开源AI的突破：Kimmy K3的性能定位
Moonshot AI近期发布了名为 Kimmy K3 的超大规模开源模型，这一发布标志着开源AI领域的一个重大转折点。视频指出，开源AI不再落后于闭源前沿模型数月之久，Kimmy K3在智能水平和性能表现上，已经能够与包括 GPT 5.6 和 Claude Fable 在内的顶级闭源模型相媲美。这种性能的提升并非体现在简单的日常任务上，因为目前所有顶级AI模型都能轻松处理总结、笔记、邮件回复和文章写作等基础工作。为了真正测试模型的极限，评测者选择使用需要多重技能、工作流和工具调用的 高难度提示词（Prompts） 进行压力测试，以验证其在复杂场景下的实际能力。
"Open-source AI is no longer a few months behind the closed frontier models. Today, we have a new open-source model which is just as good."
部署策略：从直接聊天到Agentic Harness
虽然用户可以直接通过Moonshot AI的在线聊天界面使用Kimmy K3，但这并未解锁其全部潜力。该模型专为 多步骤长周期代理工作流（Multi-step long horizon agentic workflows） 设计，即能够自主使用工具并持续执行多个步骤直至达成目标。因此，评测者推荐使用 Agentic Harness（代理框架） 来发挥其最大效能，例如链接Claude Code、Codex或Moonshot原生的 Kimmy Code 工具。通过Kimmy Code，用户可以同时让多个代理在不同项目上工作，每个项目包含持久化的本地文件和文件夹。
为了获得更好的体验，评测者建议在 VS Code 中安装Kimmy扩展。安装后，用户可以在IDE内直接打开文件夹并与Kimmy对话。界面支持调整聊天窗口大小，并提供了关键的功能按钮：选择 K3模型、切换 思考模式（Thinking Mode） 以及进入 计划模式（Plan Mode）。计划模式允许模型先制定策略而不立即执行，这对于复杂任务至关重要。这种集成开发环境（IDE）的工作方式，使得开发者能够更直观地监控和管理AI代理的长期任务执行过程。
复杂物理模拟：从零构建液体飞溅程序
为了测试Kimmy K3的物理理解能力和代码生成能力，评测者提出了一个极具挑战性的任务：在 不依赖3.js或任何外部库 的前提下，编写一个独立的HTML文件，模拟带有可调重力和光照设置的液体飞溅效果，并通过 Webcam手部追踪 控制运动。这是一个对底层物理引擎和WebGL编程要求极高的任务。Kimmy K3在运行该任务时，首先进行了长时间的规划，随后开始渲染液体飞溅游乐场。模型展示了自主调试的能力，它会主动打开Chrome浏览器截图以验证界面是否正常工作，如果发现问题则进行故障排除和修复，直到应用完全可用。
整个过程耗时约 30分钟，模型最终生成了一个名为 splash.html 的文件。评测者验证了该模拟器的各项功能：降低重力值（负值）使液体向上漂浮；调整粘度和凝聚力参数可改变液体的形态；表面细节、雨滴效果、光照角度、强度、辉光以及色调均可独立调节。最惊人的是，通过启用摄像头，评测者能够 通过手部动作实时控制液体飞溅，所有功能均无需外部库支持，完全由模型从零代码构建。这证明了开源模型在处理复杂物理模拟和前端开发时的强大实力。
3D建模自动化：Blender V8引擎生成
评测的第二个高难度任务涉及3D建模软件Blender。评测者预先在Blender中安装并启用了 Blender MCP 插件，使其在本地URL（localhost:9876）上运行。随后，在Kimmy Code中输入指令，要求模型使用Blender MCP生成一个 逼真的动画V8发动机。这是一个极其复杂的任务，涉及3D组件构建、切割视图规划、光照设置和相机角度调整。Kimmy K3成功调用了Blender界面，开始自动创建V8发动机的各个组件。
尽管任务难度极高，模型最终在约 40分钟 的思考与构建后完成了任务。它不仅在Blender中建立了发动机模型，还自动规划了展示所需的切割视图、光照和相机设置。这一过程展示了AI在专业3D创作工具中的自动化潜力，能够理解复杂的3D结构并执行多步骤的建模工作流。尽管模型在推理过程中显得非常谨慎且耗时较长，但其最终输出的结果证明了其在专业领域应用中的可行性。
性能数据与资源消耗分析
在两个复杂的自动化任务中，Kimmy K3展现了其作为前沿模型的特性：推理时间长、思考谨慎、资源消耗巨大。以下是两个测试案例的具体性能数据和资源消耗对比：
