标本说明

Moonshot 的 Kimi K3（目前最大的 2.8 万亿参数开源模型）发布 24 小时内刷屏 X。783K 浏览的 macOS 27 网页版、3D 开放世界游戏、Simon Willison 的招牌鹈鹕测试。但爆款 demo 展示的是模型上限，你日常遇到的是下限。我花一天过滤营销噪音，找出三个真信号：Agent Swarm 是真产品形态、vision-in-the-loop 是真能力跃升、"demo 能跑"和"日常工具好用"之间存在巨大鸿沟。同时要记住：4 小时 agent run 成本约 $20-50，权重要到 7 月 27 日才真正发布。

刷屏的 24 小时

过去 24 小时，我的 X 时间线被 Kimi K3 刷满了。

783K 浏览的 macOS 27 网页版。几小时就能跑起来的 3D 开放世界游戏。Simon Willison 那只骑自行车的招牌鹈鹕，被 K3 用 3,417 个 token 重新画了一遍。Moonshot 目前最大的 2.8 万亿参数开源模型，所有人都有话说。

但这些爆款 demo 有一件事不会告诉你：它们展示的是上限，不是下限。而你日常真正要打交道的，是下限。

我花了一整天过滤噪音：官方 blog、社区 demo、第三方评测、Hacker News 讨论。除开营销话术，三个真信号浮现出来。

三个爆款案例，逐一回顾

案例 1：macOS 27 网页版

你看到的：一个完整可用的 macOS 27 系统跑在浏览器里。Liquid Glass UI、可拖拽窗口、能用的 Voice Memo、跨会话保留状态。80 万粉科技博主 Max Weinbach 用一句 prompt 生成："在浏览器里做一个 macOS 27 系统，包含所有原生应用，要尽可能接近 Liquid Glass 的效果。"

Kimi K3 生成的 macOS 27 网页版截图
macOS 27 网页版。Liquid Glass UI、Music app、日历天气股票 widget、Dock 栏。所有 app 都能实际使用。试玩：macos27.kimi.page

你没看到的：它跑了 4 小时。不是"一句 prompt，立刻出奇迹"。是 4 小时的 Agent Swarm 编排。它烧的是真钱。按 K3 定价（输入 $3/M、输出 $15/M tokens），一次 4 小时的 agent run，成本估计 $20-50。prompt 是专家级。"尽可能接近 Liquid Glass"这种 prompt，是 80 万粉的科技博主才写得出的。你随手写的"做个 macOS 克隆"不会是这个效果。还有幸存者偏差。你看到的是成功的那一个。你看不到之前崩掉、超时、半成品的那几个。

我的判断：真实能力，但"人人都行"是假象。这是上限，不是均值。

案例 2：3D 开放世界游戏

你看到的：一个能玩的 3D 开放世界游戏跑在浏览器里。森林、雪山、动态天气、昼夜循环、骑马的牛仔。完全用 Three.js WebGPU + GPU compute 程序化生成。Moonshot 官方 showcase，发布 blog 的旗舰 demo。试玩：horseback-open-world.ok.kimi.link

你没看到的：vision-in-the-loop 才是真正的故事。K3 不只写代码。它自己截图看效果、评估、然后迭代。模型既是设计师又是 QA。这个 loop 才是 demo 能跑通的关键。程序化生成和游戏设计是两码事。世界看起来惊艳，但没有任务、没有 NPC、没有胜利条件。这是技术 demo，不是游戏。

官方 blog 里其实有 9 个这种 demo。我扒了 HTML 源码，能看到文件路径：game-cases/01-open-world.png 到 09-gargantua.jpg。GBA 模拟器、武侠 RPG、FPS 竞技场、赛博朋克荡秋千、黑洞。Moonshot 做了 9 个，只主推了 1 个。剩下 8 个存在但没宣传。

Moonshot 官方 blog 里实际放的 9 个游戏 demo
官方 blog 里实际有 9 个游戏 demo（开放世界、GBA 模拟器、赛博朋克荡秋千、打字机、体素斗兽场、格斗、武侠 RPG、FPS 竞技场、黑洞）。只主推了开放世界一个。

我的判断：技术上印象深刻。vision-in-the-loop 是真创新。但"能玩的游戏"这说法有点勉强。它是一个带 WASD 控制的漂亮 3D 场景。

案例 3：Simon Willison 的鹈鹕

你看到的：Simon Willison，LLM 评测圈最权威的独立声音，跑了他招牌的测试："生成一个骑自行车的鹈鹕 SVG。" K3 产出了完整的彩色 SVG 场景：白鹈鹕、橙色长喙、红围巾、红色公路车、蓝天、太阳、云、飞鸟、花丛、带虚线的马路。

Simon Willison 的招牌鹈鹕测试，K3 生成的 SVG
Simon Willison 的招牌测试。K3 生成的 SVG：白鹈鹕、橙色长喙、红围巾、红色公路车、蓝天白云、虚线马路。原文：simonwillison.net

你没看到的：真实数据。大约 95 个输入 token，一万六千多个输出 token，其中大部分是 reasoning。总成本大概两毛五。一只鹈鹕。两毛五。这个测试是梗，不是 benchmark。Simon 的鹈鹕测试有用是因为跨模型可比，但它只测一件事：SVG 生成。它完全不能告诉你 K3 在文档总结、写代码、数据分析上好不好。Simon 本人很克制。他的评价："一个非常扎实的模型。"不是"革命性"，不是"GPT 杀手"。扎实。

我的判断：来自可信来源的有用数据点，但一个测试不等于模型评测。而且两毛五一只鹈鹕，积少成多。

官方 Blog 不会告诉你的事

我读了 Moonshot 的整篇 K3 发布 blog，也读了 HTML 源码。

1. 一些官方 demo 超时了

官方 blog 的两个案例，"核聚变行业研究" 和 "GWTC-5 引力波分析"，在页面源码里被标注为 "Presentation unavailable / The presentation timed out."

