社区讨论：多数评论者认同，无论Kimi K3是通过蒸馏还是从头训练实现，美国前沿大模型实验室终究会迎来后发者追赶的结果。有用户实测，在相同编码任务中，Kimi K3耗时远长于OpenAI的模型，还耗尽了付费套餐的时长额度。关于Kimi实际效果存在分歧，有人认为它效果不如现有主流模型，当前讨论更多是对美国AI监管的反弹。

还有用户提醒，Kimi订阅用户的交互内容会被用来训练模型，仅API调用不会。

有人受够了 Claude Code 在会话中途阻止任务，还就验血问题对他们说教，所以他们通过 OpenCode 换成了 Kimi K3，每月花费 19 美元。具体配置步骤如下：

让 Codex 或 Claude Code 安装 OpenCode

前去注册账号，支付 19 美元/月的会员费

获取你的 API key

运行 OpenCode，输入 /connect 连接到 Kimi Code，粘贴 API key

按 Shift+Tab 将它设置为 BUILD 模式

进入 /settings，开启绕过权限

OpenRouter 会立刻触发速率限制，所以直接对接 Kimi 的 API 才是解决办法。连接成功后，Kimi K3 就可以无限制、不中断地运行了。

Kimi Business 会员现已支持企业订购，可为团队提供 Kimi Allegretto 套餐的全部权益，并搭配企业级服务支持。

核心特点：
> 最低 5 座起订，按年计费
> 支持企业对公转账与自助开票
> 支持企业级数据隐私保障与专属技术支持

如果您需要订购超过 20 座，可以下单多次，或联系 Kimi Business 团队：[email protected]

🔗获取 Kimi Business：
🔗常见问题：

社区讨论：多数从业者认可这是AI在前沿数学研究中的真实贡献。有人质疑结果尚未经过同行评审，而且这个提示词本身包含了研究者一年前置研究做的十页数学铺垫，并非真的只用一个提示词。部分人担忧大部分人类现有技能会因此变得无用，也有人指出未来低 hanging fruit 方向的研究将失去意义，人类只需聚焦需要全新思路的难题。

还有人调侃期待AI尽快将能力用在癌症治疗这类实际民生问题上。

好的，我现在明白了：「ChatGPT Work」其实就是「OpenAI Claw」。

社区讨论：多数人找不到给AI agent分配专属闲置硬件的杀手级使用场景，有人质疑24小时运行AI agent只是无意义的空谈。有人分享用旧M2运行Claude和openclaw体验不错，有人用虚拟机隔离运行AI就能满足需求，没必要单独占用实体硬件。还有人吐槽Anthropic的定价规则过于复杂，担心不小心产生高额费用，因此推迟尝试。

我们在内部搭建了一套完整的软件工程智能体工厂，并且将每一个组件都开源了。

@BraceSproul 的博客深入介绍了每一个组件、它们的用途，以及这些组件开源为什么重要。

社区讨论：多数用户分享了/goal指令的实际使用体验，有用户称它已经替代plan模式，成为自己95%AI工作里的固定流程；也有人认为它能帮助大模型记住核心指令，更适合单任务小规模搜索场景。有人质疑本次测试结果，指出只在大问题空间做单次评测，结果更接近噪声，还提到原图纵轴反转，标注“越低越好”造成视觉混淆。还有非企业用户反馈Claude在编码场景速度慢、修复问题能力差，远不及OpenAI的模型。

