Kimi K3 跨过 2T 门槛：国产大模型重写前沿竞争剧本
2026 年 7 月第三周，国产大模型连出两件大事：7 月 16 日月之暗面发布 2.8T 参数的 Kimi K3，7 月 19 日阿里预告 2.4T 的 Qwen3.8-Max-Preview。一周之内，两家国产模型跨过 2 万亿参数门槛——这是开源模型第一次真正站到与顶尖闭源模型同等的位置上。
先说结论：2T 的价值不在数字本身，而在”受限算力下仍能扩大模型容量”这件事被证明可行了。 这篇文章拆开 K3 的技术选择、市场冲击和定价信号，看看中国模型如何重写前沿竞争的剧本。
事件回顾：一周内两家国产模型越过 2T
7 月 16 日，月之暗面发布 Kimi K3——2.8T 总参数、100 万 Token 上下文、原生视觉能力，官方称它是”全球首个开源 3T 级模型”。在 Artificial Analysis 的智能评分中排第三，仅次于 Claude Fable 5 和 GPT-5.6 Sol；在 Arena AI 的 Code Arena 前端编程榜上排名第一，这也是开源模型第一次把闭源模型压下去。
三天后，阿里千问预告 Qwen3.8-Max-Preview，2.4T 参数，阿里称”除了 Fable 5 之外最强的模型”。值得注意的是，这是 Qwen 旗舰线闭源两代之后重新走回开源路线。
两个模型参数总量超过 5 万亿，前后不到 72 小时。这意味着什么？万亿级 MoE 架构的训练，在国内已经不是”探索阶段”，而是能稳定输出的”成熟阶段”。
K3 的技术选择：896 个专家只激活 16 个
K3 最核心的技术点，是它的稀疏 MoE 架构：
| 项目 | 数值 |
|---|---|
| 总参数 | 2.8T |
| 专家数量 | 896 个 |
| 每次推理激活 | 16 个 |
| 上下文窗口 | 100 万 Token |
| 相对 K2 的扩展效率提升 | 约 2.5 倍 |
每次推理只激活 896 个专家中的 16 个，约 1.8% 的专家池。稀疏 MoE 的核心思想，是把”总容量”和”单次计算”拆开——模型记住的东西可以很多，但每次回答问题只动用一小部分算力。
支撑这套架构的是几个自研技术：
- Kimi Delta Attention（KDA）：混合线性注意力机制，为扩展注意力提供高效基础，也让长上下文推理成本大幅下降
- Attention Residuals（AttnRes）：不再把所有信息均匀累积，而是跨深度选择性检索表征
- Stable LatentMoE：让 896 专家在 2.8T 规模下稳定训练，Quantile Balancing 直接从 router 分位数推导专家分配，去掉敏感的超参数
更实际的意义在于：在高端芯片受限的情况下，靠改底层架构、优化算法，照样能把模型能力往前推。 过去两年，从 DeepSeek 到 Kimi，国产模型一直在回答”算力不够怎么办”——答案就是在算法和架构上把每一分算力用到位。
市场冲击：4700 亿美元蒸发与 1.4TB HBM
K3 发布后，资本市场先给出了反应。
新思科技（Synopsys）和铿腾电子（Cadence）当天都跌超 12%，美股 AI 板块 72 小时蒸发约 4700 亿美元。导火索是 K3 展示的一项能力：48 小时连续运行，完全靠自己的智能体，从零完成一颗芯片的设计、优化和验证——用开源 EDA 工具和 Nangate 45nm 工艺库，全程无人工干预。芯片面积 4mm²、集成 146 万个标准单元、100MHz 时序收敛。虽然这不是能量产的芯片，但”开源大模型进入硬核工业设计”的方向已经清晰。
另一层冲击在算力预期。AP 报道，市场担心更高效的中国模型会削弱美国 Lab 和芯片公司的定价逻辑；美银测算，K3 单个服务实例仍需约 1.4TB HBM，但中国在电力、人工、土地等基础设施成本上有约 1.5-2 倍优势。
“工程效率没有消灭算力差距，却把它压缩成了更短的模型代差。” —— 腾讯科技《AI领域一周观察 07.20-07.26》
定价信号：K3 不打低价牌
K3 没有延续”国产模型必须极低价”的打法。官方 API 定价：未缓存输入 15 / 百万 Token。
上线仅 48 小时，K3 就逼近现有集群算力上限——月之暗面暂停了 C 端新订阅，并把通用会员与 Kimi Code 会员拆分，分别配置算力。
前沿模型进入第一梯队后，就自有它的定价体系权限，而非单纯跟随标准利润率。稀缺带来的溢价，这个经济规律在模型上也成立。 —— 腾讯科技《AI领域一周观察 07.20-07.26》
配合 KDA 前缀缓存技术（官方称代码工作负载缓存命中率超 90%），月之暗面敢在 2.8T 规模上以有竞争力的价格提供服务。
下一道门槛：单次激活参数
2T 解决了”总容量”问题，下一道门槛是单次激活参数。
7 月 23 日流出的梁文锋投资者交流会纪要中，他判断美国前沿模型可能已激活约 800B 参数，而国内主力仍在几十 B 量级；DeepSeek 下一步希望把激活参数提高到 150-250B。
换句话说：2T 证明中国团队已经能管理巨大的稀疏容量，下一轮更昂贵的竞争，是让每个 Token 调动更多有效参数。
结语
这个月应该被记录下来的，不是参数数字本身，而是国产开源模型第一次真正站到了跟顶尖闭源模型同等的位置上。
当然差距依然存在——K3 官方也承认，整体体验与 Claude Fable 5、GPT-5.6 Sol 仍有明显差距。北京邮电大学王小捷教授的看法很务实：
参数可以堆，但模型能不能在真实世界里持续稳定地发挥作用，那才是真正的考验。
从 OpenRouter 的数据看，开源模型处理的 Token 占比已从今年 1 月的 34% 涨到 6 月的 65%，全球 API 调用月消耗量前五名全部是开源模型。开源生态不再是闭源模型的备选，它正在成为主流本身。
参考来源：