一年多前，开源模型参数天花板还在千亿级（Meta Llama 系列），闭源 GPT-4 估算约 1.7 万亿且不开放。Kimi K3 直接跳到 2.8 万亿，靠的不是堆算力，而是 MoE 稀疏激活——896 个专家每次只激活 16 个，推理计算量远低于同参数量稠密模型。DeepSeek 年初用更高效的 MoE 架构证明了这条路可行，K3 把规模推到新量级。斯坦福 2026 年 AI 指数显示，中美模型性能差距已缩至 2.7 个百分点。

硅谷将 K3 视为中国效率胜利，路透独家指出其 2.8 万亿参数训练成本只算最后一次跑通，前期探索与 OpenAI 同量级。同一笔账两种叙事：K3 支持者拿单次 0.44 美元复刻苹果官网对比 Claude Fable 5 的 0.94 美元，认为闭源溢价存疑；质疑者则称参数规模越大，后期部署、微调和幻觉治理的隐性成本越高。关键是统计口径——是算『最后一次训练成本』还是『所有试错成本总和』。

K3 上线后，开源模型与闭源旗舰的性能差距已从 2024 年的 17.5 个百分点缩至约 3.3%。但真正拐点不只看跑分，而要观察三个信号：一是企业迁移意愿——OpenRouter 显示已有超 500 家机构从闭源切至开源，类 Lindy 公司用 DeepSeek V4 替代 Sonnet 省下 90% 成本；二是开源能否破解『幻觉累加』——多 Agent 串联时准确率骤降，目前靠工程护栏和形式化验证在补；三是 2026 年底前开源模型能否在 SWE-Bench 等企业级编程集上全面超越闭源，这是决定『安卓时刻』是否到来的分水岭。

K3 输出定价 100 元/百万 token，比 K2.6 涨了 270%，但只有 Claude Fable 5 的三分之一。然而『便宜』是相对的：长程 Agent 任务（如 48 小时芯片设计）会消耗数百万 token，单次任务成本可能突破千元。更关键的是，开源模型下载后本地部署需 8 卡甚至更多 A100/H100，硬件和运维成本远超 API 账单。所以真正值得追问的是：K3 的『开源』价值，更多体现在低成本 API 调用，还是给了开发者一个『可审计、可私有化』的底层能力？