科技虎嗅·岳涌大江流©··AI 生成
Kimi K3之后，中国AI开始进入”高考时代”？
本文通过一个具体的编程测试案例（Kimi K3 在编写 BAT 游戏脚本时失败，而 GPT-5.6 Codex 成功），引发了对中国AI行业“跑分文化”的批判性反思。作者认为，当前AI公司过度迷恋 Benchmark 排行榜，将跑分视为融资工具，形成了类似中国应试教育的“考试能力”与“工作能力”的脱节。文章核心观点是：AI 的真正价值在于解决真实用户问题，而非在排行榜上刷分。适合对AI行业现状有深度观察、关注技术与商业逻辑的读者阅读。原文 ↗原文 ↗
核心观点
- ▍中国AI行业正陷入‘跑分竞赛’的循环，Benchmark 排行榜从技术指标演变为融资工具，导致模型‘考试能力’强但‘工作能力’弱，与应试教育困境相似。
- 01Kimi K3 在 WebDev Arena 排行榜上以 1679 分位居全球第一，超越了 Claude 和 GPT-5.5。
- 02在真实开发场景中，作者朋友童佟测试 Kimi K3 编写一个 ASCII 版《小蜜蜂》游戏，免费版和 699 元订阅版均无法正常运行，而 GPT-5.6 Codex 一次成功。
- 03DeepSeek 估值约 710 亿美元，月之暗面推进新一轮融资，腾讯、阿里持续加码，模型更新进入‘月更时代’，作者认为这是资本竞争而非技术竞争。
- 04腾讯发布混元 Hy3 时，不强调公开排行榜，转而关注真实业务场景；OpenAI 减少讨论排行榜，转而开发 Operator、Deep Research 等 Agent 能力。
- 05作者指出真正的软件工程师 80% 时间在调试、修 Bug，而非写代码，以此对比 Codex 的‘工作能力’与 Kimi K3 的‘考试能力’。
反方 / 局限
- — 作者承认 Kimi K3 是国产模型重要升级，参数规模、长上下文能力、公开评测成绩已进入全球第一梯队，肯定了其技术价值。
- — 测试案例仅为单一场景，不能证明 GPT-5.6 Codex 在所有编程任务上强于 K3，也不能否定 K3 整体能力。
- — 作者未深入讨论跑分竞赛对模型底层技术进步的推动作用，也未提供具体数据证明‘跑分与工作能力’的负相关程度。
概念锚点
前置背景
平行视角
未来推演
延伸追问