如何评价 7 月 16 日 Kimi 发布的 2.8 万亿级开源模型 K3？

说实话，我第一眼看到“2.8万亿参数”这个数字的时候，差点以为自己眼花了。

要知道，之前被吹上天的Llama 3 405B，也不过4050亿参数；GPT-4虽然没公开，坊间传闻也就在1.5万亿到1.8万亿左右。Kimi这一下子干到2.8万亿，还是开源的，这要放在两年前，绝对属于“不讲武德”级别的操作。

但冷静下来之后，我觉得得先泼一盆冷水——参数大≠能力强。

你看去年那些百亿、千亿参数的大模型，很多跑起来效果跟吃了迷魂药似的，逻辑混乱、张嘴胡来。参数规模越大，训练成本、推理成本、部署难度都是指数级飙升。2.8万亿参数，哪怕你用最好的并行策略，普通公司连加载都加载不起来，更别说跑了。所以这个“开源”可能更偏向于“技术报告开源”或者“权重分块开源”，普通人想自己玩玩？还是洗洗睡吧。

不过话说回来，Kimi这波操作确实狠。

它等于在向全世界喊话：“我不仅能做这么大的模型，还敢把底牌亮出来。” 对于科研圈和开发者来说，这简直是天降甘露。以前想研究超大模型的架构、训练技巧，只能看论文瞎猜，现在有了K3的权重和代码，等于有人把实验室大门给你踹开了。尤其是那些在高校里做 NLP 方向的博士生，估计看到这消息比过年还开心。

另外，我还注意到K3是在MoE（混合专家模型）架构上做的。2.8万亿参数里，其实只有一小部分被激活——大概几百亿。这玩意儿好处是省算力，坏处是路由策略要是没调好，专家就变成“专家混子”，白白浪费参数。Kimi要是能把路由效率做到极致，那这个模型在推理成本上就能吊打同等规模的纯稠密模型。

说了半天，到底值不值得关注？我的看法是：别急着吹，也别急着踩。

如果你是个普通用户，目前对K3的体验可能远不如直接用Kimi的App——毕竟人家部署的是优化后的版本，你本地跑不动。但如果你是个技术嗅觉敏锐的人，这绝对是今年最值得啃的“开源硬菜”之一。建议蹲一波后续的评测、跑分和社区魔改，等有人把它精简到可部署的尺寸，那才是真正落地的时刻。

一句话总结：2.8万亿是个信号，不是终点。 它证明了国内团队在超大模型领域的工程能力不输任何人，但能不能转化成好用的产品，还得看落地实操。反正我先把GitHub收藏了，等大佬们出评测了再决定要不要鼓掌。