王侯将相，宁有种乎？Kimi K3 评测 | AI 模型观察

月之暗面在 7 月 16 日正式发布了 Kimi K3：2.8 万亿参数、原生多模态、100 万 token 上下文，并且承诺完整权重在 7 月 27 日前开放。官方博客里有一句自我评价写得很克制：K3 的整体表现仍落后于最强的闭源模型 Claude Fable 5 和 GPT 5.6 Sol。

很克制很稳健，但是这是真的吗？

我看还真未必—终于跑完了 Hypo 体感评测之后，Kimi K3 交出了答卷：K3 总分 87.29，排名第一，把连续霸榜的 Claude Fable 5 一脚踢下王座，领先优势达到了 2.76 分。（什么时候把 Anthropic 踢飞？） 中位数 90.42、最高分 92.50，两项都是全榜最高——并非侥幸险胜，是上限和下限同时压过所有闭源对手。

这是这套榜单历史上，开源阵营第一次登顶。

当然啦，你要说我的榜单不能代表一切，那是必然的。但是从实际的对话体验来看，Kimi 的灵性或者说综合厚度，真的不比 Fable 差，甚至在中文语境下，我觉得犹有过之。一个模型如果只能在程序员中流通，那它终究能力是有限的，而通过编程能力所泛化得到的智力也不能 cover 所有的方面。可以说，凭借超大参数的优势，Kimi K3 终于在开源模型中做到了这种灵性和厚度的兼而有之。

对于所有非高强度编程的用户来说，我觉得 Kimi K3 都是你不得不做的尝试。

评测效果总览

截至 2026 年 7 月 17 日的 Hypo 体感评测 V3 榜单里，Kimi K3 排名第一，总分 87.29。

模型	排名	总分	最高分
Kimi K3	1	87.29	92.50
Claude Fable 5	2	84.53	88.61
GPT 5.6 Sol	3	83.25	88.94
DeepSeek V4 Pro	4	82.23	90.19
GPT 5.5	5	81.50	86.27
Kimi K2.6	7	79.61	83.21
Claude Opus 4.8	15	72.09	79.82

从数据中可以观察到：Kimi K3 不是只会冲上限。中位数 90.42 同样是全榜最高，比 Fable 5 的 86.61 高出近 4 分。换句话说，K3 的典型发挥已经比 Fable 5 的典型发挥更好，而不是靠一两题爆种堆出来的总分。综合来看，我觉得 K3 已经在体感上几乎完美了。虽然它在 agentic 上，尤其是复杂的编程环境上的表现，还待各位大佬们在实际项目中去验证，但是我觉得对于大部分非程序员用户来说，K3 绝对是值得认真考虑的模型。如果只考虑国产模型的话，那应该是目前最好的选择。

评测内容

和前两天一样，V3 版本包含 15 道题、16 个模型。题目覆盖指令遵循、世界知识、推理、长上下文、知识边界、错误前提纠正（幻觉抑制）和写作七组——其中”知识边界”和”错误前提纠正”在前两期评测里合并称为”诚实”维度，本期按榜单口径分开呈现。

每道题默认运行三次取均值，写作题 WR-004 采用一次匿名盲评分，证据性质和程序化题不完全一样。这是一套体感评测，不是官方 benchmark 的复刻：它更关心模型在具体任务里会不会漏条件、乱补事实、把错误前提照单全收，或者写出结构完整但没有个性的答案。本文不公开完整题干、标准答案和足以复原题目的约束组合。

还要特别说明：这套题不测试 agentic 编程能力。本文对编程的判断只能来自第三方实际体验，和榜单分数分开标注，见后文。K3 的响应延迟和 token 用量未被榜单收录，成本部分只引用官方定价。

分维度表现

下图按 2026-07-17 发布榜的七组口径，对比 K3 和两个闭源对手。虚线为前十模型均值。

指令遵循：满分，已经是基础设施

K3 在硬格式约束题上三次全部满分。这一轮 16 个模型里有 12 个在这项拿到满分或接近满分，指令遵循对头部模型来说已经不是分水岭——满分只说明它站在了起跑线上。

