开源模型 on Kalend's Blog

Kimi K3 实测：2.8万亿参数开源模型，能打Claude Opus吗？

Thu, 30 Jul 2026 08:30:00 +0800

先说结论：Kimi K3 是国产大模型第一次真正挤进全球第一梯队，值得开发者认真对待。

WAIC 2026 的重磅炸弹

7月16日，WAIC 2026开幕前夕，月之暗面发布了Kimi K3。2.8万亿参数，开源，Modified MIT许可证。Arena联合创始人直接说这是"今年最重要的一次模型发布"。

这话不是客套。看数据就知道——Arena Agent榜第4名，和Claude Opus 4.8、GPT-5.6 Sol同分段；Arena前端开发榜直接拿第1，1679分，领先Claude Fable 5整整48分。一个开源模型在编程赛道上把所有闭源选手都压在身下，这在之前从没发生过。

在此之前，国产模型在全球排行榜上的最好成绩大概是GLM-5.2的"接近Opus水平"。K3直接跳过了"接近"，做到了"并列"。这一步的跨度比很多人想象的要大。

K3 到底是什么

先理清几个关键参数：

项目	数值
参数规模	2.8万亿（2.8T），MoE架构
上下文窗口	1,048,576 tokens（1M）
多模态	原生视觉理解
开源协议	Modified MIT
发布日期	2026年7月16日

2.8T的MoE架构意味着什么？对比一下：DeepSeek V4-Pro是1.6T参数，K3比它大了约75%。但MoE不是全部参数同时激活，每次推理只激活一部分专家网络，所以推理成本和全连接的密集模型不是一个量级。这也是为什么参数量能做到这么大，同时上下文还能撑到100万token——原生支持，不是外挂式扩展。

MoE架构的核心优势在于"大容量、低成本"。模型可以存储海量知识在参数中，但每次调用只用到其中一小部分。这就像一个图书馆有百万本书，但你每次只需要翻开其中几本。K3把这个思路推到了极致——2.8万亿参数里装的知识密度，理论上应该远超1.6T的DeepSeek V4-Pro。

跑分：开源第一，闭源并列

直接上硬数据：

Arena Agent榜：第4名，与Claude Opus 4.8和GPT-5.6 Sol同分数段。Arena的Agent榜考的是模型作为自主Agent的能力——给一个复杂任务，模型需要自己规划步骤、调用工具、解决问题。这意味着在通用Agent能力上，K3已经和OpenAI、Anthropic的旗舰模型站在同一台阶。

Arena前端开发榜：第1名，1679分。这个榜专门考前端代码生成，K3甩开第二名Claude Fable 5整整48分。Kimi系列从前几代就以前端能力著称，K3把这个优势进一步拉大了。48分的差距在Arena的评分体系里是非常显著的——通常相邻名次之间只差几分。

SWE-bench Pro：58.6%，开源模型第一。SWE-bench Pro考的是真实GitHub issue修复能力，给模型一个真实的代码仓库和一个bug报告，看它能不能自己定位问题、写出修复代码。58.6%意味着超过一半的真实软件工程问题它能独立解决。这个数字比很多初级开发者的表现还要好。

数据来源：Arena排行榜（lmarena.ai）和SWE-bench官方评测。这些数据都是公开可查的，不是厂商自己跑的私有评测。

开发者视角：API和工具链

光跑分好看没用，开发者关心的是能不能直接上手。K3在这方面做了不少功课。

API定价：

类型	价格
输入（cache miss）	$3.00/M tokens
输入（cache hit）	$0.30/M tokens
输出	$15.00/M tokens

对比Claude Opus 4.8的输入$15/M，K3的输入价格只有它的五分之一。cache命中时更是低到$0.30/M——根据月之暗面官方数据，编码场景的缓存命中率可以超过90%，实际成本会非常低。

举个具体例子：假设你用K3写一个中等复杂度的代码生成任务，输入2000 tokens、输出5000 tokens，cache命中时一次调用成本约$0.076。同样的任务用Opus 4.8，成本约$0.105，贵了38%。如果是高频调用的Agent场景，这个差距会被放大到几倍甚至十几倍。

API接入方式很标准：https://api.moonshot.ai/v1，模型ID kimi-k3，兼容OpenAI SDK格式。这意味着如果你之前用OpenAI的SDK写代码，只需要改一下base_url和api_key就能切换到K3。OpenRouter上也能用，地址是openrouter.ai/moonshotai/kimi-k3，适合想先试用再决定的开发者。

