Kimi K3：开放权重之后，创业者还要自己造什么

本期听什么

五个判断

1. 开放权重，不等于开放生产线。 Kimi K3 官方资料显示，它是二点八万亿参数的混合专家模型，使用 Kimi Delta Attention 和 Attention Residuals，并支持一百万 token 上下文；技术博客还披露了八百九十六个路由专家中每个 token 激活十六个专家。2 但节目讨论指出，权重只是一次训练的产物，真正能反复产生下一代权重的环境、验证和算力并没有全部开放。创业团队应把模型、数据、工具、部署、评测和反馈回路拆开，确认哪些能力换模型后仍然成立。
2. 不要用 token 单价替代任务账本。 长程 Agent 任务里，便宜模型可能因为绕路、重试和人工接管而更贵。更接近商业现实的指标是一次成功交付的总成本：模型调用、工具、缓存、存储、失败重试和人工时间都要算进去。节目中嘉宾还提醒，K3 的实际体验会受到 Serving Stack、前缀复用和 Harness 兼容性的影响。1
3. 长上下文的价值，必须和推理系统一起算。 K3 用 KDA 与全局注意力组成混合结构，让低成本的序列处理和周期性的全局访问协同工作。官方资料也强调了 KDA、Attention Residuals、百万 token 上下文以及缓存与部署方面的系统设计。2 产品评审不能只看上下文窗口大小，还要测首 token 延迟、有效信息保留率、前缀缓存命中率，以及长任务失败后的重新运行成本。
4. Harness 和环境可能才是可复用的生产线。 K3 的技术讨论把 Agent 环境拆成沙盒隔离、持久化轨迹、工具接口、上下文策略、Skills、Memory 和评测机制。对应用公司而言，Harness 不是一段提示词，而是规定模型能看到什么、能调用什么、如何保存状态和什么算完成的运行系统。换一个模型或工具后，任务还能否继续，是判断产品资产是否可迁移的关键。
5. 评测先于 RSI。 在 Kernel 优化这类有明确正确性和性能边界的任务里，模型可以在验证器约束下形成正反馈；但复杂产品功能、新闻质量和开放式研究，往往没有同样便宜而稳定的验收方法。1 先把成功和失败定义清楚，再讨论让模型自己生成数据、改进策略或编写工具。

一周内可以做的检查

• 画出产品的依赖图，把模型、数据、工具、环境、评测和反馈回路分开，标出可迁移资产。
• 为一个真实的高价值任务建立总成本表，记录重试、工具调用、缓存、存储、人工接管和失败机会成本。
• 做一次长上下文审计：哪些信息必须全局访问，哪些可以压缩，哪些应该丢弃。
• 做一次 Harness 替换测试，更换模型、工具或上下文策略，观察任务是否还能完成并解释状态。
• 给一个自动化任务补上稳定验证器，再讨论持续学习和自我改进。

带回团队的问题

• 如果明天所有竞争对手都拿到同一个开放权重，你们还拥有哪一部分可迁移的产品能力？
• 你们比较模型时，算的是 token 单价，还是一次成功任务的总成本？
• 一百万 token 的上下文里，哪些信息必须保留，哪些只是让系统更慢、更贵？
• 用户换一个工具、换一个模型、换一个工作流之后，Agent 还能不能工作？
• 你们想要的自我改进，有没有一个谁都能复现的验收标准？

素材边界