3 万亿参数，中国开源模型第一次追到美国顶级闭源的射程内
Moonshot AI 即将发布 Kimi K3，据《金融时报》引述知情人士报道，该模型参数量在 2 万亿到 3 万亿之间，是目前中国公开的参数规模最大的开源大语言模型。业内预计其综合性能接近 Anthropic 的 Opus 4.8——这是目前美国最顶级的闭源模型之一。
要理解这个数字的意义，先看对比基准。Meta 的 Llama 3.1 405B 参数量约为 4000 亿，DeepSeek-V3 的 MoE 架构总参数约 6700 亿，而 Kimi K3 直接跳跃到万亿级别。即便 MoE 架构下每次推理只激活部分参数，总参数量的增长仍然意味着模型在多模态理解、长上下文窗口和复杂推理任务上的容量天花板显著提高。
Moonshot AI 在过去一年的成长轨迹值得关注。Kimi 系列从最初的 128K 长上下文能力起步，在学生和知识工作者群体中积累了忠实用户。Kimi K2 在今年初发布后，单月 API 调用量超过 10 亿次，直接推动 Moonshot 成为中国增速最快的 AI 创业公司之一。Kimi K3 的发布将进一步巩固其在国产大模型第一梯队的位置。
开源策略是 Kimi K3 最具战略价值的选择。当 OpenAI、Anthropic、Google 均选择将顶级模型闭源时，开源模型正在形成另一条增长路线。DeepSeek 开源后全球开发者社区的活跃度证明，开源并不意味着商业价值损失——相反，企业定制部署、垂直场景微调和生态锁定能力都在开源模式下有了更多可能性。Kimi K3 若成功开源，将直接挑战 Meta Llama 的开源霸主地位。
中国大模型赛道的竞争正在从参数规模转向实用能力。Kimi K3 需要证明的不仅仅是跑分数字，更是在中文写作、法律文书、金融分析等本土化场景中对 OpenAI 和 Anthropic 的实际超越。参数量只是入场券，真正决定胜负的是模型在复杂中文任务中的可靠性和一致性。
从产业链角度看，万亿参数模型的训练成本极为惊人，动辄需要上万张高端加速卡连续运算数月，电力和算力开销以亿元计。中国厂商在美国芯片出口管制的背景下能够训练出如此规模的模型，说明国产算力集群和分布式训练技术已经取得实质性突破。这不仅是单个公司的技术胜利，更反映出中国整个人工智能基础设施在受限环境下的自我造血能力，对于评估未来几年中美人工智能竞赛的走向具有风向标意义。
中美大模型竞赛正进入一个新的阶段，比拼的不再是参数规模的简单堆叠，而是如何在训练效率、推理速度和垂直场景适配上建立可持续的竞争优势。中国公司在资金规模上仍与美国头部实验室存在差距，但在训练数据的中文多样性、本土化落地的场景覆盖和开源社区的建设效率上具有结构性优势。如果能够持续保持这种差异化的竞争力，中国大模型在全球市场上的影响力将不局限于本土。