Kimi“熔斷”，楊植麟也“摸高”

文 | 唐辰同學

K3爆火，Kimi卻不得不按下暫停鍵。

7月19日深夜，月之暗面Kimi團隊發布公告，因Kimi K3上線48小時內，用戶請求量大幅超出預估，由于算力資源緊張，暫停開放Kimi新用戶訂閱，將有限算力優先保障現有訂閱用戶。

會員體系隨之拆分為Kimi主權益與Code權益，以精準分配資源。從稍后的官方回應看，Kimi沒有對會員體系進行調整，只是在有限算力下對用戶體驗的重新平衡。

也就是說，K3火到觸發算力“熔斷”，只能婉拒新客，專注服務老用戶。

Kimi的“韜定律”

當下，各大模型廠商都在拼命的做大用戶規模，通過免費、降價等性價比手段吸納新用戶。相較之下，Kimi的反向操作就略顯“凡爾賽”了。

但模型能力越強、上下文越長、用戶調用越頻繁，對推理算力的消耗也越高。在“K3請求量逼近現有算力集群的承載極限”的情況下，Kimi也遭遇到“豆包式”的煩惱：C端用戶越多，對收入的貢獻不明顯，但GPU扛不住了。

作為月之暗面首款3萬億參數級MoE模型，K3總參數規模達到2.8萬億。按照常規理解，這個規模的模型，每輸出一次，算力都是指數級消耗。但在其獨特核心架構的支持下，達到華為在芯片領域提出的“韜定律”效果。

這個架構也被視為是一架超級引擎，落地了三項關鍵技術：KDA（Kimi Delta Attention）混合線性注意力、注意力殘差（Attention Residuals）和高稀疏度MoE，把每一分算力轉化為模型效果的效率推到極致。

長期以來，芯片行業依賴摩爾定律，靠縮小晶體管尺寸提升性能。但當先進制程逼近物理極限、成本暴漲，單純堆疊硬件的增長模式也走入瓶頸。

華為今年提出的“韜定律”，跳出“空間縮微”的傳統思路，轉向“時間縮微”：通過邏輯折疊、三維堆疊、全鏈路架構優化，壓縮信號傳輸時延、減少數據冗余搬運，在成熟制程上實現媲美先進制程的能效躍升。

其核心方法論是：在硬件受限或成本約束下，通過系統級架構創新實現性能躍升。

在我看來，K3所采用的KDA混合線性注意力機制，正是AI領域的“韜定律”實踐。

要知道，Transformer架構在注意力機制上最吃算力。標準注意力隨序列長度呈平方級增長，百萬級上下文任務中，大部分算力消耗在維持長序列的注意力矩陣上。KDA機制將大部分注意力層的計算復雜度從平方級降至線性。

根據月之暗面此前發布的技術報告，在實驗模型上采用KDA與MLA混合比例，KV緩存占用最高削減75%，100萬上下文長度下的解碼吞吐量提升至原來的6倍。配合注意力殘差與高稀疏度MoE技術，訓練效率提升約25%，額外成本不到2%。

這是對“模型生產效率”的重構。如果說硅谷主流的Transformer路線是“大力出奇跡”的燃油車，KDA更像是追求“熱效率極致”的混動引擎。

SemiAnalysis的報告指出，KDA將推理速度提升300%，同時在長上下文處理上保持接近Transformer的性能。這意味著同等算力投入下，K3能產出更多有效智能。

開發者社區的實測反饋，在長流程Agent任務和代碼生成方面，K3表現突出，具備與國際頭部模型競爭的實力。

從根本上說，K3依然遵循Scaling Law（縮放定律），但把刀揮向了粗糙的算法浪費。當硅谷AI企業還在不斷囤卡、堆算力時，Kimi通過重構算法鏈路、精簡計算冗余，在有限算力的條件下，實現了性能與效率的平衡，走出一條“每瓦特智能產出比”最大化的路徑。

這讓華爾街觀察人士和投資者感到意外，他們像驚詫DeepSeek一樣，再度質疑硅谷數千億美元投資AI是否能得到相應回報、美國AI領先優勢是否被削弱。

與此同時，企業用戶和開發者也都開始關注AI使用成本。其中一部分開發者已經用上“模型路由”（Model Routing）服務，根據不同任務自動選擇成本最低、效率最高的 AI 模型，這其中當然包括Kimi在內的中國模型。

楊植麟摸高

回過頭來看，Kimi算力被擊穿是技術成功的副作用：模型效率的提升降低了單次使用成本，反而刺激了需求總量的暴漲。

值得一提的是，7月11日，智譜創始人唐杰宣布“Touch High摸高計劃”，直言“不登頂，就是失敗”，并明確表示未來兩年不追求短期應用變現，而是集中資源攻堅 AGI 的四大核心方向，并擬募集資金，計劃投入百億級資源突破機械可解釋性技術。

