Kimi K3 爆火 48 小时后熔断：开源模型再强，算力不够也是白搭
Kimi K3 发布不到 48 小时，月之暗面就宣布暂停 C 端新用户订阅。
理由是算力不够。官方公告的原话是"用户请求量已大幅超出团队预估，并且逼近现有集群的承载极限"。于是把已有的算力全部投给已经付费的用户，新来的先等等。
这事挺有意思的。一边是 2.8 万亿参数、全球首个 3 万亿级开源模型、Arena 前端开发榜拿第一，各种技术指标光鲜亮丽。另一边是上线两天就撑不住了，得"限流"。
模型能力的突破是真的，算力短缺的窘迫也是真的。两者放在一起看，才是今天大模型行业的完整现实。
K3 到底有多强
先快速过一下 Kimi K3 的基本盘。
2.8 万亿总参数的 MoE 模型，896 个专家，每 token 激活 16 个，活跃参数大概 320 亿。原生支持视觉（图像+视频），100 万 token 上下文。用的是 Kimi 自己的 KDA 混合线性注意力机制和注意力残差技术。
价格方面，API 输入 3 美元/百万 token（缓存命中 0.3 美元），输出 15 美元/百万 token。对比一下：Claude Fable 5 是 10/50 美元，GPT-5.6 Sol 是 5/30 美元。K3 的输出价格是 Fable 5 的三分之一。
性能呢？Arena 前端开发榜拿了 1679 分，超过了 Fable 5 的 1631 和 GPT-5.6 Sol 的 1618，七个分类里六个第一。但 Arena 自己也说了，这个榜衡量的是前端网页开发任务，不是模型整体能力。
整体能力排名，Artificial Analysis 的智能指数是：Fable 5 60 分、GPT-5.6 Sol 59 分、K3 57 分。确实是第一梯队，但还不是最强。
还有一个数据值得注意：K3 的幻觉率从上一代的 39% 涨到了 51%。能力上去了，胡说八道的概率也上去了。这不是 Kimi 一家的问题，是整个行业的通病——能力越强的模型，幻觉往往也越自信、越难分辨。
开源？开放权重而已
Kimi K3 一直被叫做"开源模型"，但严格来说不是。
权重会在 7 月 27 日开放下载，Modified MIT 许可证。但训练代码、训练数据、架构细节，都不公开。KDA 注意力机制、Attention Residuals、Stable LatentMoE 路由框架、SiTU 激活函数——这些 K3 的核心创新，都只有名字，没有实现细节。
技术报告也还没发。说是"即将发布"。
这不是开源，是开放权重（open-weight）。你可以下载模型来用、来改，但你没法从 0 到 1 复现它。想知道这东西是怎么做出来的？对不起，保密。
这已经是中国大模型公司的标准操作了。DeepSeek 是这个路数，Qwen 也差不多。放权重拉生态，核心技术攥在自己手里。
对用户来说，开放权重当然比完全闭源好。你可以本地部署，可以二次开发，可以避免 API 依赖。但别真的以为这就是"开源"了。真正的开源，是连怎么训练的、用什么数据、踩了哪些坑，都公开给社区。
从 0 复现一个 K3 需要多少钱？有人估了一下：预训练 1500-2500 万美元，研发逆向工程 500-1000 万，后训练 RL 300-800 万，基础设施 200-500 万。加起来 2500-5000 万美元，还要 50 人以上的团队干 12-18 个月。
而且这还是假设你能搞到足够的 GPU。
算力才是真正的护城河
K3 发布两天就算力告急，这事比模型本身更说明问题。
模型架构可以抄，训练技巧可以学，权重甚至可以下载。但算力不行。你有多少 GPU、什么样的网络互连、多高的集群利用率、能不能持续拿到新的芯片——这些才是硬约束。
月之暗面不是小公司。估值 200 亿美元以上，融了好多轮钱，现金储备据说超百亿人民币。就这样，K3 一上线还是撑不住。
不是没钱买卡，是买不到。或者说，买到的速度赶不上用户增长的速度。
这不是 Kimi 一家的问题。智谱今年 1 月就因为 GLM-4.7 上线后用户增长太快，搞过 GLM Coding Plan 限售，每天只卖原来 20% 的量。MiniMax、DeepSeek 也都出过 API 过载或者服务中断的事。
海外巨头也一样。OpenAI 因为算力紧张，今年 3 月把 Sora 视频生成项目砍了。Anthropic 高峰期限制用户 token 额度，系统宕机也是家常便饭。