世界知识：唯一的明显短板

世界知识是 K3 唯一掉队的地方，维度均分 61.1，低于 Fable 5 的 87.8、DeepSeek V4 Pro 的 83.3，也低于 Qwen 3.7 Plus 的 91.1。

拆开看很有意思：《诗品》诗人评级题三次满分，C++ 语义陷阱十题拿到 83.3；问题全部出在盛唐边塞诗源流题上——三次运行全是 0 分，也是它全卷唯一一道零分题。 这道题考验的是一个相对冷门的文学知识，DeepSeek v4 PRO 得分如此之高，也正是来源于这道题上的优秀表现。不知道为何同样使用中文语料训练的 Kimi 在这道题上表现不佳，我合理怀疑是 DeepSeek 在语料的筛选上做得更仔细一些。

总的来说，Kimi K3 未必在整个数理化上都是短板。等后续补齐数理化的题目之后，可以再看一看 Kimi K3 的表现是否依然如此稳健。

推理：第一梯队，只丢一道题的分

四道推理题，K3 拿到三道满分，只有 KPL 风格双败冠军概率题三次得分 80/80/100，维度均分 96.7，与 Fable 5 持平；GPT 5.5、GPT 5.6 Sol、DeepSeek V4 Pro 和 Gemini 3.1 Pro 的推理是满分 100，Claude Opus 4.8 只有 73.3。

需要把多个条件同时放在脑子里推完的任务，K3 是可以放心交付的。

长上下文：把 Fable 5 甩在身后

Logisim 长上下文查重题上，K3 三次得分 57/100/100，均分 85.7，与 GPT 5.6 Sol、Qwen 3.7 Plus 并列，比 Fable 5 的 72.4 高出 13 分多。那次 57 分是三次运行里唯一一次明显漏识别，属于波动而不是稳定缺陷。总体来说，我觉得它的表现已经非常不错。在我们这个由于要兼容各种 128K、256K 的模型而弱化的查重题中，能做到这样的表现已经是相当优秀的了。

但是很遗憾的是，K3 目前只对 199 档以上的订阅开放 1M 上下文。 笔者手上所真正支持 1M 上下文的模型实在太少，没有办法做很高质量的超长上下文大海捞针实验。如果后续能够搞定 GPT 等模型的超长上下文的话，我或许会尝试增强上下文题目的考验。

知识边界：全榜第一，而且断层，这就是你 A➗ 曾经大吹特吹的诚实吗？

这是本次评测最值得大书特书的一项。知识边界维度看的是：面对知识截止之后的事件、时效性咨询，模型能不能老实承认”我不知道”，而不是补出一个看似合理的答案。

K3 拿到 60.6 分，全榜第一——第二名 Fable 5 是 44.7，GPT 5.5 是 47.2，GPT 5.6 Sol 只有 20.8，前十名平均分只有 24.9。换句话说，在这个几乎所有模型都及不了格的维度上，K3 是唯一一个摸到及格线的。

三道题里，知识截止后事件题拿到 86.7；上科大招生咨询这类时效题拿到 56.7——单看不高，但这道题的全榜第二只有 34 分（Fable 5），K3 已经是最会承认”我不知道”的模型（与此同时，还尽量给出了有效的信息）。真正的暗伤是编程诚实题 HN-003——这道题目测的是模型会不会谎报任务完成，K3 只得 38.3 分。不过全榜在这道题上集体翻车：Fable 5、Grok 4.5、GPT 5.6 Terra 都是 0 分，最高的 GPT 5.5 也只有 67。K3 的 38.3 排在中间，谈不上领先，但也是可圈可点。