已经能感受到所有人对 Kimi K3 的喜爱了。以下是大家已经用它搭建出来的一些超棒作品，来欣赏一下 K3 吧。

用 Kimi Agent Swarm 搭建出了一个功能完整的 macOS 风格系统。

还原了《动物之森》的舒适美学风格、交互设计和游戏循环。

用 3D 资产生成工具创建骑手和马匹模型，制作出了包含森林、小木屋村庄、雪山和动态天气的广阔开放世界。

重构了一个 3D 地球仪表盘。

CS: GO × Portal 复刻作品——一款 FPS 游戏。

非常期待看到你用 Kimi K3 做出了什么作品！在你的项目里标记我们吧，我们会选出几位创作者送出年度会员抽奖资格。

哪怕是最聪明的模型，也懒得写集成测试——除非你拿枪顶着它们脑袋。它们会写一万个没用的单元测试，然后就交差完工了。

这是它们身上最像人类的行为。

笑死我了，我的技能有依赖项，比如说，我的强化技能调用了 mattpocock 的「拷问技能」，还调用了 anthropic 的「前端设计技能」。

太好笑了，如果依赖没安装的话，你们大家都是怎么处理的？

智能是对更优等价关系的迭代构建。

XGBoost 一直是表格数据的首选方案。从欺诈检测、信用评分到客户流失预测，它为无数现实世界的机器学习应用提供了支撑。

但 Google 刚刚推出了 TabFM，这是一个专门为表格数据构建的基础模型。它不需要为每个数据集重新训练模型，能够在零样本设置下对从未见过的表格做出预测，无需超参数调优，也不需要特征工程。

有意思的点在哪里？在 Google 的 TabArena 基准测试中，TabFM 的表现优于多个经过深度调优的梯度提升模型。

这是不是意味着 XGBoost 已经死了？完全不是。XGBoost 对结构化数据来说依然是最强、最可靠的选择之一。

但 TabFM 表明，表格基础模型正在成为不可小觑的竞争者。我们正在进入一个新阶段，传统机器学习和基础模型很可能会并存。

你怎么看？你会在下一个表格机器学习项目中尝试 TabFM 吗？

Huggingface: Github:

下一期AI模型发布播报：deepseek v4 🐳

AI 图像生成中一个被低估的用处，是它能帮你搞清楚农贸市场里哪些东西不能碰。

Fable 和 Sol 表现得就像它们不太清楚自己是 AI 一样。

Fable 认为完成一项大型任务需要一个月的时间。

Sol Pro 试图给调用 Sol 的 LLM 请求强制执行边界与 discipline 结构（中等成本），而在这些场景里，Sol 本可以更轻松地输出和读取自由格式的英语。

“Pet”到底是什么鬼，为什么OpenAI要把Codex改造成Windows，还引入像Clippy这种毫无实用价值的垃圾功能？

既然Codex仍然存在这么多严重问题，为什么还要让高薪工程师花时间做这种功能？

OpenAI应该把资源集中在提升性能、防止间歇性崩溃，以及修复用户开始输入时出现的卡死问题上。

我注意到自从上次更新之后，出现了严重的性能问题。有什么问题

人们口中所说的「非法蒸馏」就是：支付正规的API费用使用AI，向它问一大堆问题，然后把答案整合进一个结构化数据集里。

难道只有我看不出这么做有任何问题吗？

我的天……这居然是AI？

我真的很想在Kimi网页端试用Kimi K3，但过去两天我反复尝试，还是没得到任何响应。

大家都是怎么使用K3的？API的正常运行时长表现好吗？

Kimi的推理需要多得多的GPU。

theo，我喜欢你的观点，但我必须不同意：a) 现在说的成本是当前水平，这还是在推理供应商拿到权重、完成性能优化之前的成本。

b) 对于大型机构，他们会获得模型的专属节点。他们不是按 token 付费，而是按 GPU 小时付费。这点影响极大。他们拥有自己的端点，能省下巨额成本，模型永远不会宕机（真的，永远不会）。

c) 护栏规则由你自己掌控。你不必看实验室脸色，任由它决定你花钱买的 token 能做什么、不能做什么。

d) 最重要的是，你永远不用担心闭源模型在幕后搞鬼、把模型改得越来越差。权重就在你手里，如果有改动，所有人都能看见，不需要瞎猜……（而就像你自己的目录展示的那样，猜来猜去可是个全职工作）

我的感觉是，美国公司开始发力了：举几个例子——@thinkymachines 的 inkling，@nvidia 的 nemotron。我不是说这些是前沿模型，或者能和 kimik3 / glm5 抗衡……中国实验室做得非常出色。但我不认为开源模型的未来会只绑定在一个国家身上。

