Kimi K3：开放权重之后，创业者还要自己造什么 (2026)

本期听什么

Kimi K3 把开放权重、长上下文和 Agent 能力推到一个新的讨论位置。但对 AI 产品团队来说，更重要的问题不是模型参数有多大，而是开放权重之后，产品公司的价值还剩在哪里。本期从《晚点聊 LateTalk》第 177 期的完整公开音频与全量 ASR 出发，提炼五个判断：权重开放不等于生产下一代模型的流水线开放；模型选择要看一次成功任务的总成本；长上下文必须和推理系统一起评估；Agent Harness 和环境可能是更可复用的产品资产；持续学习之前，团队要先把评测做对。1

五个判断

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。
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
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。
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。
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

本期使用《晚点聊 LateTalk》第 177 期的完整公开音频，并对全长音频完成三说话人 ASR；原节目没有提供官方逐字稿。成品中保留了五段可按原始音频时间对齐的嘉宾原声：曾志远约 15 分 12 秒至 15 分 57 秒、约 1 小时 47 分 36 秒至 1 小时 48 分 11 秒；赵晨阳约 26 分 51 秒至 27 分 30 秒、约 39 分 37 秒至 40 分 10 秒、约 1 小时 37 分 33 秒至 1 小时 38 分 20 秒。其余内容是本频道的二次分析与口语化转述，不冒充嘉宾逐字表达。Kimi K3 的模型规模、架构和开放权重信息以官方技术博客与技术报告为核对材料。1 2 3

References

1
《晚点聊 LateTalk》第177期原始公开音频
aphid.fireside.fm
2
Kimi K3 官方技术博客
kimi.com
3
Kimi K3 技术报告
arxiv.org

本期听什么

五个判断

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。

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

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。

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。

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

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

一周内可以做的检查

带回团队的问题

素材边界

References

Related content

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

一周内可以做的检查

带回团队的问题

素材边界

References

Related content