI服务异常复盘”数据短片。视频需要严格按照四段时间轴展开，准确呈现日期、模型、P95延迟、成功率和成本变化，并满足1920×1080、30fps、H.264编码、无音轨和无外部素材等要求。

K3最终没有停留在方案或分镜阶段，而是完成了一套完整的视频生产流水线。它首先编写了一份568行的Python逐帧渲染器，使用程序生成的网格、粒子、曲线、卡片和文字绘制450张1920×1080画面；随后又编写了一份92行的Swift编码器，调用系统级AVFoundation将帧序列封装为H.264 MP4。

视频3:AI API异常数据短片

视频依次呈现Kestrel-R1异常、Nova-Pro告警、调度恢复与品牌收束四个阶段：Kestrel-R1的P95延迟升至4,200毫秒，成功率为95.50%，成本由770美元增至1,150美元并触发“严重”告警；随后画面切换至Nova-Pro，展示3,350毫秒延迟、97.00%成功率、27.66%成本增长和“警告”状态，且准确处理了97.00%的业务边界条件。恢复阶段以青绿色曲线表现调度策略生效，加权P95降至2,006毫秒、下降18.05%，平台成功率回升至98.69%、提升0.61个百分点。最终画面回归AstraOps品牌标志及“让每一次异常都可解释”“Detect Explain Recover”口号。整体在色彩、Logo、卡片结构和字体层级上保持统一，数据、曲线与业务语义一致，且未出现字符融化、数字跳变或标志变形等生成式视频常见问题。

从视觉类型上看，这支视频更接近完成度很高的程序化数据动效，而不是依靠生成式模型合成的电影化镜头。但这并不是能力上的退让。相反，它说明K3能够根据任务目标选择更稳定、更适合精确数字表达的实现路径，并完成从数据读取、视觉设计、逐帧渲染到视频编码的完整工程闭环。

在这道题中，K3最突出的能力不是“生成了一段炫目的画面”，而是把一份结构化需求真正变成了符合技术规格、数据基本准确、品牌一致且可以直接交付的视频文件。这种从代码生成继续向多媒体成品交付延伸的能力，已经超出了传统编程助手的边界。

小结

K3 的实测结果证明它绝非温室里的跑分机器。在面临前端视觉、复杂数学逻辑、算法状态机、乃至底层软硬件管线调度时，K3 展现出了极强、极务实的工程交付力。对于整个大模型行业而言，这无疑是目前最实至名归的“开源破局者”。

K3 真正的对手，是全球旗舰模型

要理解 K3 的技术坐标，不能只把它看作一次从 1 万亿到 2.8 万亿参数的常规扩容。在这张代表着全球 AI 权力之巅的牌桌上，K3 面对的并不是上一代的 Kimi，而是由 Claude Fable 5、GPT-5.6 Sol、Gemini 3.1 Pro 和 DeepSeek V4 Pro 共同构建的全新地缘格局。

这四款模型分别代表了当前前沿大模型竞争的四条核心路径。Anthropic 押注于能够持续运行数日并自主进行多级任务拆解的自我校验系统；OpenAI 强调极致的工具生态和端到端的知识工作流总编排；Google 稳固其全模态的原生输入与全链路软件工程能力；而 DeepSeek 则用极致的稀疏架构与极低价格颠覆着开放模型市场。

在这场巅峰对决中，百万级长上下文已经从昔日的杀手锏退役成为行业标配。GPT-5.6 Sol 和 Gemini 3.1 Pro 的上下文窗口均已越过 105 万 token 的大关，而 DeepSeek V4 Pro 与 MiniMax M3 也将默认上下文推进到了百万级别。决定模型层级的胜负手已经发生根本性转移，竞争的焦点不再是模型能读懂多少，而是它在读完之后，能否持续稳定地工作、精准调用工具、自我纠正错误，并最终交付一个可以被工业界直接验收的成品。

四路围攻之下，K3 的生态位

在四条极致的旗舰路线中，K3 正在进行一场高难度的多轨平衡。

作为长程 Agent 的黄金标杆，Claude Fable 5 目前依然是一座难以逾越的自治丰碑。Anthropic 的野心并非做一个更聪明的聊天机器人，而是一套能够持续运行数日、调用多个子智能体并在提交结果前自行验证的工业级系统。它专为大型代码迁移、金融建模和专业文档处理而生，但其代价是高昂的算力溢价，其标准 API 的输入与输出价格分别高达每百万 token 10 美元和 50 美元。

GPT-5.6 Sol 的核心优势则在于其构建的庞大工具基础设施。它通过程序化工具调用（Programmatic Tool Calling），让模型直接在代码级控制托管 Shell 和 MCP，避免了每次调用工具都要返回模型重新推理的延迟。OpenAI 试图将模型变成知识工作的总调度器，从检索、分析一直延伸到生成可运行的程序。其标准 API 定价为每百万 token 输入 5 美元、输出 30 美元，维持在旗舰级门槛。