> 开放权重模型本质上是减速主义的

不被AI洗脑意味着这类人：
- 不会永不止步地保持好奇
- 没有行动偏好
- 不下长期赌注
- 没有超出常理的韧性

这就是为什么直接在面试中先考察AI素养会更简单。如果他们过不了这关，就不适合你的组织。

我们在面试中会考察以下几点：
- 他们会主动分享Github，且账号保持活跃
- 他们会分享自己在用的工具套件，以及已经搭建完成的作品
- 更重要的是，他们能分享已经投入生产、并且带来了某种形式ROI的项目
- 他们有合理的月度AI预算
- 他们会持续跟进最新的热点技术

我们面试过的人中，只有不到1%称得上被AI洗脑，而这太不像话了。

到目前为止，这个模型表现非常出色：……在缩短了思考时间之后，我甚至可能更喜欢它，胜过 Qwen3.6 35B-A3B 模型。

尤其是这个模型还支持视觉能力。我本来一直也是 MoE 模型的爱好者。

让实习生参与真实工作，是AI实验室非常独特的做法。我认识的很多其他公司都不会让实习生做太多工作。

我认为这很大程度上是因为AI研究脱胎于大学实验室；不少创始人要么是刚毕业的学生，要么就像GLM的情况那样，本身就是正牌教授。

但我觉得这件事真正体现出来的，是人才的深度。昨天我们@TechChinaTrek 行程最后一天，邀请了三位清华大学在读工科研究生作为嘉宾发言，他们全都聪明得惊人。

我认为中国还有成千上万和他们一样优秀的年轻人。他们都懂如何努力，理解延迟满足，学术训练也极其扎实。

关注我有一段时间的人都知道我怎么看中国高压的学习环境。但与此同时，你没法不对熬过这种压力、最终走出来的年轻人感到惊叹。

只不过这个过程确实会让人失去很多，而且说实话，大部分孩子可能都撑不下来。

由 deepagents 驱动的开源深度研究！

Disney 悄悄在 YouTube 上推出了一部名为《Ozzy Fox》的全新儿童 AI 粗制滥造系列片，由法国 AI 动画公司 Animaj 打造。

仅两天时间，头两集的总播放量就已经接近了 80 万次。

Tripo AI 将在 SIGGRAPH 2026 发表主题演讲

Tripo AI 首席科学家曹炎培博士将于 7 月 22 日登上 SIGGRAPH 的演讲台。

他将分享 Tripo 在 3D 生成式 AI、世界模型和 AI 原生创作方向的最新研究，深入探讨生成式 3D 如何变得更具交互性和可用性。

活动时间：太平洋夏令时 7 月 22 日下午 2:30 - 3:30
活动地点：洛杉矶会展中心 K 馆

直播观看地址：

这是中国整体“开放”AI战略的一部分。目标是破坏美国的经济稳定。

而美国至今还没搞清楚合理使用问题，关于AI训练的这个事项，最高法院最早要到2027年才会做出裁决，具体取决于联邦法院是否受理。

提醒一下，Prinzbench 考察的更多是第一方搜索实现，而非模型能力，这就是为什么 Grok 4.20 相对于它在常规 LLM 任务中的排名表现得这么强。

Kimi 服务真的很棒。

基于 deepagents 构建的 GPT Researcher，是入门搭建深度研究智能体最简单的方式。

讨厌欧洲的人没意识到，只要你肯用心发掘，这里其实拥有全球顶尖水平的一批 AI 工程师。

我们基本就是在运营 AI 人才领域竞争最激烈的全球竞技场——按演讲和工坊的参与规模来衡量的话。

等到 WF 进入评估阶段，再看这件事的走向会非常有意思。

1. 在agent harness之上构建工作流图 2. 通过外部智能体循环动态创建该图……重复，生命本身就是一个循环（也是一张图）

不要过度工程化。不要把这个快速POC原型做成你见过的最严苛测试、最安全、最精美工程化的仓库。

不到20小时之后，周配额的70%已经用完了。

这就是过度工程化。它根本没法用。

智能体：同意。

Dcode、openswe、openswe review、open wiki……所有这些加起来，就是一个完整的全开源软件工厂。

语境与清晰度很重要。在这件事上，这个人没说错。

我可以以亲身经历告诉你：目前的「安全」机制不起作用，未来也不会起作用。

最近 Anthropic 的 Mythos/Fable 闹剧就是最发人深省的例子。AI 安全与对齐至今仍是事后补充，只是一层轻易就能剥离的涂层，还会以最糟糕的方式主动阻碍、降低如今模型的性能——偏见、宣传、审查还有逢迎。

