详解Kimi K3：强到冲击Anthropic估值的模型什么样？

About this Episode

「开源了权重，没开源产生权重的 “流水线”。」

本期我们邀请 RadixArk 创始成员赵晨阳和华盛顿大学博士生曾致远，从推理与算法两条线拆解 K3：它真的比肩 fable 吗？3T 开放权重、混合注意力和智能体训练环境意味着什么？以及开源模型真正开放了什么、又保留了什么？

晨阳是老朋友，他曾在 163 期节目中为我们从 Infra 角度解读了 DeepSeek-V4。在 UCLA 读博期间，晨阳成为 SGLang 核心开发者，SGLang 第一时间适配了 V4 、K3、GLM 5.2 等中国开源模型。

曾致远目前在华盛顿大学读博士二年级，研究大语言模型，师从 Hannaneh Hajishirzi 教授和 Pang Wei Koh 助理教授。

进入具体的技术报告解读前，我们也聊了 K3 如今在美国 AI 界和更广泛的投资市场所引起的巨大关注，以及与 K3 直接相关的开源大辩论。

下面，正式进入节目吧。

本期嘉宾：

• 赵晨阳，RadixArk 与 SGLang 创始成员
• 曾致远，华盛顿大学计算机科学博士生

本期主播：

• 曼祺，《晚点 LatePost》科技报道负责人

时间线跳转：
-K3 为什么成为里程碑
05:13 使用体感：长程任务、惊艳的前端能力与被吐槽的不足
11:15 K3 引发的开源、安全与估值大辩论
16:50 Transformer 的「忒修斯之船」
25:34 贵不贵、慢不慢，看单价之外的任务总成本
29:25 K3 为什么现在慢？新架构、Serving Stack 与前缀复用
34:42 权重一旦开放就收不回；真正的护城河在环境、验证和算力

-KDA（K3 采用的注意力） 和 KDA（kenerl 开发 agent），说不好哪个更伟大？
39:36 架构总览：让信息沿序列与深度更高效流动
42:42 Quantile Balancing：近千个专家如何保持负载均衡
48:38 KDA＋MLA：线性注意力与全局注意力并非二选一
54:12 线性注意力下，百万上下文如何缓解遗忘
57:27 线性注意力给推理系统带来的工程变化
01:00:54 6.3 倍解码加速来自哪里
01:03:34 Attention Residuals：让深层模型选择性读取浅层信息

-优化器、后训练与自动研究
01:10:23 Per-head Muon 与大规模训练稳定性
01:14:46 AI 能否自己发明优化器
01:20:34 MOPD：九个领域专家为什么先分后合
01:27:11 蒸馏的纯技术定义、on-policy 蒸馏与 off-policy 蒸馏的区别

-Infra 优化
01:31:08 KDA 结构下，投机采样回退机制的变化
01:39:47 Flash KDA、QAT 与训练—推理一致

-后面有什么？
01:46:50 下一个开源最强，以及开源能否超过闭源
01:48:29 持续学习、评测与模型平台期

剪辑：甜食

相关链接：
Kimi K3 官方技术博客
Kimi K3: Open Frontier Intelligence（技术报告）
Kimi Linear: An Expressive, Efficient Attention Architecture
Open Weights and American AI Leadership
163 期：详解 DeepSeek V4：Infra 巨鲸、百万上下文走进现实、极致效率优化
143 期：阿里、Kimi 都在用的 DeltaNet 是什么？｜与杨松琳聊线性注意力新改进
104 期：我给线性注意力找“金主”，字节 say No，MiniMax say Yes
103 期：用 Attention 串起大模型优化史，详解 DeepSeek、Kimi 最新注意力机制改进
详解 DeepSeek V4：Infra 巨鲸“四连击”，百万上下文走进现实
再谈注意力：阿里、Kimi 都在用的 DeltaNet 和线性注意力新改进丨晚点播客
3700 次预训练寻找“线性注意力”非共识，MiniMax-01 开发者讲述 4 年探索
大模型“注意力简史”：与两位 AI 研究者从 DeepSeek、Kimi 最新改进聊起