Moonshot 自己的 demo 崩了。他们把超时标记留在了 HTML 里。值得肯定的是，他们没藏起来。但他们也没在正文里提。

2. 社区报告了真实问题

来自 aibenchy 的测试（@XCSme）：相当慢。SVG 仓鼠乒乓球动画花了约 9 分钟生成。Tool calling schema 兼容问题。K3 拒绝 anyOf 这种 tool schema 写法，这是标准 JSON Schema 模式，其他模型处理得很好。

来自 X 社区：Agent 运行时很容易触发 rate limit。max thinking effort 常开，成本累积很快。

3. 定价是真考量

K3 定价是输入 $3/M tokens、输出 $15/M tokens。对比：

  • DeepSeek V4：$0.435/$0.87，明显更便宜
  • Kimi K2.6：$0.95/$4.00，更便宜，而且已经很强
  • Claude Fable 5、GPT-5.6 Sol：高端定位，定价更高，属于不同档位

K3 在开源模型里属于高端定价。比自家 K2.6 贵不少，比 DeepSeek V4 贵几倍。问题是这个溢价对你的场景值不值。

4. 权重其实还没发布

这是最大的一个。尽管"开源 2.8 万亿参数模型"是头条，模型权重实际要到 2026 年 7 月 27 日才发布，发布官宣 10 天之后。

现在 K3 只能通过 API 调用。"开源"是个承诺，不是当下现实。如果你打算自部署，还要再等 10 天。如果你基于"开源模型"的框架来评估，你在评估的是营销话术。

三个真信号

过滤掉营销、幸存者偏差、专家级 prompt 之后，以下是我认为 K3 真正重要的地方：

信号 1：Agent Swarm 是真产品形态，模型只是引擎

macOS 27 那个 demo，本质是 K3 在 4 小时里编排多个 sub-agent：规划、写码、测试、迭代、自我纠错。模型是引擎，Agent Swarm 是车。

这件事重要是因为它改变了价值主张。你买的不是更聪明的 chatbot。你买的是一个能持续跑长程任务的系统。一次跑 $20-50 值不值是另一个问题，但这个能力本身是真的。

信号 2：vision-in-the-loop 是真能力跃升

大多数 LLM 能写代码。很少能看着输出结果迭代。K3 能截图自己的工作、评估视觉效果、调整代码，这是模型向自我验证迈进的有意义一步。

Open World demo 能跑通就是因为这个 loop。模型写 Three.js 代码、渲染、发现光照不对、修复。没有 vision-in-the-loop，你得到的会是崩掉的 3D 场景，而且没法自动纠正。

信号 3："demo" 和 "日常工具" 之间的差距才是真问题

我看到的每个 K3 爆款案例都落在两类之一：

  • 一次性惊艳（macOS 27、Open World、SVG 鹈鹕）：印象深刻，但不是你每天要用的
  • 长程 agent 任务（ASIC 42 报告、芯片设计）：真有用，但烧真钱和真时间

讨论里缺失的是：K3 在无聊的事情上表现如何？邮件草稿、文档总结、会议纪要、code review。95% 的 AI 使用场景从来不会上 X。

你可以自己跑的测试

别信我的分析。别信爆款 demo。别信 Moonshot 的 blog。自己跑测试。

用你自己的任务，不是测试题。打开 platform.kimi.ai/playground。挑你今天真的需要做的三件事：那封你一直在拖的难写的邮件、那份你还没读完的报告、你 Excel 里那个公式问题。问 K3。然后拿同样的问题问 GPT、Claude 或你现在用的任何工具。自己对比答案。

用你自己的文档测长上下文。上传一份你真的读过的长文档。问细节问题。然后聊 30 轮。在第 30 轮时问开头说过的事。它还记得吗？K3 宣称 1M token 上下文。用你真实的工作流测，不是他们的 demo。

按你自己的用量算成本。估算你一周实际会用多少 token。乘以 K3 定价。和你现在付的钱比。如果 K3 一周帮你省 2 小时但比你现在的工具贵 $20，这个交易划算吗？只有你能回答。

K3 是一个重要的模型。Agent Swarm 能力是真的。vision-in-the-loop 迭代是真进步。

但围绕 K3 的病毒叙事，"一句 prompt，立刻奇迹"，是营销，不是现实。现实是：4 小时 agent run，成本 $20-50。专家级 prompt 在没训练过的人手里产出平庸结果。惊艳 demo 转化不成日常生产力提升。高端定价的模型，"开源"权重还不存在。

我的建议：等一周。让社区用真实场景跑一遍。让权重 7 月 27 日真正发布。然后用你自己的任务评估它，不是他们的 demo。

最好的模型，是能让你的工作变轻松的那个。
不是能做出最惊艳 demo 的那个。

验证过的链接

可交互 demo（验证可访问）：

关键信源：