我对于如何修复这个问题有一些想法，而解决它需要从零开始，在架构和训练体系上取得完全不同的突破。

如果各国政府想要提供帮助，为这类研究提供经费并公开共享成果就是第一步。谢谢你，Dean！

# THE PREDICTION AI ENGINE

我花了超过16个月打造了这个AI模型，它在Kalshi等平台的预测市场数据上训练，通过对照市场价格估算事件真实概率，来识别高预期价值（+EV）交易。

该模型运用Claude Shannon的信息论概念，比如熵和信噪比，来过滤人群偏见、情绪羊群效应和人类行为中的噪声，同时将混沌数学纳入，用于处理非线性动力学和体制转移。

它将预测市场定位为对冲工具而非赌博，帮助人们更好地应对技术里程碑和宏观事件等领域的不确定性，目前该模型在分散选股中平均拥有+18.7%的优势。

阅读更多：

这就是 Moonshot AI 能够推出 Kimi K3 的原因：

Fable 5 仍然是我最喜欢的模型，但我大部分任务都用 GPT 5.6 Sol 来做。

只是从 token 消耗来看，所有工作都用 Fable 5 来做是吃不消的。

我现在大概应该学着把两者结合起来用了。

你可以把K3当作教师模型（带有logits！）来训练更小的稠密模型。

实际上，你甚至可以用它来创建一个万亿token的全预训练和后训练数据集，用来训练性能更好的模型，这完全可行。

Kimi K3 到处都是热搜，但没人展示该怎么用它。

这位老兄发了一个17分钟的教程，讲怎么用 Kimi 设计完整网页。

有趣 + 不错的测试

gangprompting 又一次帮到我了：我开了一个串，研究一个我完全不了解的想法，开启了对话。

dax 加入进来，带来他的知识，给智能体指出了更有方向的路径。

这就是未来。

一款基于预测市场训练的新型AI模型如何将人类行为解码，形成全新认知。以及 Claude Shannon 如何帮助把一场可能的赌博变成对未来的对冲。了解更多：

下一期AI模型发布播报：deepseek v4 🐳

我们在内部搭建了一套完整的软件工程智能体工厂，并且将每一个组件都开源了。

@BraceSproul 的博客深入介绍了每一个组件、它们的用途，以及这些组件开源为什么重要。

# THE PREDICTION AI ENGINE

我花了超过16个月打造了这个AI模型，它在Kalshi等平台的预测市场数据上训练，通过对照市场价格估算事件真实概率，来识别高预期价值（+EV）交易。

该模型运用Claude Shannon的信息论概念，比如熵和信噪比，来过滤人群偏见、情绪羊群效应和人类行为中的噪声，同时将混沌数学纳入，用于处理非线性动力学和体制转移。

它将预测市场定位为对冲工具而非赌博，帮助人们更好地应对技术里程碑和宏观事件等领域的不确定性，目前该模型在分散选股中平均拥有+18.7%的优势。

阅读更多：

Dcode、openswe、openswe review、open wiki……所有这些加起来，就是一个完整的全开源软件工厂。

基于 deepagents 构建的 GPT Researcher，是入门搭建深度研究智能体最简单的方式。

哪怕是最聪明的模型，也懒得写集成测试——除非你拿枪顶着它们脑袋。它们会写一万个没用的单元测试，然后就交差完工了。

这是它们身上最像人类的行为。

笑死我了，我的技能有依赖项，比如说，我的强化技能调用了 mattpocock 的「拷问技能」，还调用了 anthropic 的「前端设计技能」。

太好笑了，如果依赖没安装的话，你们大家都是怎么处理的？

智能是对更优等价关系的迭代构建。

XGBoost 一直是表格数据的首选方案。从欺诈检测、信用评分到客户流失预测，它为无数现实世界的机器学习应用提供了支撑。

但 Google 刚刚推出了 TabFM，这是一个专门为表格数据构建的基础模型。它不需要为每个数据集重新训练模型，能够在零样本设置下对从未见过的表格做出预测，无需超参数调优，也不需要特征工程。