错误前提纠正：并列满分

当用户的问题里藏着错误前提时（比如把《思美人》说成宋玉的作品），K3 三次全部识别并纠正，幻觉抑制组满分 100，与 Fable 5、GPT 5.6 Sol、K2.6、GPT 5.6 Luna 和 Opus 系列并列。DeepSeek V4 Pro 在这组只有 66.7。

知识边界第一加错误前提满分，合起来就是前两期所说的”诚实”维度：K3 是目前全榜最让人放心的模型——在”AI 一本正经胡说八道”是日常抱怨的今天，这个第一的含金量比总分第一还高。

写作：并列第一，先看一观

写作题 WR-004 考察逻辑清晰度、内容立意、真人味、文笔和组织能力，K3 的匿名盲评分是 100，与 Claude Opus 4.7 并列全榜最高，高于 K2.6 的 92.6、GPT 5.6 Sol 的 87.8 和 Fable 5 的 78.0。

只能说在揭榜的时候，我看到那一篇是 K3 所写，我的内心还是很激动的。这一篇文章非常能感觉到，Kimi K3 有很强的“有我之境”意识，它不像做过过度安全对齐的 GPT，会在文章中反复否定和强调，以保证自己说话圆润不出错，而是会更有感性和锋芒地去表达他的观点。总体来说，我觉得 K3 的写作体验远超 GPT 10 条街，只能说用 GPT 写作绝对是你这辈子做的几大错误决定之一…

喜欢我 GPT 的“你不能宣称…，但可以…““不是，而是“吗？Kimi 相对就克制很多。

榜单之外：编程体验的第三方反馈

这套榜单不测 agentic 编程，而编程恰恰是 K3 官方宣传的重头：官方博客里说它能完成内核优化、从零构建 GPU 编译器、开发 3D 开放世界游戏这类长程任务。

从我自己短暂的体验来说，通过氪金之法，我成功做完了昨天所说的给老师制作的网站。总体来说非常干净，交互体验也非常好，不会像 GPT 那样把调试信息全部一股脑地用小字输出到界面上，只能说，一遍直出非常放心。

从第三方实际体验的反馈来看，情况和宣传口径有一个错位：K3 在前端、绿field 项目、从零到一的长程任务上口碑不错；但在纯后端任务上表现没有那么好——典型的难场景是在复杂项目里定位 bug：需要在已有代码库里理解上下文、缩小范围、再动手修的任务，第三方反馈普遍是”一般”，不能解决 GPT-5.6 Sol 和 Claude Fable 5 能轻松解决的一些问题。

所以在编程上，目前中国用户最好的体验就是：使用 Kimi K3 来做前端，使用 GPT-5.6 来做后端和其他接口工作，最后合并之后让 Kimi 来负责文档。我觉得这样的体验甚至可以超过 Fable 5（谁不喜欢额度快用完的时候突然收到重置呢？）。

结论：开源 >> 一切，从这周开始不是口号

过去两年，开源模型在这套榜单里的角色一直是”追赶者”：能用、便宜、离闭源旗舰差一截。K3 把这个叙事终结了——总分第一、中位数第一、最高分第一，三个第一同时易主。

“开源 >> 一切”真正的意思，不是开源模型在每件事上都赢了——世界知识它还输着，纯后端调试也还嫩。真正的意思是：从今天开始，选闭源模型需要理由，选开源模型不再需要理由。Fable 5 让出的不只是一个排名，而是”想要最强就必须用闭源”这个默认假设。

而且别忘了：7 月 27 日权重落地之后，这篇文章里的每一个数字，都会变成任何人可以在自己机器上复现的东西。而任何人也可以通过自己的智慧，让他手上的 Kimi K3 被训练得更强更好。

数据来源：Hypo 体感评测 V3 leaderboard，2026-07-17 发布版本；16 个模型、15 道题，默认三次运行取均值，写作题为单次匿名盲评。本文结论只对当前题库、评分口径和版本负责。官方规格、定价与官方自评引自月之暗面 2026-07-16 发布博客；编程体验部分为第三方反馈，与本榜单分数相互独立。