配套工具方面：

Kimi Code：官方编程工具，支持Swarm多Agent并行模式。Swarm是K3的原生特性，可以同时启动多个Agent协作完成复杂任务，这在其他模型上通常需要自己搭建编排框架
Goal长程任务：官方演示了48小时连续自主运行完成芯片设计的案例。这种长时间自主执行能力对需要持续迭代的工程任务很有价值，比如大型代码重构、数据分析流水线
Tool Calling：支持标准工具调用，可接入Cursor、Continue等第三方IDE工具。对于已经习惯在IDE里用AI辅助编程的开发者，切换成本很低

需要注意的是，要使用完整的100万token上下文，需要在配置中手动设置context window为1048576，否则可能只用到默认的较短上下文。这个坑我在测试时踩过——一开始只用了默认配置，结果发现长文档处理能力远不如预期，后来才发现是没有用满上下文窗口。

与竞品的正面交锋

把几个主流模型拉到一起比：

模型	参数	上下文	API输入价格	编程排名
Kimi K3	2.8T	1M	$3/M	Arena前端#1
Claude Opus 4.8	未公开	200K	$15/M	Agent#4同级
GPT-5.6 Sol	未公开	128K	$5/M	Agent#4同级
DeepSeek V4-Pro	1.6T	1M	¥2/M	较低
GLM-5.2	745B MoE	1M	¥5/M	接近Opus

几个观察：

上下文领先：1M上下文与DeepSeek V4-Pro、GLM-5.2同级，但远超Claude的200K和GPT的128K。处理超长文档、代码库分析时优势明显。比如分析一个10万行的代码库，K3可以一次塞进去，其他模型要么分段要么丢上下文。在实际开发中，这意味着你可以把整个项目的代码一次性喂给K3，让它理解全局架构后再做修改，而不是每次只能给它看一个文件。

价格优势明显：输入价格只有Opus的1/5，GPT-5.6的60%。加上缓存命中率，实际使用成本更低。对于创业公司和个人开发者来说，这个价格差距可能决定了能不能在预算内完成项目。

开源是杀手锏：Modified MIT协议意味着可以商用、可以微调、可以本地部署。闭源模型做不到这一点。对于有数据安全要求的企业，这一点可能比跑分更重要——你的代码和数据不需要发送到外部API。

DeepSeek价格更低：如果纯看成本，DeepSeek V4-Pro的¥2/M仍然更便宜，但能力和K3不在一个量级。选DeepSeek还是K3，本质上是"够用就好"和"追求最好"的区别。

实际使用建议

什么场景适合用K3？

需要处理超长上下文的任务（法律文档、代码库分析、长对话）
前端代码生成（排行榜第一不是白给的）
需要开源协议的商业项目
成本敏感但对能力有要求的场景
多Agent协作任务（Swarm模式是原生支持的）

什么场景可能还是Opus/GPT更好？

需要极强推理能力的复杂逻辑任务（Arena Agent榜Opus和K3同分，但细分维度可能有差异）
已经深度集成Claude/GPT生态的项目，切换成本高
需要Claude的超长稳定输出的场景（Opus在长文本生成的稳定性上仍有口碑）

接入建议：先通过OpenRouter试用，验证能力是否满足需求。如果决定深度使用，直接走Moonshot官方API，利用缓存机制降低成本。对于开源部署，需要关注完整权重的发布时间（官方表示7月27日前发布）。

结论

Kimi K3的意义不只是"又一个很强的模型"。它是国产开源模型第一次在全球排行榜上和OpenAI、Anthropic的旗舰产品平起平坐。2.8万亿参数、100万上下文、Arena前端第一、SWE-bench开源第一——这些不是PPT上的数字，是可验证的跑分结果。

对开发者来说，最实际的影响是：你的模型选择菜单里多了一个真正有竞争力的选项。价格比Opus便宜5倍，上下文比GPT和Claude长数倍，还开源。要不要上车取决于你的具体需求，但至少现在值得花一个下午认真试一试。

月之暗面从Kimi K1到K3的迭代速度很快，每一代都在编程能力上有明显提升。如果这个趋势持续下去，闭源模型的定价策略恐怕要重新考虑了。

GLM-5.2编程能力实测：首次逼平Claude Opus，成本只有1/5

Thu, 16 Jul 2026 08:00:00 +0800

智谱AI 6月13日发布的GLM-5.2，在多个长程编程基准上逼近甚至超越Claude Opus——benchmark数据就摆在那里，不需要我多说。结论是：国产模型的编程能力，第一次真正追到了Claude Opus的身位。

GLM-5.2 是什么

先给一张基础参数表：

参数	值
发布方	智谱AI (Z.ai)
发布日期	2026年6月13日
架构	744B MoE，每次推理激活约40B参数
训练数据	28.5万亿 tokens
上下文窗口	100万 token（Solid 1M 无损）
开源协议	MIT，Hugging Face 可下载
API 接入	bigmodel.cn、WaveSpeed

