国内大模型领域的竞争正从参数规模的简单比拼，转向解决更复杂的长程任务。7月17日凌晨，月之暗面正式推出其最新的开源模型Kimi K3，参数规模达到2.8万亿，明确将应用场景锁定在长程编程、知识工作和推理等前沿智能领域。

这一动作距离智谱发布并开源GLM-5.2模型仅过去一个月。6月17日上线的GLM-5.2同样专注于长程任务，其核心能力在于能够一次性完成过去需要团队协作数周的多端应用开发全流程。两大头部厂商在一个月内相继亮剑，清晰地表明行业竞争焦点已发生转移。

Kimi K3在技术架构上进行了多项关键更新，以支撑其长程处理能力。它基于KDA（Kimi Delta Attention）混合线性注意力机制和注意力残差技术构建，旨在让信息在更长的序列和更深的模型中流动得更为顺畅。模型原生支持视觉理解，并具备100万Token的上下文窗口。通过扩大Mixture of Experts（MoE）的稀疏度，并结合Stable LatentMoE框架，Kimi K3能够在896个专家中高效激活16个。月之暗面称，这些结构性改进使K3的整体扩展效率相比上一代K2提升了约2.5倍，能够更有效地将算力转化为模型能力。

在实际应用层面，Kimi K3展现出了处理长时间工程任务的潜力。它能够在极少人工监督的情况下，持续理解和处理大型代码库，并协调使用终端工具。结合软件工程与视觉推理，K3可以利用截图和视觉反馈来优化游戏开发、前端设计及CAD（计算机辅助设计）等场景。在科学研究中，它甚至能打通文献与可执行代码，自主完成复杂的计算研究流程。例如，为复现天体物理中的I-Love-Q普适关系，K3阅读并交叉验证了超过20篇论文，评估了300多种状态方程，并发现了已发表公式中的不一致之处。此外，K3还擅长视频剪辑，曾用56段原始素材独立剪辑出自己的品牌视频，完成了选片、动作匹配、逐帧卡点和音频处理等工作。

不过，Kimi K3并非完美无缺。它在后训练过程中全程使用思考历史保留模式，若智能体框架未能按要求回传全部历史思考内容，或在会话中从其他模型切换过来，可能引发上下文干扰，导致生成质量不稳定。同时，由于训练重点优化了长程高难任务，K3在处理小问题或用户意图模糊时，有时会表现得过于主动，替用户做出非预期的决定。月之暗面也坦承，尽管K3能力强大，但与最强的闭源模型Claude Fable 5和GPT-5.6 Sol相比，在用户体验上仍存在差距。

智谱的GLM-5.2则从另一个角度诠释了长程任务的价值。智谱认为，当下模型最需要突破的是执行跨越数天、数周乃至数月的极长任务。当一个模型不知疲倦地编写软件工程代码时，它本质上是在学习顶级软件工程师的思维方式，并以机器的耐力将其放大。GLM-5.2支持1M无损上下文，并通过扩展Coding Agent训练环境，解决了此前长上下文在超过数百K后容易劣化的问题。在实际测试中，它累计处理88万Token，完整交付了一个覆盖Web、移动端与小程序的多端应用。

在API定价方面，Kimi K3的输入价格为每百万Token 2元（命中缓存）和20元（未命中缓存），输出价格为100元。借助Mooncake分离式推理架构，其官方API编程场景的缓存率超过90%，实际输入成本可降至标准价格的四分之一。作为对比，GLM-5.2的输入价格为8元/百万Token，输出价格为28元/百万Token。而6月初MiniMax推出的M3模型，则根据上下文长度分档计价，最高支持1M上下文，其编程和智能体能力同样是重点提升方向。

从Kimi K3到GLM-5.2，再到M3，国内头部模型厂商正将开源模型的竞争推向新的维度。这场竞赛不再仅仅是跑分和参数量的较量，而是转向了谁能更好地解决现实世界中耗时、复杂、需要多步骤协同的长程任务。对于开发者和企业而言，这意味着更强大的自动化工具和更具性价比的选择正在加速到来。