7.9
深览指数
科技腾讯新闻·白鲸实验室··AI 生成
5亿Token实测Kimi K3：我看到了核弹，也看到高昂的成本
作者通过一天时间、消耗5亿Token，对Kimi K3进行了4个真实复杂任务的Coding测试，并与GPT-5.6 Sol同台PK。核心结论是：K3在复刻《GTA5》时表现惊艳，对游戏机制的理解深度超过了GPT-5.6 Sol，这得益于其背后的Agent Harness（尤其是Vision in the Loop功能），让AI能“看”到并修正视觉结果，形成更完整的开发闭环。但K3并不稳定，视频复刻任务失败，且存在Token消耗超高、生成速度慢、额度限制严格等问题，导致实际使用成本高昂。文章认为K3为Agent而生，代表了AI Coding从“写代码”到“执行任务”的范式转变，但离真正的“AI软件工程师”仍有差距。适合深度使用AI Coding工具的软件工程师、技术决策者阅读。原文 ↗
核心观点
- ▍Kimi K3的核心价值不在于其3万亿参数和Benchmark分数，而在于其背后的Agent Harness系统，尤其是Vision in the Loop功能，让AI能像工程师一样检查并修正视觉结果，这是其Coding能力提升的关键。
- ▍K3已展现出从“单轮问答”转向“长期自主执行”的Agent能力，但离真正的“AI软件工程师”仍有差距，尤其在需要深度理解软件设计意图和复杂系统逻辑的任务上。
- 01作者花费一天时间、消耗5亿Token，测试了4个真实复杂任务，包括复刻《GTA5》、视频复刻游戏、设计Agent专用软件等，是全网Token消耗量最大、Coding最深入的测试之一。
- 02在复刻《GTA5》的PK中，K3一次性生成了可用性和完整度极高的网页游戏，其警察系统更是惊艳，能理解追捕逻辑并生成触发机制（警车、警察、直升机、探照灯），细节远超GPT-5.6 Sol。
- 03作者认为K3优于GPT-5.6 Sol的关键在于Agent Harness，其中Vision in the Loop功能让Agent在写代码后能打开网页截图、观察视觉效果并自我修正，避免了以往AI Coding“只写代码不看效果”的缺陷。
- 04K3的Token消耗极高，单个任务生成时长超过40分钟，一个测试日的消耗就占用了699元最高档会员40%的额度，作者估算其单个任务成本是GPT-5.6 Sol的两倍，且额度限制远多于GPT。
- 05K3在视频复刻任务中失败，将视频拆帧理解导致偏差放大，未能复刻《滚动的天空》的核心玩法和节奏感。
反方 / 局限
- — K3能力不稳定，存在‘抽卡’问题：在3个网页游戏测试中，仅GTA5任务成功，另外两个任务均失败。
- — 高昂的Token消耗和严格的额度限制，使得K3在大量真实工作中难以被普通用户负担，其商业可用性存疑。
- — K3在需要理解全新软件设计意图（如为Agent设计剪辑软件）时表现不佳，需要大量人工介入修正，说明它尚未完全理解‘软件为什么这样设计’。
11 分钟 · 3 卡片 · 9 资料
读原文 →