| 测试任务 | 任务描述 | 耗时 | 输入Token数 | 输出Token数 | 关键能力验证 |
|---|---|---|---|---|---|
| 液体飞溅模拟 | 无库HTML物理模拟+手部追踪控制 | ~30分钟 | > 2,000,000 | 46,000 | 物理引擎理解、WebGL编程、自主调试 |
| Blender V8引擎 | 3D建模+动画+光照相机规划 | ~40分钟 | 信息不足 | 信息不足 | 3D结构理解、MCP工具调用、多步骤建模 |
从数据可以看出，即使在单个任务中，输入Token消耗也超过了200万，这表明模型在规划、推理和调试过程中产生了大量的中间状态和上下文信息。尽管耗时较长，但模型能够自主完成从规划到执行再到验证的完整闭环，这在开源模型中是前所未有的表现。评测者总结道，虽然速度是其短板，但 Kimmy K3的智能水平和自主工作能力已经处于前沿水平，为开源AI在复杂代理工作流中的应用树立了新的标杆。
复杂机械动画生成能力验证
视频首先展示了模型在 Blender 中生成完全动画化的 V8 发动机的能力。这一任务极具挑战性，因为模型不仅需要构建复杂的机械结构，还需要让所有部件协同运动。从生成的组件列表可以看出，模型构建了大量独立且细节丰富的零件，包括活塞等关键运动部件，且所有动画效果流畅自然，视觉效果出色。
"It was actually able to animate everything, including the pistons, and everything just looks beautiful."
尽管结果令人惊叹，但该任务的资源消耗极为巨大。模型在单一提示词（Prompt）下完成了整个工作，但耗时约 40 分钟。在 token 消耗方面，输入 token 高达 1700 万，输出 token 为 15.2 万。这种高延迟和高成本表明，虽然模型具备处理极端复杂任务的能力，但在实际应用中仍需权衡效率。其表现风格与 Claude Fable 和 GPT 5.6 Soul 类似，均展现出强大的长程规划与执行能力。
多工具链协同与金融视频生成实验
为了测试模型在多平台工具链和长代理工作流（Agentic Workflows）中的表现，视频进行了一项复杂的端到端测试。任务要求模型自主搜索最新的 Nvidia 季度财务报告，并基于报告内容生成一段约 1 分钟的 16:9 视频。该任务涉及多个步骤：使用 HyperFrames（开源动画代码工具）创建动画，调用 Gemini TTS 生成旁白，并整合指定的背景音乐，同时需自动调整音量以确保旁白清晰。
模型在执行过程中展现了极强的自主性：它首先下载了 Nvidia 的财报，研究了 HyperFrames 的使用文档，规划了整体流程，并成功调用了 API 生成语音。最终生成的视频内容精准涵盖了 Nvidia 的关键财务数据，包括 816 亿美元的营收（同比增长 85%）、数据中心收入 752 亿美元（增长 92%）以及 75% 的毛利率。视频还准确传达了未来展望，如下一季度指引为 910 亿美元，并指出 AI 建设才刚刚开始。
3D 钢琴模型生成与交互功能测试
接下来，测试重点转向 3D 模型生成与交互逻辑。任务要求创建一个包含 88 个琴键的三角钢琴 3D 动画模型，具备以下功能：通过滑块展示从完整到爆炸视图（显示琴弦、击弦机、制音器等内部结构）的平滑过渡；点击琴键可播放正确音符；支持滑音（Glissando）操作；并内置一个演示按钮播放《致爱丽丝》。所有功能需封装在单个 HTML 文件中。
模型经过长时间思考后，生成了一个功能完备的 3D 钢琴。初始版本存在一个小瑕疵：钢琴盖未正确支撑，而是平铺在地面上。通过一次后续提示（Follow-up Prompt），模型迅速修复了该问题。最终模型中，所有内部机械结构（击弦机、制音器、琴弦）均动画正常，琴键交互灵敏，且《致爱丽丝》演示功能运行完美。这一过程仅消耗了约 400 个输入 token 和 5,000 个输出 token，显示出极高的效率。
资源消耗对比与性能数据汇总
为了直观展示不同复杂任务下的资源消耗差异，以下表格汇总了本次测试中的关键性能数据。可以看出，随着任务复杂度的提升，Token 消耗呈指数级增长，但模型在复杂逻辑和创意生成上的表现依然稳定。
| 测试项目 | 任务描述 | 耗时 | 输入 Token | 输出 Token | 关键成果 |
|---|---|---|---|---|---|
| V8 发动机动画 | 在 Blender 中生成完全动画化的 V8 发动机，包含活塞等所有组件 | ~40 分钟 | 17,000,000 | 152,000 | 完整机械结构动画，视觉效果逼真 |
