比特红人馆 | 对话Gartner张桐：Kimi K3登顶之后，大模型的竞争规则变了吗？

  从DeepSeek R1破解推理链路，到Kimi K3以架构优化降低3T级模型训练门槛，开源大模型正在经历一场质变。前者以有限算力突破推理技术壁垒，验证高效路线的可行性;后者凭架构创新逼近一线模型能力，打开开源商业化的新格局。

  2026年7月17日，月之暗面发布新一代开源模型Kimi K3。这款总参数达2.8万亿、激活参数约1040亿的MoE模型，在编程榜单Frontend Code Arena上首次实现开源模型超越头部闭源模型登顶，标志着开源大模型在核心能力上迈过了关键分水岭。

  这一成绩也让技术路线、商业模式、产业链格局等一系列深层讨论迅速升温。日前，比特网采访到Gartner高级研究总监张桐，就K3的技术突破、商业创新及其对产业链的深远影响展开了深度分享。

  Agentic能力：差异化竞争的技术高地

  在K3发布之前，多数企业默认顶尖能力由闭源模型垄断，开源模型仅能覆盖对性能要求不高、对成本敏感的场景。

  K3的出现正在打破这一印象。作为万亿参数级别的开源模型，架构优化和对注意力机制的创新降低了训练算力需要的门槛，同时在核心能力上大幅缩小了与全球顶尖闭源模型的差距，甚至在特定编程和长任务赛道比肩顶级模型。

  在张桐看来，K3最核心的技术辨识度在于其Agentic能力，这一优势在各类行业榜单中均得到印证。长文本与长程任务处理能力是支撑Agent落地的基础，而这正是Kimi团队长期深耕的技术方向。从最早提出长文本能力到如今支撑长时间、高复杂度的自主任务执行，这条技术路线已经从差异化特色演变为行业共识，所有第一梯队模型都将长程任务能力作为迭代方向。

  但高自主性是把双刃剑，搭配开放权重的特性，也带来了新的安全挑战。对此，张桐指出，所有开源模型的特性都是一体两面的，开放权重赋予了企业更高的定制化自由度，同时也意味着风险更难被统一管控。现阶段将这类高自主性模型接入生产环境，最大的系统性风险在于，如果企业没有搭建完善的安全护栏，外部攻击的实施难度会显著低于闭源模型。

  但他同时强调，这并非“开源不安全、闭源就安全”的二元对立。部分闭源模型在极端测试场景下，反而会阻止用户开展安全风控测试。由此可见，真正的挑战不在于模型本身的开源或闭源形态，而在于企业是否具备围绕模型搭建完整安全策略与防护体系的能力。

  商业破局：开源模型的可持续新路径

  K3的另一个重大突破，在于商业模式层面的创新。张桐特别提到，月之暗面借鉴了Meta的授权思路，为K3设计了专门的商业许可协议，同时推出供应商认证机制。当服务商通过K3获得的利润达到一定规模时，需要标注K3标识或进行收益分成。

  这种模式既不同于Apache、MIT协议的完全无偿开放，也不同于闭源模型的高门槛溢价，走出了一条“开放权重+商业授权”的中间路线。张桐指出，开源不等于无私奉献，技术研发需要持续的资金投入，只有建立可持续的商业模式，开源生态才能健康发展。K3的这套模式，既保留了开源的开放性与生态活力，又为研发方提供了商业回报的路径，比传统开源协议更具商业生命力，也比闭源模型更具成本优势。

  这套商业模式的跑通，对月之暗面自身的发展也至关重要。张桐认为，张予彤(月之暗面联合创始人兼总裁)加入后主导的商业化体系，补齐了公司此前技术强、商业弱的短板。如果生态分成的路径走通，不仅能直接贡献B端收入，也会大幅改善市场对其IPO的预期，估值和上市进程都有望得到提振。更深远的影响在于行业示范效应。张桐观察到，已经有其他模型厂商开始效仿类似的授权模式，企业的接受度只是时间问题。

  不难看出，当开源厂商能够通过生态授权获得稳定收入，就有更多资金投入下一代模型研发，进而形成从技术突破到生态繁荣再到商业反哺的正向循环。

  产业链重构：MaaS成最大赢家

  一款标杆级开源模型的发布，最先冲击的是产业链的利益分配格局。张桐从供需两端切入，拆解了K3开源浪潮中的受益者与挑战者。

  从供给侧来看，MaaS(模型即服务)厂商是这波开源红利的最大直接受益者。K3作为一款拥有2.8万亿参数的超大模型，普通企业本地部署门槛极高，既需要充足的高端算力设备，也需要极强的工程化能力。而Together AI、Fireworks等海外MaaS厂商在模型发布首日就上线了K3服务，让用户能够快速获取模型能力，自然也收获了海量流量与商业收益。用户通过API调用省去了硬件采购、部署运维的复杂流程;MaaS厂商接入顶尖开源模型直接强化了自身的产品竞争力，这无疑是双赢的局面。