如果說，智譜“摸高”是上市后的背水一戰。其希望通過沖擊技術的天花板，來夯實“全球大模型第一股”的故事，并緩解真實焦慮。

我也在楊植麟的決策中，看到Kimi在三個維度的“摸高”：

一是算力摸高，從流量思維切換到價值思維。公開信息顯示，Kimi的API業務占比已經突破了70%，與此前靠C端訂閱模式大為不同。保老用戶，拒新客，實則是將有限算力向高價值場景傾斜，避免泛C端流量擠占已是收入支柱的B端業務配額。

其代價也是顯而易見。比如“優先保障存量用戶”的執行標準不透明，哪些請求被優先響應、哪些被降級處理，一旦處理失策，都會稀釋用戶信任。

長遠來看，Kimi要完成從技術明星向成熟AI頭部企業的轉變，就必須夯實彈性算力池、分級響應機制、動態調度能力等基礎設施。

二是定價摸高，Kimi在進行從廉價自助餐到價值分層的壓力測試。公告中提及的“拆分Kimi主權益與Code權益”，既是應對算力短缺的短期調配，也可能預示著其定價體系重構的開端。

過去，無論用戶寫代碼、查資料還是閑聊，都支付相同費用、消耗相同算力。當高算力消耗的Code用戶占比上升，這種模式必然導致結構性錯配。

Kimi借此機會進行會員權益拆分，也是在按使用場景重新定價：輕度用戶享受基礎服務，重度用戶為高價值能力支付溢價。

這是通過價值用戶分層，在嘗試爭奪模型產品的定價權。目前，K3收費標準已達每百萬Token 2.3美元，雖低于海外頂尖模型，但已創下國產模型新高。

或許，Kimi也想告別廉價模式，對外傳遞一個認知：高性能模型具備定價能力。接下來，大模型的競爭也將從“拼參數”轉向“拼基礎設施”、“拼成本定價”。

這一步，比登頂榜單更難，也更接近商業本質。

第三，地位摸高，Kimi從地緣變量到定價錨點的身份躍遷。

K3發布后迅速引發全球關注。在獨立AI模型評測機構Artificial Analysis發布的最新“智能指數（Intelligence Index）”中，其綜合得分達到57分，位列全球第三，僅次于Claude Fable 5（60分）和GPT-5.6 Sol（59分），領先Claude Opus 4.8（56分）。

這個成績，也順手打破了“開源落后閉源半代”的行業共識。

同時，K3的影響力已溢出技術圈。美國科技投資機構將其視為AI發展的“拐點”，認為高質量開源模型正加速能力擴散；加州大學伯克利分校計算機科學教授聲稱，K3將中國開源模型與美國先進模型的差距，拉小至2到3個月。

資本市場的反應同樣劇烈，K3發布的首個交易日，英偉達單日市值蒸發約1111億美元；摩根大通策略師在報告中直接稱之為“DeepSeek 2.0”。

這個加速度，才是改變定價邏輯的東西。

此外，月之暗面ARR（年化收入）到6月已經接近3億美元，海外增速400%，漲價60%后收入反增，這三組數據疊加，表明Kimi的“開源+效率”模式可以規模化變現。

加上有消息披露，月之暗面正在尋求最快六個月在香港上市，估值在半年內從43億美元飆升至315億美元，漲幅超7倍。

這些都是資本市場在給一條非硅谷主流路線的“確權”。它們為“能跑通單位經濟模型的SOTA”下注時，也說明Kimi擁有了獨立的估值邏輯，不再需要對標OpenAI或Anthropic來證明自己值多少錢。

但K3距離AGI還有很長的路。比如跑分，雖然K3只比Fable 5低了3分，但背后仍是不小的差距。

另外，Kimi在技術報告里還承認了兩個部署層面的缺陷：一是K3在訓練中保留了完整的思考歷史（thinking history），如果調用方沒有正確地把之前的推理過程傳回來，或者在會話中從別的模型切換到K3，輸出質量就會明顯下降；

二是K3在任務模糊時會“過度主動”，更傾向于替用戶做決定。這種“自作主張”在需要精確執行的工程流程里，容易觸發連鎖錯誤。

還有一個容易忽視但極其重要的問題：幻覺。Artificial Analysis在測評中特別指出，K3的幻覺率比上一代 K2.6反而有所上升。

某種程度上，K3的光鮮與隱憂，是全行業算力供需失衡的縮影，也是中國AI產業在算力卡脖子、商業化未閉環、用戶預期過高等重壓下的集體陣痛。

這些AI廠商的每一次過載、每一次“熔斷”，都是中國AI“摸高”需要邁過去的坎兒。可以確定的是，一個新的競爭周期已經開啟，大模型將從拼能力跨越到拼算力。

誰能在算法、算力儲備等基建上建立優勢，誰才能笑到最后，并將定義下一代AI公司的生存標準。

參考資料：

• 字母榜，《K3發布48小時》
• 錦緞，《都怪Kimi》