| Nvidia 财报视频 | 自主搜索财报，使用 HyperFrames 和 Gemini TTS 生成带旁白和图表的 1 分钟视频 | 较长 | 16,000,000 | 256,000 | 生成包含营收、利润、指引等数据的完整视频 |
| 3D 三角钢琴 | 生成可交互的 3D 钢琴，支持爆炸视图、按键发声、滑音及《致爱丽丝》演示 | 较短 | ~400 | ~5,000 | 单个 HTML 文件，功能完整，经一次修正修复盖子问题 |
此外，视频末尾提到了赞助商 Luma Agents，这是一种允许用户将创意工作流转化为可复用 AI 工具（Luma Skills）的平台，旨在提高重复性创意工作的效率。
Luma Agent的工作流自动化与团队协作
视频首先展示了Luma Agent在创意工作流复用方面的强大功能。用户可以上传图像并命名品牌套件，Luma Agent能够自动保存为“技能”（Skill），从而在未来上传新图片时，直接应用相同的工作流生成一致的结果。例如，上传一张女性穿着特定服装的照片，Agent可生成该人物在时装秀走秀的视频，并将此过程保存为名为“时装秀”的技能。此后，只需上传新的模特或服装，即可快速生成新的时装视频。这种自动化技能生成无需手动构建，用户只需描述需求，Agent即可自动生成完整技能。
"You don't even have to build these skills yourself. You can just simply tell the agent what you want, and it'll generate the entire skill for you automatically."
此外，Luma Agent具备出色的团队协作与分享能力。用户可通过链接瞬间分享工作流，团队成员安装后即可复现相同结果，无需重新创建流程。多个技能还可打包成创意工具包，一键分发。无论是营销战役、视频编辑还是图像生成，Luma Skills和Luma Agents都显著提升了可重复创意工作流的效率。
Kimmy在3D游戏开发中的表现
接下来测试Kimmy在编程方面的能力，任务是使用Three.js创建一个3D射击游戏。需求包括：未来战场、机甲战士视角、击退空中和地面外星生物、第三人称视角、使用公开3D资产，并要求视觉效果达到AAA级游戏水准。大多数前沿AI模型在此环节失败，无法正确导入3D资产，但Kimmy成功完成了挑战。
Kimmy首先进入规划模式，制定编码计划，随后进行大量思考与编码。它还会自动打开浏览器截图，自主验证游戏帧、机甲运行、喷射光效、枪口闪光及战斗逻辑是否正确。最终生成的游戏支持键盘移动、鼠标瞄准、空格跳跃、Shift冲刺及火神炮射击。与Claude Fable或开源JLM 5.2相比，Kimmy生成的视觉效果更佳，且仅通过一个提示词完成全部编码。
| 指标 | 数据 |
|---|---|
| 输入Token数 | 12,000,000 (12M) |
| 输出Token数 | 135,000 (135k) |
| 主要耗时 | 较长（需搜索3D模型、规划游戏动态） |
Kimmy在音乐创作与医学影像识别中的表现
在音乐创作测试中，Kimmy被要求生成包含钢琴、合成器、弦乐、鼓和贝斯的DAW界面，并编写一首具有复杂性、包含自动化效果、声像及混响的32小节乐曲。尽管初始版本细节不足，但经过二次提示增加变奏、上升/下降效果及自动化后，最终作品展现了良好的混音效果，包含所有指定设置。
| 音乐创作测试指标 | 数据 |
|---|---|
| 输入Token数 | 1,500,000 (1.5M) |
| 输出Token数 | 35,000 (35k) |
| 提示词数量 | 2个（初始+优化） |
在医学影像识别测试中，Kimmy被要求识别六张包含不同类型肿瘤的扫描图像。Kimmy自主运行Python代码放大图像细节，最终识别出1/6正确（脑膜瘤），其余5项错误。 尽管未能完美识别癌症，但其表现优于GPT-5.6（0/6正确，仅回答无肿瘤）和Claude Fable（拒绝回答医学问题）。
| 模型 | 医学影像识别正确数 | 备注 |
|---|---|---|
| Kimmy | 1/6 | 识别出1个脑膜瘤，其余错误 |
| GPT-5.6 | 0/6 | 仅回答无肿瘤 |
| Claude Fable | N/A | 拒绝回答生物/医学问题 |
总结与局限性
Kimmy展示了强大的代理能力，既可用于在线聊天平台，也可通过API集成。尽管在医学诊断上仍有局限，但在当前前沿模型中，Kimmy提供了最佳的答案表现。 视频最后提到经典的“找青蛙”测试，暗示后续将继续评估其视觉识别能力。