  云厂商与电信运营商同样迎来新的机遇。MoE架构对集群内部网络传输要求极高，恰好匹配算力云平台的服务定位。运营商布局AI算力服务，接入K3这类开源模型，本质上是找到了新的变现路径，通过提供Token服务叠加增值能力实现盈利。但张桐也指出，这条赛道并非没有竞争，互联网云厂商同样在快速布局相关能力，最终的核心竞争力落在Token优化效率、缓存管理、成本控制等工程细节上。类似硅基流动这类企业之所以受到市场关注，正是因为在部署优化上建立了自身的技术壁垒。值得注意的是，Day0适配已经成为衡量厂商部署能力的硬核指标，能够在模型发布当天完成上线，本身就代表了极强的工程落地能力。

  与之相对，头部闭源模型厂商正面临最直接的挑战。过去顶尖闭源模型的不可替代性，是其高定价与强话语权的核心支撑;而当开源模型在能力上快速逼近，同时还具备更高的性价比、更少的使用限制时，客户的替代意愿会显著提升。张桐认为，这种替代性的增强甚至可能对头部闭源厂商的估值产生影响。尤其是近期主流闭源模型不断增加使用限制，给企业业务带来诸多负面影响，进一步放大了客户寻求替代方案的动力。

  可以说，MaaS正在成为超大参数开源模型落地的主流路径，部署与优化能力取代模型本身，成为产业链中新的核心差异化壁垒。同样部署一套开源模型，不同厂商在延迟、错误率、并发能力上的表现差异极大，这背后是硬件配置、集群网络、并发调度等综合工程能力的差距。这种差异也决定了，并非所有玩家都能吃到开源红利，只有工程能力过硬的厂商才能将模型能力转化为稳定的服务体验。

  企业落地：从盲目追新到精细化选型

  如果说MaaS厂商解决了交付问题，那么对于企业用户而言，真正的考验才刚刚开始。模型能力趋于接近、调用方式趋于同质化，企业自身的选择策略变得比以往更关键。

  K3击中了企业的两大痛点：一是相对高的性价比，二是摆脱对单一闭源厂商的依赖。过去企业使用顶尖闭源模型，既要承担高昂的Token成本，还要面对各种使用限制带来的业务不确定性。K3在能力接近的前提下，成本优势显著，同时开放权重的特性也让企业拥有更高的可控性。

  不过，需要指出的是，企业即便通过MaaS厂商调用K3，仍需面对一个复杂的决策链条：到底哪些场景适合用K3？本地部署和API调用如何取舍？多模型并行时怎么搭配最划算？

  先看部署路径的选择。张桐坦言，K3的本地部署成本并不低，单机无法流畅运行，往往需要数台高端算力设备组成集群，对普通企业来说门槛很高。即便技术能力较强的团队，从硬件到位到完成部署也需要数周时间。这意味着本地部署本质上已经变成一道"算力门槛题"，而非常规的技术选型题。 绝大多数企业并不适合自建部署，通过MaaS厂商或超大规模云厂商获取服务，依然是更高效的选择。

  比部署路径更隐蔽的决策变量，来自模型迭代与切换的频率。开源大模型迭代速度极快，企业如果选择本地部署，很难跟上模型更新的节奏;每次切换模型都需要大量的适配调整工作，无法快速享受最新模型的技术红利。正因如此，张桐认为，企业选择MaaS模式本质上是用轻量化的服务成本，规避重资产部署的迭代风险，更适配大模型快速迭代的行业节奏。

  在更宏观的选型策略上，张桐将企业需要的模型分为三类：第一类是顶级模型，负责处理高复杂度、高智能要求的核心任务;第二类是商品模型，承接大量常规、低复杂度的工作，凭借高性价比控制整体成本;第三类是端侧小模型，适配智能设备的本地部署需求。

  这一分层框架的价值在于回答一个关键问题，企业真的需要让所有场景都用最强模型吗？答案显然是否定的，合理搭配多层级模型，才能最大化投入产出比。

  写在最后

  Kimi K3的推出为开源大模型证明了一件事：天花板不再只属于闭源巨头。

  我们有理由相信，随着模型技术的持续迭代、商业化模式的逐步跑通，开源大模型会在越来越多的场景中释放价值，推动AI产业的技术普惠与生态繁荣。