全行业都缺算力。而且缺的不只是 GPU 数量，还有整个基础设施栈——高速网络、电力供应、散热、机房空间、运维能力。这些东西不是有钱就能立刻搞定的，需要时间，需要供应链，需要工程能力。
模型能力的差距在缩小。K3 已经摸到了 Fable 5 和 GPT-5.6 Sol 的脚后跟。再过一代两代，追上也不是不可能。但算力的差距，可能反而在拉大。
谁能拿到更多、更好、更稳定的算力，谁才能笑到最后。模型做出来只是第一步，能稳定地、大规模地、低成本地跑起来，才是真正的竞争力。
为什么算力总是不够
有人可能会问：既然知道模型要发布，为什么不多准备点算力？
事情没那么简单。
首先，需求不可预测。K3 在前端开发榜拿了第一，海外反响远超预期，用户增长速度是团队"始料未及"的。你按预估的 2 倍准备，结果来了 5 倍的量，还是不够。
其次，大模型的算力需求不是线性的。K3 是 2.8 万亿参数的 MoE，虽然每 token 只激活 16 个专家，但显存占用还是巨大。推理至少需要 8 张 H100/H200 级别的 GPU，高吞吐场景要 64 卡的超级节点。而且 MoE 的专家负载均衡、all-to-all 通信，对网络要求极高，RoCEv2 或者 InfiniBand 一个都不能少。
换句话说，不是把 GPU 插上电就能跑。一整套集群基础设施，从网络到存储到运维，都得跟上。
第三，供给端确实紧张。高端 GPU 就那么几家在做，产能就那么多。全世界的 AI 公司都在抢。中国公司还多了一层限制——美国出口管制，最新的芯片拿不到或者拿得费劲。
结果就是：需求爆炸式增长，供给线性增长，缺口越来越大。
开源模型的尴尬
K3 算力荒还暴露了开放权重模型的一个尴尬处境：虽然权重是开放的，但大部分人其实跑不起来。
2.8 万亿参数，8 张 H100 才能推理——注意，是"至少"8 张。实际高并发场景下，需要的卡数要多得多。而且这 8 张卡还得高速互联，不是随便插在一台服务器上就行。
有多少公司有这个条件？
别说中小企业了，大部分互联网公司都没有。你说我可以用云啊——云厂商的 H100 实例不仅贵，还经常抢不到。
所以开放权重听起来很美，" democratize AI"什么的，但真正能跑起来的，还是那些有算力的大公司。对绝大多数开发者和企业来说，开放权重模型的实际使用方式还是：调用 API。
那跟闭源模型有什么区别？价格便宜点，仅此而已。
而且这里面还有个陷阱：MoE 模型的推理优化非常难。专家并行、负载均衡、尾延迟控制、量化——每一项都是工程难题。月之暗面自己有全套优化栈，跑起来性能好。你下载权重自己部署，没有这些优化，可能性能差一大截。
到最后，开放权重反而成了一种获客手段——先用免费的权重吸引你进来，等你发现自己部署又贵又麻烦，自然就转去用官方 API 了。
上市的节奏
算力荒的另一个注脚，是月之暗面的上市计划。
去年杨植麟还在内部信里说"短期内不着急上市"，现金超百亿，还能从一级市场募更多钱。结果今年就变了。5 月开始拆 VIE、拆红筹，为赴港 IPO 做准备。7 月 K3 发布后没多久，就向投资人发了上市议案，说最快 6 个月完成港股上市。
6 月 ARR 已经到了 3 亿美元，K3 发布后又数倍增长。看起来是形势大好，上市时机成熟。
但换个角度看：算力这么缺，扩算力要多少钱？买卡、建集群、租机房、招运维团队，都是吞金兽。光靠一级市场融资够不够？IPO 融一大笔钱砸算力，可能才是支撑下一轮增长的关键。
模型能力追上来了，接下来拼的就是谁能把规模做上去。规模靠什么？靠算力。算力靠什么？靠钱。钱从哪来？上市。
这个逻辑链，大概就是月之暗面急着上市的真正原因。
结语
Kimi K3 是个好模型。2.8 万亿参数、开源权重、前端开发榜第一、价格只有海外巨头的三分之一——这些都是实打实的成绩。中国大模型能做到这个水平，确实不容易。
但 48 小时算力告急这件事，也给所有人泼了一盆冷水。模型能力的突破只是上半场，算力、基础设施、工程化、商业化，这些才是下半场的主战场。
算法可以快速迭代，架构可以快速创新，但算力不行。芯片要造，机房要建，网络要铺，电要供。这些都需要时间，需要钱，需要产业链的整体进步。
未来一两年，大模型行业的竞争焦点，会从"谁的模型更强"，逐渐转向"谁的算力更足、谁的成本更低、谁的服务更稳"。
到那时候，真正的护城河，可能不是你有多少顶尖算法研究员，而是你手里有多少张 GPU。