几个关键点：

MoE架构：744B总参数，但每次推理只激活约5%（40B），推理成本远低于同规模Dense模型
100万token上下文：不是简单扩窗口，是针对长程编程场景数月强化训练的结果
MIT开源：权重可下载可商用，这在同级别模型中非常少见

编程能力：数据说话

直接上benchmark，不讲虚的。

核心基准对比

基准	GLM-5.2	GLM-5.1	提升	说明
Terminal-Bench 2.1	81.0	62.0	+30.6%	终端操作能力，长程任务核心指标
SWE-bench Pro	62.1	58.4	+6.3%	真实软件工程问题修复

Terminal-Bench从62跳到81，提升30.6%——这个跨度在模型版本迭代中相当少见。

与顶级模型的横向对比

维度	GLM-5.2表现	来源
CodeV3评测	全球第三	智谱官方
CyberGym	超越Claude Opus 4.6	第三方评测
BrowseComp	全模型第一（GLM-5系列）	智谱官方
多个长程编程基准	超越GPT-5.5，成本仅1/6	VentureBeat评测

最关键的：GLM-5.2的编程能力位于Claude Opus 4.7和4.8之间。 国产模型在编程能力上追到了世界顶级水平。

注意，这不是"某个单项超越"的障眼法。长程编程任务需要模型在数十步甚至上百步操作中保持一致性——这才是真正的硬功夫。

为什么突然这么强

GLM-5.2的编程能力跃升不是偶然，背后有几个关键技术突破。

1. Effort Level 思考档位

模型可以根据任务复杂度自动调节思考深度。简单问题快速响应，复杂编程任务深度推理。这比固定思维链长度更高效，也更省token。

2. 训练方法升级

从group-wise优化转向基于critic的PPO，使用token-level advantage适配不等长输出。说人话就是：模型在训练时学会了"在哪些token上多花心思"，而不是均匀分配注意力。

3. 长程编程专项强化

智谱针对长程Coding场景做了数月的强化训练，覆盖大规模代码实现、自动化研究、性能优化等高价值任务。100万token的上下文不是"能塞进去"就行，而是"塞进去之后还能正确理解和操作"。

成本与性价比

性能追上了，价格呢？

对比项	GLM-5.2	Claude Opus
API定价	显著更低	高
单任务成本（长程编程）	约1/5~1/6	基准
开源可用	✅ MIT	❌ 闭源

VentureBeat的评测显示，在多个长程编程基准上GLM-5.2超越GPT-5.5，成本仅1/6。对比Claude Opus，成本优势同样显著。

MIT开源意味着如果有足够算力，完全可以本地部署，彻底消除API成本。这对企业用户和研究者来说是一个重要优势。

生态：不只是一个模型

GLM-5.2不是孤军作战，智谱围绕它搭了一整套工具链。

ZCode 3.0

智谱官方AI编程工具，深度适配GLM-5.2。相比通用API调用，ZCode对编程场景做了专门优化，包括代码补全、重构建议、调试辅助等。

AutoClaw（澳龙）

国内首款一键安装的本地客户端，内置50+ Skills，降低使用门槛。不用折腾环境配置，装上就能用。

Coding Plan 订阅制

覆盖四个层级：

层级	定位
Lite	轻度使用
Pro	专业开发者
Max	重度使用
团队版	企业协作

存量用户已全量开放。

谁该用、怎么用

适合场景

长程编程任务：需要数十步操作的复杂项目，GLM-5.2的100万上下文和长程强化训练是核心优势
代码重构：大范围代码改造，需要理解整个项目结构
自动化研究：代码分析、技术调研、文档生成

不适合场景

简单问答：问个语法问题、查个API用法，杀鸡用牛刀了
纯对话：GLM-5.2的核心优势在编程，日常聊天不需要这个级别的模型

使用建议

有编程需求的开发者，长程任务是GLM-5.2的主场
企业用户，同等质量的输出，成本可能只有竞品的1/5
研究者，可下载可商用，这个价位的开源模型非常稀缺

结论

GLM-5.2是国产大模型在编程能力上的一次突破。Terminal-Bench 81分、超越Claude Opus 4.6、MIT开源、成本仅1/5——这些数字放在一起，指向一个清晰的结论：国产模型的编程能力进入了顶级水平。

它不完美，也不可能取代所有场景。但对于长程编程、代码重构、自动化研究这些高价值任务，GLM-5.2已经是一个值得考虑的选项。