K3模型意外走红，Kimi团队却不得不按下暂停键。
7月19日深夜时分，月之暗面Kimi团队发布公告：Kimi K3上线仅48小时，用户请求量就大幅超出预估。由于算力资源紧张，团队决定暂时停止接收新的用户订阅，将有限的算力优先供应给已有订阅资格的用户。
会员体系发生变更，被划分为Kimi主权益与Code权益两部分，旨在更精准地分配资源。稍后的官方回应透露，Kimi并未调整会员体系本身，只是在算力受限的状况下，重新平衡了用户体验。
也就是说，K3的热度已高到让算力系统不堪重负，因此只能婉拒新用户，专注于服务老用户。
Kimi的“韬定律”
眼下，众多模型厂商都在拼尽全力扩大用户规模，通过免费、降价等手段吸引新用户。相比之下，Kimi的做法颇为特别。
然而，随着模型能力的提升、支持语境的延长以及用户调用频率的增加，对推理算力的需求也随之增长。在“K3的请求量接近现有算力集群的极限”的情况下，Kimi也遭遇了类似“豆包式”的困境：C端用户数量增加，对收益的贡献并不显著，但GPU却承受着巨大压力。
作为月之暗面首款3万亿参数级MoE模型，K3的总参数量达到2.8万亿。根据常规理解，这个规模的模型每次输出都需要消耗指数级的算力。但在其独特核心架构的支持下，K3达到了华为在芯片领域提出的“韬定律”效果。
这个架构被视为超级引擎，集成了三项关键技术：KDA（Kimi Delta Attention）混合线性注意力机制、注意力残差（Attention Residuals）以及高稀疏度MoE，让每一份算力都能转化为最大的模型效果。
长期以来，芯片产业依照摩尔定律，通过缩小晶体管尺寸来提升性能。当先进制程工艺接近物理边界、成本剧增时，单纯依靠堆砌硬件的增长模式遇到了瓶颈。
华为近期提出的“韬定律”，突破了“空间缩微”的传统观念，转向了“时间缩微”的思路：通过逻辑折叠、三维堆叠、全链路架构优化，缩短信号传输延迟、减少数据的多余搬运工作量，在成熟制程上实现能量效率的显著提升。
其核心原则是：在硬件受限或成本限制的条件下，通过系统级的架构创新来完成性能的飞跃。
从我的观察来看，K3采用的KDA混合线性注意力机制，正是AI领域的“韬定律”实践案例。
须知，Transformer架构在注意力机制上最为耗费算力。标准注意力机制的计算复杂度随着序列长度按平方级增长，在百万级上下文任务中，大部分算力都被用于维持长序列的注意力矩阵。KDA机制将大部分注意力层的计算复杂度从平方级降至线性。
根据月之暗面早先发布的技术报告，在实验模型上采用KDA与MLA混合比例，KV缓存空间的利用率最高削减75%，在100万上下文长度下，解码的吞吐量提升到原来的6倍。配合注意力残差与高稀疏度MoE技术，训练效率提高约25%，额外成本不到2%。
这是对“模型生产效率”的深刻改造。如果说硅谷主流的Transformer路线是“大力出奇迹”的燃油车，KDA则像是追求极致热效率的混合动力引擎。
SemiAnalysis的报告指出，KDA能将推理速度加快300%，同时在长上下文处理上还能保持接近Transformer的表现水平。这表示在相同的算力环境下，K3能产出更多的有效智能内容。
开发者社区的实测反馈显示，K3在长流程Agent任务和代码生成方面的表现令人瞩目，已经具备了与国际领先模型掰手腕的实力。
从根本角度看，K3依然遵循Scaling Law（缩放定律），但它的锋芒指向了粗放的算法浪费。当硅谷AI公司还在不断购买GPU、堆砌算力时，Kimi通过重塑算法链路、简化计算过程，在有限的算力条件下，达成了性能与效率的平衡，走出了一条“每瓦特智能产出比”最大化的通路。
这让华尔街的分析师和投资者感到意外，他们像惊讶DeepSeek一样，再度对硅谷数十亿美元投资AI能否获得相应产出、美国AI的领先地位是否会被削弱产生了疑问。
与此同时，企业用户和开发者也开始关注AI使用成本。一部分开发者已经开始采用“模型路由”（Model Routing）服务，根据不同任务的性质自动选定成本最低、效率最理想的AI模型，这其中当然包含了Kimi等中国本土模型。
杨植麟摸高
回头审视，Kimi算力遭遇超载是技术成功的副产品：模型效率的提升降低了单次使用成本，结果却刺激了需求总量爆发式增长。
唐杰在7月11日发起的“Touch High摸高计划”里明确提到，“不登顶，就是失败”，同时确定未来两年不追求短期应用盈利，而是集中资源攻克AGI的四大核心方向，计划筹集资金，意图在机械可解释性技术领域取得突破。
可以说智谱此举是在上市后发起的破釜沉舟行动。他们期望通过冲击技术顶点，来加固“全球大模型第一股”的市场形象，并缓解现实中的经营压力。
我在杨植麟的决策中，观察到Kimi在三个维度上进行了“摸高”：
