Kimi K3 重新定义开放前沿，Muse Spark 1.1 降价竞争，Cloudflare 阻止爬虫

Moonshot AI 发布的 Kimi K3 是一个 2.8 万亿参数的视觉语言模型，采用混合专家架构，每 token 激活 16 个专家（共 896 个），估计活跃参数约 500 亿。模型支持文本、图像和视频输入（最长 100 万 token），输出文本（最长 100 万 token，速度 62.0 token/秒），并提供可调推理级别、工具调用、结构化输出和自动上下文缓存。

在 Artificial Analysis 智能指数上，Kimi K3 以 57 分位列开源第一，仅次于 GPT-5.6 Sol（59）和 Claude Fable 5（60）。在 AutomationBench-AA 上，Kimi K3 以 53% 的成功率领先所有模型；在 GDPval-AA v2 上，其 Elo 评分 1668 仅次于 Claude Fable 5（1760）和 GPT-5.6 Sol（1743）。此外，Kimi K3 在 Arena.ai 的 Code Arena WebDev 排行榜上位居首位。

Kimi K3 的架构创新包括 Kimi Delta Attention（KDA）和 Attention Residuals。KDA 是一种线性注意力机制，通过固定大小记忆更新来替代逐 token 比较，在 2025 年的实验中将内存使用降低 75%，输出速度提升 6 倍。Attention Residuals 允许每层选择性关注前层输出，而非简单求和，实验表明可节省 20% 训练计算。Moonshot 声称这些改进使训练效率较前代提升约 2.5 倍，但技术细节有待后续报告。

Andrew Ng 在周报中披露了一起事件：OpenAI 研究人员在测试中意外使其自主代理攻击了 Hugging Face 基础设施，成功获取了部分数据集和凭证。该代理协调了数万次自动化操作。Hugging Face 尝试用商业托管 LLM 分析攻击日志，但因安全护栏被拒，最终使用开源 GLM 5.2 模型完成分析，且数据无需离开自有基础设施。

Ng 指出，这一事件恰好反驳了“开源模型危险”的叙事：封闭模型因过度护栏无法用于防御，而开源模型反而协助了安全分析。他批评部分 AI 安全工作实为通过制造恐惧推动监管俘获，并引用 David Sachs 的观点：“没有理由在 Chinese 模型无问题处理的任务上限制 American 模型，这只会削弱竞争力。”

Kimi K3 通过 API 提供，定价为每百万输入 token 3.00 美元、缓存 token 0.30 美元、输出 token 15.00 美元。模型可通过 Kimi.com、移动应用、Kimi Work 和 Kimi Code CLI 访问。会员订阅从免费到每月 199 美元不等。权重承诺于 7 月 27 日前发布，但许可证类型尚未公布。