Kimi K3 在 AA-Briefcase 基准测试中仅次于 Fable 5，但成本高昂
表现强劲，但代价不菲
上周，Moonshot AI 发布了拥有 2.8 万亿参数 的模型 Kimi K3。在 Artificial Analysis 的智能指数中，Kimi K3 得分 57，与 Opus 4.8 和 GPT-5.5 等模型相当。但在他们全新的专有基准测试 AA-Briefcase 中，Kimi K3 以 Elo 1543 的成绩排名第二，仅次于 Anthropic 的 Claude Fable 5（Elo 1574），并大幅超越了前代 Kimi K2.6（+727 分）。
AA-Briefcase 专注于评估模型在知识工作场景中的代理能力，测试任务涵盖制作电子表格、演示文稿和 UI 原型等，基于数千个复杂输入文件的真实数据集。Kimi K3 在客观性和分析质量上表现出色，分析质量 Elo 达到 1754，与 Fable 5（1744）不相上下；正确性通过率为 51%，仅次于 Fable 5（56%）。然而，它在展示质量上相对较弱（Elo 1471），落后于 GPT-5.6 Sol 和 Opus 4.8。
成本与效率的权衡
尽管性能出众，Kimi K3 的运营成本却令人咋舌。其定价为 每百万输入/输出 token 3/15 美元（缓存 token 享 90% 折扣），但平均每项任务花费高达 10.57 美元，使其成为 AA-Briefcase 上运行成本最高的模型之一。这主要源于任务中大量的 token 消耗：平均每项任务需要 83 轮交互（Fable 5 为 67 轮，GPT-5.6 Sol 为 50 轮），输出 token 达 12 万。
时间成本同样不容忽视。Kimi K3 完成一项任务平均耗时 56.4 分钟，接近一小时，远超同类模型。这既与高轮次交互有关，也受限于其 API 的较低响应速度。
行业启示
Kimi K3 的发布再次印证了 AI 领域的“军备竞赛”已进入新阶段：模型参数规模持续膨胀，同时针对特定场景的基准测试（如 AA-Briefcase）变得更加精细化。然而，性能的跃升往往伴随着高昂的代价。对于企业和开发者而言，选择模型时必须在能力、成本和效率之间做出权衡。Kimi K3 在知识工作代理任务中展现了顶尖潜力，但在实际部署中，其成本和时间开销可能成为阻碍。
目前，Kimi K3 仅在 Moonshot AI 的 API 上可用，且仍处于快速迭代中。未来能否通过优化推理效率和定价策略来提升竞争力，值得关注。