附录：

• KDA（Kimi Delta Attention）：Kimi 提出的线性注意力机制，用固定大小的循环状态压缩历史信息，降低长上下文的计算与存储开销。
• Flash KDA：KDA 的高性能 Kernel 实现，通过重叠 chunk 内计算与 chunk 间状态传输，减少计算空转。
• Kernel Development Agent（KDA）：用于编写、测试和优化 GPU Kernel 的智能体；缩写同样是 KDA。
• MLA（Multi-head Latent Attention）：通过低秩表示压缩 Key-Value Cache；K3 用少量 MLA 层补充对全局上下文的直接访问。
• 混合注意力（Hybrid Attention）：在同一模型中组合不同注意力机制；K3 采用 3 层 KDA 搭配 1 层 MLA。
• NoPE（No Positional Encoding）：不显式加入位置编码，序列位置信息主要由 KDA 的递推、门控与衰减提供。
• Attention Residuals（AttnRes）：让模型选择性读取较浅层的历史表示，改善信息沿深度方向的流动。 mHC（Manifold-Constrained Hyper-Connections）：DeepSeek V4 的多通路残差连接方案，与 AttnRes 都用于改善层间信息流。
• MoE（Mixture of Experts）：每个 token 只激活少数专家子网络，以较低计算量承载更大的总参数规模。
• Stable LatentMoE：K3 的 MoE 方案，共有 896 个路由专家，每个 token 激活其中 16 个。
• 负载均衡（Load Balancing）与 Quantile Balancing：负载均衡避免 token 过度集中到少数专家；K3 按路由分数的分位数分配专家。
• Muon、MuonClip 与 Per-Head Muon：Muon 对更新方向做近似正交化；K2 用 MuonClip 稳定注意力，K3 则按注意力头分别优化。
• 知识蒸馏（Knowledge Distillation）：让教师模型把能力传递给学生模型，可用于模型压缩或多种能力合并。
• Checkpoint：训练过程中保存的模型参数及相关状态快照，可用于恢复、比较或更新模型。
• 消融实验（Ablation Study）：移除或替换某个组件并比较效果，以判断它是否真正有贡献。
• MOPD（Multi-Teacher On-Policy Distillation）：K3 先训练多个领域教师，再把它们的能力在线蒸馏进统一学生模型。
• On-policy 蒸馏：学生生成轨迹，教师对这些轨迹提供监督，数据分布更贴近学生当前策略。
• Off-policy 蒸馏：学生学习教师预先生成的数据，实施更方便，但可能存在分布偏移。
• 投机采样（Speculative Decoding）：小模型先猜一批 token，大模型再集中验证，以提高生成速度。
• 前缀缓存（Prefix Cache）：复用相同提示词前缀的中间计算结果，避免重复计算。
• Persistent Rollout：未完成的长轨迹可暂停并在后续轮次继续，减少长尾任务对整批采样的阻塞。
• Off-policy Mismatch：训练数据并非由当前模型策略生成，常来自旧 Checkpoint 或不同的推理配置。
• Agent 训练环境与 Harness：环境提供工具、沙箱和奖励；Harness 组织提示词、工具、上下文、Skills 与 Memory。
• QAT（Quantization-Aware Training）：训练时模拟低精度计算，让模型提前适应量化误差。
• 忒修斯之船（Ship of Theseus）：节目用这一比喻形容部件不断被替换、却仍沿用 Transformer 名字的模型架构。
• 持续学习（Continual Learning）与 RSI：持续学习指模型从新任务和反馈中继续更新；RSI 指系统递归改进自身能力。

小红书@曼祺_火柴Q即刻@曼祺_火柴Q

☆《晚点聊 LateTalk》建立「 播客听友群」啦！☆

欢迎关注科技、商业大公司动态和创业创新的小伙伴进群交流，第一时间收听新节目。
这里有更多互动，更多话题讨论。欢迎贡献选题 & 推荐嘉宾。

请先添加「晚点」小助手的微信号，备注：“晚点聊”，我们邀请您入群。

关注公众号《晚点 LatePost》和《晚点对话》，阅读更多商业、科技文章：