中国AI实验室Moonshot AI发布了Kimi K3，称其为“迄今为止最强的模型，拥有2.8万亿参数”。目前可通过其官网和API使用，但承诺“在2026年7月27日前”发布开源权重版本。

月之暗面称这是首个“3T级别开源模型”（大概是把2.8万亿四舍五入到了3万亿），从DeepSeek 1.6T v4 Pro手中夺过了桂冠。据其自测基准，K3在多数项目上击败了Claude Opus 4.8 max和GPT-5.5 high，但不敌Claude Fable 5和GPT-5.6 Sol。

Artificial Analysis关于该模型的报告中有几个亮点：

• “在我们私有的长周期知识工作评估中，Kimi K3的总体Elo达到1547分，较Kimi K2.6提升732分，仅次于Claude Fable 5。”
• “单任务成本（0.94美元）与GPT-5.6 Sol（1.04美元）相近，约为Opus 4.8（1.80美元）的一半，高于开源权重的同类模型”
• “Kimi K3在Artificial Analysis智能指数上的token用量显著下降，输出token数比K2.6减少了21%。”

该模型目前也是Arena.ai前端代码竞技场的榜首模型，甚至超过了Claude Fable 5。

新模型最引人注目的是定价：输入每百万token 3美元，输出每百万token 15美元，与Anthropic的Claude Sonnet系列持平，成为迄今为止中国AI实验室发布的最贵的模型。相比Kimi K2.6等早期模型的0.95美元/4美元有大幅上涨。2.8万亿参数也超过了那个1万亿参数模型的两倍多。

但它画鹈鹕画得怎么样？

我通过OpenRouter（为了避免注册Moonshot API密钥）配合llm-openrouter插件，让它生成了一张鹈鹕骑自行车的SVG：

llm -m openrouter/moonshotai/kimi-k3 'Generate an SVG of a pelican riding a bicycle'

这是对话记录。效果如下：

这只鹈鹕消耗了95个输入token和16,658个输出token（其中13,241个是推理token），总成本为25美分！

由于K3支持图像输入，我用上面渲染好的SVG（配合我的alt文本提示词）对它进行了测试，并得到了如下结果（花费0.6美分）：

戴着红色围巾的白色鹈鹕的卡通插画，正骑着一辆红色自行车行驶在一条带有白色虚线的灰色道路上；鹈鹕长着巨大的橙色喙，橙色的蹼足正在蹬踏，身后有白色的运动线条；背景是淡蓝色的天空，点缀着白云、一轮黄色的太阳、两只飞翔的小黑鸟，前景则是长着白色小花的绿草地

我们能从鹈鹕身上学到什么？

我的“生成一张鹈鹕骑自行车的SVG”测试至今已有21个月了。它从来都不是一个特别好的基准测试。最初它只是个玩笑，用来吐槽对比这些模型有多么荒谬，但在第一年里，它竟然与模型的实际能力呈现出惊人的相关性。

如今这种关联已基本消失。GPT-5.6和Claude Fable 5的鹈鹕图被GLM-5.2超越了，尽管我很喜欢GLM，但我并不认为它是Fable级别的模型。

（我仍然不相信各家实验室在针对这个基准做特训——如果真做了，我会期待更好的结果。不过Gemini倒是有可能针对“任意动物乘任意载具”的组合做过优化！）

鹈鹕测试最大的局限在于，它完全没有触及当今模型最重要的能力：智能体工具调用，以及在对话不断变长时仍能可靠地操作工具的能力。

所以别再用鹈鹕来对比模型了！

话虽如此，我自己跑这个基准测试仍然能获得不少价值。

首先，它是一个逼我亲自上手试用模型的机制。如果我给你看了一只鹈鹕，就说明我已经成功向它发送过提示词。如果模型提供了官方API，我就会直接用；如果是开源权重（并且小到能在128GB的M5 MacBook Pro上运行），我会尝试在本地机器上运行，通常通过llama.cpp、LM Studio或Ollama。我也经常使用OpenRouter，因为它通常能代理官方API，让我无需再申请新的API密钥。

我的大多数鹈鹕都是用我的LLM命令行工具生成的，这也促使我确保最新模型都能通过其插件得到支持。

更重要的是，哪怕只是发送一句“生成一张鹈鹕骑自行车的SVG”这样的单一提示，也能揭示出模型一些有趣的特性。

以今天Kimi K3的结果为例，运行这些简单的提示词就能凸显出该模型的几个特点。

1. 它目前只有一种推理强度，即“max”——这一点很明显。该模型消耗了13,241个推理token才输出了3,417个token的响应。这很费钱——这只鹈鹕就花了25美分！
2. “Generate an SVG of a pelican riding a bicycle”这句提示词怎么会算出95个输入token？OpenAI的分词器算出来是10个，Anthropic的分词器则是Opus 4.6算10个、Opus 4.7算30个、Sonnet 5/Fable 5算25个。向Kimi K3发送“hi”会被计为86个token，暗示可能存在一个85个token的隐藏系统提示词。不过它拒绝泄露。
3. 视觉能力不错：它生成的alt文本非常好。

K3目前只有一种思考强度级别，但我最近通过用不同强度级别运行同一个鹈鹕提示词，来快速了解不同强度带来的影响，并从中获得了不少价值。例如，这是我为GPT-5.6模型家族做的对比矩阵。

但说到底，鹈鹕测试带给我的主要收获是：

1. 这是对模型进行提示的“hello world”练习
2. 对简单任务的成本和推理量做一个大致估算
3. 确认模型能够输出有效的SVG，并具备基本的几何与空间感知能力。对于能在我笔记本上运行的小模型来说，这一点尤为重要。
4. 比较同一模型家族不同版本之间的鹈鹕图仍然很有意思。K3的鹈鹕相比Kimi 2.5有了明显进步。
5. 这是我可以分享、证明我已经试用过它的东西。而且，带鹈鹕的评论在Hacker News上已经算是一种传统了，每次我发晚了，都会有人留言问鹈鹕在哪！