Gemini 3.1 Pro 走的是更广泛的原生多模态路线。它不仅能处理文本、图像，更将音频、视频和 PDF 纳入统一的长上下文处理框架中。Google 开始在软件工程场景中强调多步骤 Agent 和实时数据驾驶舱，不再满足于一次性生成代码，其底气不仅来自模型本身，更来自 Google 搜索、Workspace 和云服务构成的闭环工具网络。

而 DeepSeek V4 Pro 则代表了另一种极端，它致力于用更少的激活参数和更低的调用价格，将前沿能力推向最大规模的开发者市场。V4 Pro 总参数量约 1.6 万亿，但每个 token 仅激活 490 亿参数。其 API 缓存未命中输入价格约为每百万 token 0.435 美元，远低于美国闭源旗舰，成为大模型市场的成本黑洞。

K3 恰恰站在了这四条路线的交叉点。它或许没有 Fable 5 经过生产验证的数日级自治记录，没有 GPT-5.6 完美的软件生态，且其超大参数规模也意味着私有化部署门槛远高于 DeepSeek。但 K3 同时提供了原生视觉、百万上下文、长程推理、复杂工具调用与成品交付能力，并承诺开放完整权重。

它最具威胁的地方，并不是在某个榜单上微弱领先，而是在逼近顶级闭源能力的前提下，将单项任务的运行成本压到了一个极低的区间。

纵横改造：K3 重新定义信息流

K3 能够跨入这一核心战局，关键在于同时在横向记忆和纵向深度两个维度上，对 Transformer 架构的信息流动方式动了手术。

在横向信息流上，传统 Transformer 随着序列变长，KV Cache 会呈线性乃至平方级膨胀，导致首字延迟暴增、并发能力暴跌。K3 引入的 Kimi Delta Attention 架构，打破了“每一层、每个 token 都要回看全部历史”的死板设定。它通过循环状态持续压缩和更新历史信息，只在特定全局注意力层进行全量校准。这相当于模型在绝大多数时间里只依靠一份随时更新的工作记忆快速前行，仅在必要时才翻阅全局档案。在早期研究中，这种架构成功在百万长文本场景下缩减了高达 75% 的 KV Cache 占用，换来近 6 倍的解码吞吐量，这解释了 K3 将百万上下文作为默认配置的技术底气。

在纵向信息流上，传统 Transformer 在层与层之间通过固定的残差连接机械相加。随着网络变深，浅层捕捉到的局部词法或视觉细节极易被稀释。K3 的 Attention Residuals 将这种固定相加升级为可学习的注意力选择。当前层可以根据任务需要，跨越层级主动检索并调用历史层的信息：视觉任务可以重新调阅浅层的像素细节，复杂推理可以重新提取中层的结构化推论。为了防止全局跨层检索导致的显存灾难，月之暗面设计了 Block Attention Residuals，只在特定的区块级进行深度方向的注意力检索，让深层网络拥有了内部检索的能力。

这种底层架构的改造，揭示了 K3 与其他旗舰的本质差异。DeepSeek V4 Pro 改造注意力是为了实现极低激活参数与极致性价比，GPT-5.6 与 Claude 5 偏重于在模型外部进行提示词工程和 Agent 编排，而 K3 则选择直接在模型底层架构层面，一次性解决长序列记忆与深网络检索的效率顽疾。

2.8 万亿参数：是能力仓库，而非计算包袱

有了高效的底层架构支撑，K3 才敢于将总参数量推升至 2.8 万亿。在架构设计上，K3 采用了包含 896 个专家的 MoE 架构，每个 token 仅激活其中的 16 个专家。

这意味着，2.8 万亿并不是每次推理时都需要背负的计算包袱，而是一个分工极其精细的庞大“能力仓库”。超多的专家数量带来了极致的专业分工，前端重构、内核优化、芯片设计、数学推导、视觉生成等不同领域，在模型的内部空间中被完美隔离开来，稀疏激活机制则确保模型无须为每个 token 遍历整个仓库。

这也解释了为什么 K3 在宣传中不再单单强调某一个代码基准，而是极力展现其在自主编写编译器、GPU 内核优化、科研复现等跨领域、长周期复杂工作上的综合素质。

它试图证明，模型不仅能在某一个专业领域回答问题，更能在不同专家能力之间完成路由，持续推动一项复杂工作向前运行。当然，参数量并不直接等同于最终性能，在闭源巨头拒不公布参数规模的今天，模型真正的含金量，依然需要接受每个 token 激活成本、推理延迟、以及长程调用中状态一致性的严苛检验。

尾声

K3 在 Arena 榜单上以 1679 分超越 Claude Fable 5 和 GPT-5.6 Sol 的那一刻，开源与闭源之间的旧边界已经彻底模糊。

当一个开放模型能够以极低的任务运行成本替用户解决九成以上的复杂工程时，闭源三巨头就必须证明，他们手里剩下的独占能力，是否还值得用户支付数倍的溢价，并承担被单一平台长期锁定的风险。

剩下的问题只有一个：月之暗面，能否把这一晚的领先，变成持续的领跑。