先前关闭自动续费功能的老用户，公司将慢慢重启续订的选择权，同时老用户升级服务等级的通道也将逐步开启。关于新推出的套餐，暂时因为计算能力不够用，还不能对外售卖，具体的恢复购买时间还定不下来。
从公司公开的说明来看，这次的风波更像是希望在有限的计算资源下，重新分配给新加入的和一直使用的用户，并不是在改动会员制度。
K3公布之后，全球的AI开发者很快有很多关于它的使用体验和评测文章。不少人把它拿来和Claude、GPT这些国外的顶尖模型对比，讨论的焦点慢慢从各项基准测试成绩，转向了它们的推理成本、GPU资源以及服务稳定性，成了AI圈新的热门话题。
K3发布后，迅速成为了全球AI模型讨论的中心。
независимый AI模型评测机构Artificial Analysis发布的最新“智能指数（Intelligence Index）”里面，Kimi K3综合得分是57分，在全球排在第三位，仅次于Claude Fable 5（60分）和GPT-5.6 Sol（59分），稍微超过Claude Opus 4.8（56分）。
同时，K3完成每项任务的平均成本是0.94美元，和GPT-5.6 Sol差不多，但只相当于Claude Opus 4.8的一半。
对于行业里的人来说，更重要的消息是，这是首个进入Artificial Analysis综合榜单前三的开源模型。长时间以来，“开源模型总是比闭源模型落后半代”是业内的一种共识，而K3的出现，让这个差距缩小了许多。
图源：Monolith励思资本
除了排名高的成绩，K3本身的参数数量也引起了业内的注意。K3是月之暗面推出的首款拥有2.8万亿参数的MoE模型。
一位国产AI芯片企业的人士对界面新闻报道说，今年开始，随着Anthropic这些海外公司不断推出更大参数的模型，国内模型的竞争又回到了“大参数、长上下文”这个老赛道上，万亿参数、百万级的上下文正成了顶尖模型的重要竞争方向。
在他看来，K3之所以很快走红，不仅因为它模型能力不错，还因为它代表国产开源模型首次达到了这个参数量级。“对整个行业来说，2.8T本身就是一个很有影响力的信号。”
业内的高度关注很快就传到了开发者群体那里。
在X（Twitter）、Reddit、OpenRouter、Linux.do、V2EX这些平台上，很多开发者立刻分享了他们的使用体验，不少人把K3连接到Cursor、Cline、OpenCode这些AI编程工具里去测试。从生成代码、安排Agent任务到调用工具等，K3成了最近几天AI圈里讨论最多的模型之一。
讨论大多集中在三个问题：第一，它真的能取代Claude来写程序吗？第二，它实际是否已经达到了国际顶尖模型的水平？第三，它到底值不值得转用？
一些开发者认为，K3最突出的优势并不在于聊天能力，而是在于可以处理长时间流程的Agent任务和代码的生成场景。一些体验过的人说，在修改复杂代码、调用工具等任务里，K3已经能和Claude、GPT这些国际顶尖模型竞争了。
但也有人反馈说，在真实的工程项目里，尽管模型能力很强，但它还是会漏掉一些细节，需要人来修改；此外，在处理复杂的统计推理等任务时，表现还是不太稳定。
另一方面的讨论集中在成本上。有用户觉得，K3虽然单次使用的价格很有竞争力，但由于复杂任务会消耗大量的Token，实际使用成本可能并不便宜，特别是在长流程Agent任务里这个问题更明显。
K3的热度也迅速传到了海外的AI圈子。
美国科技投资公司Atreides Management的创始人Gavin Baker把K3称为AI发展过程中的一个“转折点（inflection point）”，他认为高质量的开源模型正在加速AI能力的传播，这种影响不会只局限在模型公司，还会惠及整个AI应用生态系统。
但也有一些研究者持谨慎态度。
长期研究AI对工作影响的宾夕法尼亚大学沃顿商学院教授Ethan Mollick在X上表示，他曾经让Kimi K3对自己先前的学术研究做了一次复杂的统计复查，但模型在很多地方弄错了，包括错误地使用了统计方法。
Mollick认为，K3已经非常接近世界顶级的模型了，但在复杂专业任务中的可靠性和稳定性，还需要更多实际场景的检验，不能仅仅依靠基准测试的结果来判断。
这个情况也反映出当前AI社区对于新模型的一种普遍心态：一方面，K3在生成代码、Agent等场景的表现得到了很多开发者的认可；另一方面，模型在处理复杂专业任务时的稳定性和可靠性，还需要更多真实场景的持续验证，不能只根据榜单成绩来评价。
计算能力不足仍然是难题
正是在开发者快速涌入、请求量不断上升的情况下，月之暗面很快又遇到了另一个挑战——计算能力不够。
前几年，大模型行业里最常见的讨论是“训练一个模型需要多少GPU”、“参数的数量达到了多少”，而不是因为用户太多，不得不暂停对外提供服务。
实际上，即使模型训练完成了，计算资源的投入也并没有结束，尤其是在AI Coding、Agent等技术快速进步的背景下，模型需要持续调用工具、处理上下文、执行多轮推理，单次请求使用GPU资源的时间远远超过了传统的聊天场景。模型的能力越强、上下文越长、用户调用越频繁，对推理计算资源的需求就越大。
“现在最大的麻烦还是缺算力，尤其是高质量的推理算力。”上海国投孚腾资本的投资总监陈雨沁先前在界面新闻的采访中说，就连顶级的模型公司也开始取消无限量的使用政策，提高服务价格，这本质上都显示出推理资源依然很紧张。“如果基础建设没有跟上去，很多应用公司其实也不敢真的大规模推广产品。”
“从供需关系来看，国内AI算力长期是供不应求的，而随着头部模型集中发布，这种紧张的情况会变得更加明显。”上述芯片厂的人士对界面新闻报道说。
他介绍，目前像月之暗面、智谱、MiniMax这些独立的模型公司，获得算力主要依靠两种方式：一是向公有云厂商租用算力服务，二是建立自己的算力集群。但前者资源有限，后者又属于重资产投入，需要较长的建设周期，因此模型厂的算力供给一直存在一定的压力。
“业内普遍觉得，要支撑万亿参数模型训练和推理，至少需要万卡级的集群。”他表示，从2024年开始，真正具备万卡级部署能力的厂商仍然不多，很多已经宣布要建设的大规模集群项目，落地周期往往是以年为单位计算，所以供需之间仍然存在长期的缺口。
今年WAIC期间，一个细节给上述国产芯片厂商留下了深刻印象。
他告诉界面新闻，在国产芯片厂展示超节点产品的时候，大家问得最多的两个问题就是：“能不能支持万卡集群？”“能不能支持万亿参数模型训练？”
和过去围绕单卡性能、芯片参数讨论相比，现在产业链更加关注超大规模集群能力，以及支持顶尖模型持续训练、推理的基础设施建设。
这个变化，也显示了当前大模型竞争逻辑的转变。
过去，模型公司比拼的是参数数量、训练能力以及Benchmark的成绩；而现在，随着越来越多模型进入实际生产环境中，推理效率、服务稳定性、成本控制以及基础设施能力，开始成为新的竞争关键点。
K3暂停对新用户开放服务，也许只是一次暂时的资源调整，但却让外界第一次如此清楚看到，大模型竞争已经进入了新的阶段。模型的能力决定产品能否吸引用户，而推理算力、基础建设以及持续的服务能力，则决定了它是否能够承担真正的大规模应用。