首先是算力挑战上的转变，从流量视角切换到价值视角。公开资料透露，Kimi的API业务占比已经突破70%，与此前主要依赖C端订阅模式截然不同。保存量用户，拒新用户，实际上是将在有限算力向高价值场景倾斜，避免低价值的泛C端流量挤占已变身收入支柱的B端业务配额。
其代价显而易见。比如“优先保障存量用户”的执行细则不公开透明，哪些请求能优先处理、哪些被降级处理，若处置不当，都可能磨损用户信任。
长远考虑，Kimi要完成从技术新星向成熟AI头部企业的转型，就必须加固弹性算力池、分级响应机制、动态调度能力等基础建设。
其次是在定价策略上的压力测试，Kimi正进行从低价自助餐到价值分层的尝试。公告中提及的“拆分Kimi主权益与Code权益”，既是应对算力短缺的临时手段，也可能隐含了其定价体系重构的信号。
从前，无论是用户编写代码、检索资料还是闲聊互动，都要求支付相同费用、消耗相同算力。当高算力消耗的Code用户比例增加，这种模式必然导致结构性不匹配。
Kimi借此契机进行会员权益拆分，也是在进行基于使用场景的重新定价：普通用户享享基础服务，高级用户需为高价值能力支付加价。
这是在尝试通过价值用户分层，来争夺模型产品定价权的举措。目前，K3的收费标准已达每百万Token 2.3美元，虽不及海外顶级模型，但已创下国产模型的新高。
或许是Kimi也想告别低价策略，向外界传递一种观念：高性能模型具备其合理价格。接下来，大模型市场的竞争将从“比拼参数量”转向“比拼基础设施”、“比拼成本定价”。
这一步，比登顶排行榜更艰难，也离商业真谛更近。
第三是在定位上的跃迁，Kimi从地缘性变量转变为定价参照点。K3面世后即获得全球瞩目。在独立AI模型评测机构Artificial Analysis公布的最新“智能指数（Intelligence Index）”中，其综合得分达到57分，位列全球第三，仅次于Claude Fable 5（60分）和GPT-5.6 Sol（59分），超越Claude Opus 4.8（56分）。
这一分数也打破“开源模型落后闭源模型半代”的行业固有认知。
同时，K3的影响力已超出技术界。美国科技投资机构视其为AI发展的转折点，认为优质开源模型正在加速能力的传播扩散；加州大学伯克利分校计算机科学教授声称，K3将中国开源模型与美国前沿模型的差距，缩小到2到3个月。
资本市场的反应同样剧烈，K3问世首日，英伟达单日市值蒸发约1111亿美元；摩根大通策略师在报告里直接称其为“DeepSeek 2.0”。
这一系列快速变化，才是改变定价逻辑的关键因素。
此外，月之暗面ARR（年化收入）到6月已经接近3亿美元，海外业务增速400%，即便在提价60%后收入仍实现增长，这三组数据叠加，显示Kimi的“开源+效率”模式可以规模变现。
消息还透露，月之暗面正在计划最快六个月内在香港完成上市，估值在半年内从43亿美元暴涨至315亿美元，涨幅超过7倍。
这些都是资本市场在非硅谷主流路径的“确权”。投资者为“能实现单位经济模型的SOTA”投下资本时，也表明Kimi已建立起独立的估值标准，不再需要对照OpenAI或Anthropic来证明自身价值。
尽管如此，K3距离AGI还有漫长路要走。以跑分数据为例，虽然K3仅比Fable 5低3分，但其间仍存在差距。
另外，Kimi在技术报告里承认了两个部署环节的不足：一是K3在训练时保留了完整的思考历史（thinking history），如果调用方未能准确传递之前的推理过程，或在会话中切换到K3的模型，输出质量就会大打折扣；
二是K3在任务模糊时会“过度冒进”，更倾向于替用户做决定。这种“自作主张”在需要精确执行的工程类任务中，容易引发连锁错误。
还有个容易被忽视但非常重要的隐患：幻觉。Artificial Analysis在测评时特别指出，K3的幻觉率比上一代 K2.6有所增加。
某种程度上，K3的亮眼表现与潜在问题，是整个行业算力供需失衡的写照，也是中国AI产业面临算力卡脖子、商业化尚未完善、用户期望过高等多重挑战下的共同体验。
这些AI企业的每一次过载、每一次“熔断”，都是中国AI在实现“摸高”过程中必须跨越的障碍。可以确定的是，一个新的竞争阶段已经开启，大模型将从较量能力过渡到比较算力配置。
谁能在算法、算力储备等基础建设上建立竞争优势，谁就能成为最后的胜利者，并将定义下一代AI公司的生存准则。
参考资料：
字母榜，《K3发布48小时》
锦缎，《都怪Kimi》
我是唐辰同学，关注互联网科技及AI新经济。原创内容，未经许可，谢绝转载。
「唐辰同学」
钛媒体、36氪、老虎财经热榜
澎湃新闻2024年度最澎湃创作者
老虎财经2024年度优秀专栏
河南日报·顶端新闻2024年度影响力作者
界面新闻优质榜单
老虎财经2024年度优秀专栏
腾讯新闻年度优质热问答主
2023搜狐新闻年度优质创作者
人人都是产品经理2023年度优秀作者
2023网易新闻年度内容合伙人
界面、36氪、钛媒体、澎湃、21财经、蓝鲸、老虎财经等平台专栏认证作者
文章配图-1