有意思的点在哪里？在 Google 的 TabArena 基准测试中，TabFM 的表现优于多个经过深度调优的梯度提升模型。

这是不是意味着 XGBoost 已经死了？完全不是。XGBoost 对结构化数据来说依然是最强、最可靠的选择之一。

但 TabFM 表明，表格基础模型正在成为不可小觑的竞争者。我们正在进入一个新阶段，传统机器学习和基础模型很可能会并存。

你怎么看？你会在下一个表格机器学习项目中尝试 TabFM 吗？

Huggingface: Github:

社区讨论：多数评论者认同，无论Kimi K3是通过蒸馏还是从头训练实现，美国前沿大模型实验室终究会迎来后发者追赶的结果。有用户实测，在相同编码任务中，Kimi K3耗时远长于OpenAI的模型，还耗尽了付费套餐的时长额度。关于Kimi实际效果存在分歧，有人认为它效果不如现有主流模型，当前讨论更多是对美国AI监管的反弹。

还有用户提醒，Kimi订阅用户的交互内容会被用来训练模型，仅API调用不会。

这就是 Moonshot AI 能够推出 Kimi K3 的原因：

> 开放权重模型本质上是减速主义的

不被AI洗脑意味着这类人：
- 不会永不止步地保持好奇
- 没有行动偏好
- 不下长期赌注
- 没有超出常理的韧性

这就是为什么直接在面试中先考察AI素养会更简单。如果他们过不了这关，就不适合你的组织。

我们在面试中会考察以下几点：
- 他们会主动分享Github，且账号保持活跃
- 他们会分享自己在用的工具套件，以及已经搭建完成的作品
- 更重要的是，他们能分享已经投入生产、并且带来了某种形式ROI的项目
- 他们有合理的月度AI预算
- 他们会持续跟进最新的热点技术

我们面试过的人中，只有不到1%称得上被AI洗脑，而这太不像话了。

到目前为止，这个模型表现非常出色：……在缩短了思考时间之后，我甚至可能更喜欢它，胜过 Qwen3.6 35B-A3B 模型。

尤其是这个模型还支持视觉能力。我本来一直也是 MoE 模型的爱好者。

让实习生参与真实工作，是AI实验室非常独特的做法。我认识的很多其他公司都不会让实习生做太多工作。

我认为这很大程度上是因为AI研究脱胎于大学实验室；不少创始人要么是刚毕业的学生，要么就像GLM的情况那样，本身就是正牌教授。

但我觉得这件事真正体现出来的，是人才的深度。昨天我们@TechChinaTrek 行程最后一天，邀请了三位清华大学在读工科研究生作为嘉宾发言，他们全都聪明得惊人。

我认为中国还有成千上万和他们一样优秀的年轻人。他们都懂如何努力，理解延迟满足，学术训练也极其扎实。

关注我有一段时间的人都知道我怎么看中国高压的学习环境。但与此同时，你没法不对熬过这种压力、最终走出来的年轻人感到惊叹。

只不过这个过程确实会让人失去很多，而且说实话，大部分孩子可能都撑不下来。

由 deepagents 驱动的开源深度研究！

Disney 悄悄在 YouTube 上推出了一部名为《Ozzy Fox》的全新儿童 AI 粗制滥造系列片，由法国 AI 动画公司 Animaj 打造。

仅两天时间，头两集的总播放量就已经接近了 80 万次。

Tripo AI 将在 SIGGRAPH 2026 发表主题演讲

Tripo AI 首席科学家曹炎培博士将于 7 月 22 日登上 SIGGRAPH 的演讲台。

他将分享 Tripo 在 3D 生成式 AI、世界模型和 AI 原生创作方向的最新研究，深入探讨生成式 3D 如何变得更具交互性和可用性。

活动时间：太平洋夏令时 7 月 22 日下午 2:30 - 3:30
活动地点：洛杉矶会展中心 K 馆

直播观看地址：

社区讨论：多数用户分享了/goal指令的实际使用体验，有用户称它已经替代plan模式，成为自己95%AI工作里的固定流程；也有人认为它能帮助大模型记住核心指令，更适合单任务小规模搜索场景。有人质疑本次测试结果，指出只在大问题空间做单次评测，结果更接近噪声，还提到原图纵轴反转，标注“越低越好”造成视觉混淆。还有非企业用户反馈Claude在编码场景速度慢、修复问题能力差，远不及OpenAI的模型。

