國內大模型領域的競爭正從引數規模的簡單比拼，轉向解決更復雜的長程任務。7月17日凌晨，月之暗面正式推出其最新的開源模型Kimi K3，引數規模達到2.8萬億，明確將應用場景鎖定在長程程式設計、知識工作和推理等前沿智慧領域。

這一動作距離智譜釋出並開源GLM-5.2模型僅過去一個月。6月17日上線的GLM-5.2同樣專注於長程任務，其核心能力在於能夠一次性完成過去需要團隊協作數週的多端應用開發全流程。兩大頭部廠商在一個月內相繼亮劍，清晰地表明行業競爭焦點已發生轉移。

Kimi K3在技術架構上進行了多項關鍵更新，以支撐其長程處理能力。它基於KDA（Kimi Delta Attention）混合線性注意力機制和注意力殘差技術構建，旨在讓資訊在更長的序列和更深的模型中流動得更為順暢。模型原生支援視覺理解，並具備100萬Token的上下文視窗。通過擴大Mixture of Experts（MoE）的稀疏度，並結合Stable LatentMoE框架，Kimi K3能夠在896個專家中高效啟用16個。月之暗面稱，這些結構性改進使K3的整體擴充套件效率相比上一代K2提升了約2.5倍，能夠更有效地將算力轉化為模型能力。

在實際應用層面，Kimi K3展現出了處理長時間工程任務的潛力。它能夠在極少人工監督的情況下，持續理解和處理大型程式碼庫，並協調使用終端工具。結合軟體工程與視覺推理，K3可以利用截圖和視覺反饋來最佳化遊戲開發、前端設計及CAD（計算機輔助設計）等場景。在科學研究中，它甚至能打通文獻與可執行程式碼，自主完成複雜的計算研究流程。例如，為復現天體物理中的I-Love-Q普適關係，K3閱讀並交叉驗證了超過20篇論文，評估了300多種狀態方程，並發現了已發表公式中的不一致之處。此外，K3還擅長影片剪輯，曾用56段原始素材獨立剪輯出自己的品牌影片，完成了選片、動作匹配、逐幀卡點和音訊處理等工作。

不過，Kimi K3並非完美無缺。它在後訓練過程中全程使用思考歷史保留模式，若智慧體框架未能按要求回傳全部歷史思考內容，或在會話中從其他模型切換過來，可能引發上下文干擾，導致生成質量不穩定。同時，由於訓練重點優化了長程高難任務，K3在處理小問題或使用者意圖模糊時，有時會表現得過於主動，替使用者做出非預期的決定。月之暗面也坦承，儘管K3能力強大，但與最強的閉源模型Claude Fable 5和GPT-5.6 Sol相比，在使用者體驗上仍存在差距。

智譜的GLM-5.2則從另一個角度詮釋了長程任務的價值。智譜認為，當下模型最需要突破的是執行跨越數天、數週乃至數月的極長任務。當一個模型不知疲倦地編寫軟體工程程式碼時，它本質上是在學習頂級軟體工程師的思維方式，並以機器的耐力將其放大。GLM-5.2支援1M無損上下文，並通過擴充套件Coding Agent訓練環境，解決了此前長上下文在超過數百K後容易劣化的問題。在實際測試中，它累計處理88萬Token，完整交付了一個覆蓋Web、移動端與小程式的多端應用。

在API定價方面，Kimi K3的輸入價格為每百萬Token 2元（命中快取）和20元（未命中快取），輸出價格為100元。藉助Mooncake分離式推理架構，其官方API程式設計場景的快取率超過90%，實際輸入成本可降至標準價格的四分之一。作為對比，GLM-5.2的輸入價格為8元/百萬Token，輸出價格為28元/百萬Token。而6月初MiniMax推出的M3模型，則根據上下文長度分檔計價，最高支援1M上下文，其程式設計和智慧體能力同樣是重點提升方向。

從Kimi K3到GLM-5.2，再到M3，國內頭部模型廠商正將開源模型的競爭推向新的維度。這場競賽不再僅僅是跑分和引數量的較量，而是轉向了誰能更好地解決現實世界中耗時、複雜、需要多步驟協同的長程任務。對於開發者和企業而言，這意味著更強大的自動化工具和更具價效比的選擇正在加速到來。