视觉推理与“青蛙测试”的失败案例
视频首先展示了一个视觉推理测试，要求模型在图像中自主寻找隐藏的青蛙。模型并未直接给出答案，而是自主调用了Python工具对图像进行局部放大和细节捕捉。它通过不断缩放、截取不同区域的快照，并运用锐度和对比度增强技术来突出边缘，甚至使用了光谱残差显著性（spectral residual saliency）等复杂算法进行深度分析。然而，经过这一系列复杂的视觉处理流程，模型最终得出的结论是：“我找不到任何动物。据我所知，它只包含枯叶等。”这一结果被判定为错误，表明该模型未能通过基础的“青蛙测试”，暴露出其在特定视觉细节识别上的局限性。
深度研究能力与医疗报告生成
接下来，测试转向了Kimi Chat 3的“深度研究”功能，针对阿尔茨海默病中淀粉样蛋白传播机制及单克隆抗体疗法进行了复杂的医学分析。启用该选项后，模型耗时约20分钟，生成了包含执行摘要、机制详解、图表可视化及引用文献的综合报告。报告结构严谨，不仅详细阐述了淀粉样蛋白和Tau蛋白的传播机制，还提供了抗体对比表格和临床试验结果图。与GPT-5.6的简洁风格或Gemini的冗长风格不同，Kimi Chat 3的输出被评价为信息密度极高且引用准确。测试者指出，Claude Fable甚至不允许进行此类生物医学研究，而Kimi Chat 3能在几分钟内完成人类需数周才能整理的信息汇编，展现了其在长周期任务中的卓越能力。
核心规格与架构亮点
Kimi Chat 3基于开源模型Kimi K3，其参数量高达2.8万亿（2.8 trillion），并采用了独特的Kimi Delta Intention and Attention Residuals架构。该模型原生支持视觉能力，并拥有100万token的上下文窗口，相当于约70万单词或一个中小型代码库。这一巨大的上下文容量使其能够一次性处理海量文档或大型代码库，将其全部存储为上下文进行推理。模型主要面向长周期编码、知识工作和推理任务设计，旨在通过强大的记忆和处理能力解决复杂问题。测试者认为，从初步体验来看，其智能水平和性能表现至少等同于GPT-5.6或Claude Fable，并显著优于前代的Claude Opus 4.8。
基准测试数据与成本效益分析
在软件工程和代理任务基准测试中，Kimi K3展现了极具竞争力的性能。在衡量AI软件工程能力的DeepSWE基准中，Kimi K3的成绩接近Fable 5和GPT-5.6，并比前代Opus 4.8及开源模型GLM 4.2领先超过20分。在Terminal Bench、Frontier Swee、Program Bench等代理编码基准中，其表现甚至在某些方面超越了GPT-5.6和Claude Fable。此外，在AI Briefcase、Automation Bench、Spreadsheet Bench、Browse Comp以及视觉代理任务Chart Archive中，Kimi K3均表现出与顶级闭源模型持平甚至超越的实力。在成本效益方面，Kimi K3位于“低成本-高性能”的理想象限，其每任务成本远低于Claude Mythos和Opus，成为目前最具性价比的开源选择。
| 基准测试名称 | Kimi K3 表现描述 | 对比模型及表现 |
|---|---|---|
| DeepSWE | 接近顶级水平，领先开源模型20+分 | 接近 Fable 5, GPT-5.6；大幅领先 Opus 4.8, GLM 4.2 |
| Terminal Bench / Frontier Swee / Program Bench | 部分场景超越最佳模型 | 优于或持平 GPT-5.6, Claude Fable |
| AI Briefcase Score | 表现优异 | 击败 GPT-5.6 |
| Automation Bench / Spreadsheet Bench / Browse Comp | 表现优异 | 击败 GPT-5.6 和 Claude Fable |
| Chart Archive (视觉代理) | 处于最佳模型行列 | 与 Fable 5, GPT-5.6 持平 |
| 成本效益 (Cost vs Performance) | 位于左上角（低成本高性能） | 比 Claude Mythos, Opus 更具成本效率 |
“Just from the initial vibe I got, this is definitely as good as GPT-5.6 or even Claude Fable, and definitely better than the previous Claude Opus 4.8.”
