Kimi K3：一场关于规模、算力与路径选择的中国式突破

不是Fable 5，但比Fable 5更早抵达开源前沿

Kimi K3不是美国实验室的复刻，也不是对闭源模型的追赶式模仿。它以2.8万亿参数的极稀疏MoE架构，在不依赖超大规模算力堆砌的前提下，实现了在主流基准测试中全面超越多数同期开源模型、部分指标逼近甚至反超顶尖闭源模型的表现。它的技术骨架由三部分构成：KDA降低序列计算成本，AttnRes增强深度信息流动效率，Stable LatentMoE支撑超大规模参数扩展——算得更省、流得更顺、装得更多。这并非范式革命，却是一次扎实的工程整合：将已有学术模块（如KDA、AttnRes）与低精度训练、大规模并行系统深度融合，并稳定运行于2.8万亿参数量级。它证明了一件事：Scaling Law并未失效，只是需要更聪明的基础设施、更精细的算法调度与更务实的工程落地能力。

暂停新用户，不是商业收缩，而是算力临界点的真实映射

7月19日，Kimi发布通知，暂停C端新用户接入。这不是策略调整，而是算力供给已达物理极限的明确信号。不同于过去通过Token限售保留服务入口，“暂停”意味着连最低限度的增量承载能力都已丧失。此时，ROI是否转正已退居次位；首要命题是“接住用户”——不让爆发性需求在入口处折损口碑与信任。一位接近团队的知情人士坦言：“找算力，现在是头号任务。”而上海财经大学胡延平教授指出，问题本质不在“算力/token”的粗放消耗，而在“算力成本效率/token”的真实效能。当单次推理吞吐激增，若底层硬件能效未同步跃升，token越多，亏损越深。真正的解法，不单是买更多卡，而是部署更高量效比、更高能效比的算力集群。

国产算力的第二战：从“有得用”到“用得起”

智谱宣布落地1GW纯国产算力的消息，引发业内震动。按华为Atlas 950超节点64卡/机柜、100KW功耗估算，1GW相当于约1万个机柜、64万张NPU。即便按平均单价10万元计，也是一笔超600亿元的硬投入。这笔订单的意义，远超采购本身——它标志着国产算力正从“能训千亿模型”迈向“可托底万亿推理”的新阶段。WAIC展台上，CloudMatrix 384到Atlas 950的迭代清晰可见：单柜卡数翻倍、机柜密度提升、铜缆电互联+全光网架构升级，支撑场景从训练延伸至混合推理。SemiAnalysis数据显示，B200 NVFP4在高交互负载下，每百万token成本仅0.09美元，相较H100 FP8下降8倍。这意味着，芯片进步不再只是参数提升，而是直接重定义token经济性。如果说上市是中国芯片的第一场战争，那么为大模型提供低成本、高确定性的推理底座，就是必须打赢的第二战。

路已找到，钱在路上，但路与钱之间隔着一座算力山

Kimi的路径很清晰：用Infra优化延续Scaling Law，用工程能力弥合开源与闭源的能力鸿沟。这条路已被Qwen 3.8等后续模型快速验证。融资节奏同样激进——C轮后估值43亿美元，半年内跃至500亿美元，目标赴港上市。但现金储备的数字会失真：100亿元账面资金，在K3上线后的算力洪峰面前迅速见底。这揭示一个现实：模型能力的跃迁，正在倒逼基础设施投资节奏加速。一级市场可以短期输血，但长期竞争力，取决于能否把“算法-模型-芯片-集群”打穿成一条高效通路。当Kimi在调试分布式训练稳定性时，华为在优化光互联延迟；当开发者调用Kimi API时，背后是国产NPU在重写kernel。这不是单点突破，而是一场系统性协同的硬仗。