社区讨论：多数人找不到给AI agent分配专属闲置硬件的杀手级使用场景，有人质疑24小时运行AI agent只是无意义的空谈。有人分享用旧M2运行Claude和openclaw体验不错，有人用虚拟机隔离运行AI就能满足需求，没必要单独占用实体硬件。还有人吐槽Anthropic的定价规则过于复杂，担心不小心产生高额费用，因此推迟尝试。

社区讨论：多数从业者认可这是AI在前沿数学研究中的真实贡献。有人质疑结果尚未经过同行评审，而且这个提示词本身包含了研究者一年前置研究做的十页数学铺垫，并非真的只用一个提示词。部分人担忧大部分人类现有技能会因此变得无用，也有人指出未来低 hanging fruit 方向的研究将失去意义，人类只需聚焦需要全新思路的难题。

还有人调侃期待AI尽快将能力用在癌症治疗这类实际民生问题上。

“Pet”到底是什么鬼，为什么OpenAI要把Codex改造成Windows，还引入像Clippy这种毫无实用价值的垃圾功能？

既然Codex仍然存在这么多严重问题，为什么还要让高薪工程师花时间做这种功能？

OpenAI应该把资源集中在提升性能、防止间歇性崩溃，以及修复用户开始输入时出现的卡死问题上。

我注意到自从上次更新之后，出现了严重的性能问题。有什么问题

人们口中所说的「非法蒸馏」就是：支付正规的API费用使用AI，向它问一大堆问题，然后把答案整合进一个结构化数据集里。

难道只有我看不出这么做有任何问题吗？

Fable 和 Sol 表现得就像它们不太清楚自己是 AI 一样。

Fable 认为完成一项大型任务需要一个月的时间。

Sol Pro 试图给调用 Sol 的 LLM 请求强制执行边界与 discipline 结构（中等成本），而在这些场景里，Sol 本可以更轻松地输出和读取自由格式的英语。

AI 图像生成中一个被低估的用处，是它能帮你搞清楚农贸市场里哪些东西不能碰。

好的，我现在明白了：「ChatGPT Work」其实就是「OpenAI Claw」。

语境与清晰度很重要。在这件事上，这个人没说错。

我可以以亲身经历告诉你：目前的「安全」机制不起作用，未来也不会起作用。

最近 Anthropic 的 Mythos/Fable 闹剧就是最发人深省的例子。AI 安全与对齐至今仍是事后补充，只是一层轻易就能剥离的涂层，还会以最糟糕的方式主动阻碍、降低如今模型的性能——偏见、宣传、审查还有逢迎。

我对于如何修复这个问题有一些想法，而解决它需要从零开始，在架构和训练体系上取得完全不同的突破。

如果各国政府想要提供帮助，为这类研究提供经费并公开共享成果就是第一步。谢谢你，Dean！

不要过度工程化。不要把这个快速POC原型做成你见过的最严苛测试、最安全、最精美工程化的仓库。

不到20小时之后，周配额的70%已经用完了。

这就是过度工程化。它根本没法用。

智能体：同意。

讨厌欧洲的人没意识到，只要你肯用心发掘，这里其实拥有全球顶尖水平的一批 AI 工程师。

我们基本就是在运营 AI 人才领域竞争最激烈的全球竞技场——按演讲和工坊的参与规模来衡量的话。

等到 WF 进入评估阶段，再看这件事的走向会非常有意思。

提醒一下，Prinzbench 考察的更多是第一方搜索实现，而非模型能力，这就是为什么 Grok 4.20 相对于它在常规 LLM 任务中的排名表现得这么强。

Kimi 服务真的很棒。

这是中国整体“开放”AI战略的一部分。目标是破坏美国的经济稳定。

而美国至今还没搞清楚合理使用问题，关于AI训练的这个事项，最高法院最早要到2027年才会做出裁决，具体取决于联邦法院是否受理。

有人受够了 Claude Code 在会话中途阻止任务，还就验血问题对他们说教，所以他们通过 OpenCode 换成了 Kimi K3，每月花费 19 美元。具体配置步骤如下：