“This would take a human like several weeks to compile all this information and plot everything out, but Kimi Chat 3 was able to do this in a matter of minutes.”
游戏开发与视觉设计能力卓越
在3D推理能力方面，该模型展现了令人惊叹的水平，这一点在钢琴和Blender的演示中得到了充分验证。除了基础的3D生成，该模型还能独立编码游戏或交互式体验。在视频游戏开发领域，这被评价为目前市面上最好的模型，没有之一。其视觉品味甚至被认为优于Claude或GPT系列。这种在创意和视觉审美上的优势，使其在需要高度视觉协调性的开发场景中具有显著竞争力，能够生成更具美感和逻辑性的代码结构。
综合性能与成本效率领先
根据Artificial Analysis的独立排行榜数据，Kimiko 3在综合性能上紧追顶级闭源模型。它在评分上仅比最佳GPT模型落后约2分，但性能表现远超之前的开源最佳模型GLM 5.2。在成本效益方面，Kimiko 3同样表现出色，它是目前最具成本效益的模型，不仅比GPT 5.6更便宜，而且远低于Claude Fable 5的成本。这意味着开发者可以在获得顶级性能的同时，大幅降低API调用费用，实现性能与预算的最佳平衡。
| 模型名称 | 相对性能表现 | 成本效率对比 |
|---|---|---|
| Kimiko 3 | 接近最佳GPT（落后约2分） | 最具成本效益 |
| 最佳GPT | 基准参考 | 高于Kimiko 3 |
| Claude Fable 5 | 性能略低于Kimiko 3 | 远高于Kimiko 3 |
| GLM 5.2 | 远低于Kimiko 3 | 信息不足 |
幻觉率更低，代码生成能力极强
在可靠性方面，Kimiko 3在幻觉率排行榜上得分仅为51%，显著低于Claude Fable 5的55%和GPT 5.6 Soul的89%。测试数据显示，GPT 5.6 Soul有89%的时间会产生幻觉，而Kimiko 3相比之下更不容易出现事实性错误。此外，在Arena的盲测中，特别是在测试前端Web开发的Code Arena榜单上，Kimiko 3大幅领先并击败了Claude Fable和GPT 5.6。这一结果不仅证明了其在代码生成上的优越性，也再次强调了其在保持较低成本的同时提供高质量输出的能力。
| 模型名称 | 幻觉率得分 | 备注 |
|---|---|---|
| Kimiko 3 | 51% | 幻觉率最低 |
| Claude Fable 5 | 55% | 略高于Kimiko 3 |
| GPT 5.6 Soul | 89% | 幻觉率最高 |
多平台支持与开源计划
用户可通过多种方式使用该模型：包括在线聊天界面kemi.com、支持本地文件处理的桌面应用Kimiko Work（类似ChatGPT Work），以及VS Code扩展。对于开发者，API已开放，且完整模型权重将于7月27日开源。这一举措打破了此前美国政府因安全担忧而限制GPT 5.6和Fable等前沿模型访问的局面。Kimiko 3以同等智能水平且完全开源的方式，彻底颠覆了现有的访问限制，让所有用户都能自由使用。这种开放策略不仅促进了技术的普及，也展示了开源AI实验室的强大实力。
"It's kind of hilarious how over the past the US government kind of suspended access to the frontier models like GPT 5.6 and Fable over fears that it'll be too dangerous, but Kimi K3 just completely undermined everything. They released a model with the same intelligence, plus it's going to be open weights, so everyone can use it."
"Not only is this among the best of the best models out there, but it's also the most cost efficient, plus they're going to open source this, which is crazy."