让 Codex 或 Claude Code 安装 OpenCode

前去注册账号，支付 19 美元/月的会员费

获取你的 API key

运行 OpenCode，输入 /connect 连接到 Kimi Code，粘贴 API key

按 Shift+Tab 将它设置为 BUILD 模式

进入 /settings，开启绕过权限

OpenRouter 会立刻触发速率限制，所以直接对接 Kimi 的 API 才是解决办法。连接成功后，Kimi K3 就可以无限制、不中断地运行了。

Fable 5 仍然是我最喜欢的模型，但我大部分任务都用 GPT 5.6 Sol 来做。

只是从 token 消耗来看，所有工作都用 Fable 5 来做是吃不消的。

我现在大概应该学着把两者结合起来用了。

Kimi K3 到处都是热搜，但没人展示该怎么用它。

这位老兄发了一个17分钟的教程，讲怎么用 Kimi 设计完整网页。

1. 在agent harness之上构建工作流图 2. 通过外部智能体循环动态创建该图……重复，生命本身就是一个循环（也是一张图）

你可以把K3当作教师模型（带有logits！）来训练更小的稠密模型。

实际上，你甚至可以用它来创建一个万亿token的全预训练和后训练数据集，用来训练性能更好的模型，这完全可行。

一款基于预测市场训练的新型AI模型如何将人类行为解码，形成全新认知。以及 Claude Shannon 如何帮助把一场可能的赌博变成对未来的对冲。了解更多：

已经能感受到所有人对 Kimi K3 的喜爱了。以下是大家已经用它搭建出来的一些超棒作品，来欣赏一下 K3 吧。

用 Kimi Agent Swarm 搭建出了一个功能完整的 macOS 风格系统。

还原了《动物之森》的舒适美学风格、交互设计和游戏循环。

用 3D 资产生成工具创建骑手和马匹模型，制作出了包含森林、小木屋村庄、雪山和动态天气的广阔开放世界。

重构了一个 3D 地球仪表盘。

CS: GO × Portal 复刻作品——一款 FPS 游戏。

非常期待看到你用 Kimi K3 做出了什么作品！在你的项目里标记我们吧，我们会选出几位创作者送出年度会员抽奖资格。

gangprompting 又一次帮到我了：我开了一个串，研究一个我完全不了解的想法，开启了对话。

dax 加入进来，带来他的知识，给智能体指出了更有方向的路径。

这就是未来。

有趣 + 不错的测试

Kimi Business 会员现已支持企业订购，可为团队提供 Kimi Allegretto 套餐的全部权益，并搭配企业级服务支持。

核心特点：
> 最低 5 座起订，按年计费
> 支持企业对公转账与自助开票
> 支持企业级数据隐私保障与专属技术支持

如果您需要订购超过 20 座，可以下单多次，或联系 Kimi Business 团队：[email protected]

🔗获取 Kimi Business：
🔗常见问题：

theo，我喜欢你的观点，但我必须不同意：a) 现在说的成本是当前水平，这还是在推理供应商拿到权重、完成性能优化之前的成本。

b) 对于大型机构，他们会获得模型的专属节点。他们不是按 token 付费，而是按 GPU 小时付费。这点影响极大。他们拥有自己的端点，能省下巨额成本，模型永远不会宕机（真的，永远不会）。

c) 护栏规则由你自己掌控。你不必看实验室脸色，任由它决定你花钱买的 token 能做什么、不能做什么。

d) 最重要的是，你永远不用担心闭源模型在幕后搞鬼、把模型改得越来越差。权重就在你手里，如果有改动，所有人都能看见，不需要瞎猜……（而就像你自己的目录展示的那样，猜来猜去可是个全职工作）

我的感觉是，美国公司开始发力了：举几个例子——@thinkymachines 的 inkling，@nvidia 的 nemotron。我不是说这些是前沿模型，或者能和 kimik3 / glm5 抗衡……中国实验室做得非常出色。但我不认为开源模型的未来会只绑定在一个国家身上。

我真的很想在Kimi网页端试用Kimi K3，但过去两天我反复尝试，还是没得到任何响应。

大家都是怎么使用K3的？API的正常运行时长表现好吗？

Kimi的推理需要多得多的GPU。

我的天……这居然是AI？