Kimi K3 冲到第三，这周真正的新闻不是它

7 月 8 日到 7 月 16 日，八天，四款前沿模型。

Grok 4.5 打头阵，第二天 OpenAI 一口气放出 GPT-5.6 的仨版本，Meta 的 Muse Spark 1.1 同一天跟进，然后 7 月 16 日，Kimi K3 压轴登场。好家伙，这个密度放在一年前，够整个行业消化一个季度。

数据来自 Artificial Analysis，一家专门给大模型跑统一评测的第三方机构，你可以把它理解成大模型圈的跑分天梯，所有模型用同一套题、同一个口径，谁强谁弱一眼看清。他们 17 号发了条总结推文，把这八天摊开摆在桌上。我反复看了几遍，越看越觉得，中文圈的头条虽然都给了 Kimi K3，但 K3 只是这串鞭炮里最响的一个，真正的新闻藏在鞭炮后面。

先把 K3 的部分快进讲完，毕竟它确实争气。智能指数 57 分，总榜第三，压过 Claude Opus 4.8 的 56 分。在 GDPval-AA v2 这种模拟真实职业任务的评测里排第三，在考察长时程知识工作的 AA-Briefcase 上直接排到第二，分析质量的 Elo 分跟榜首的 Claude Fable 5 基本打平。定价 3 美元输入 15 美元输出，还承诺 7 月 27 日前开放权重，2.8 万亿参数，史上最大的开放权重模型。这些各家都写过了，通稿部分到此为止。

真正值得盯住的是三条曲线。

第一条，能摸到前沿的实验室，六周之内从 2 家变成了 6 家。

6 月之前，智能指数 51 分以上的模型只有两家能做，Anthropic 和 OpenAI，别人连门都摸不到。6 月中旬智谱的 GLM-5.2 把 Z AI 带进了这个俱乐部，上周 SpaceXAI 和 Meta 前后脚进场，这周 Kimi K3 让月之暗面成了第六家，而且人家不是踩着门槛进来的，是直接以 57 分坐到了第三排。

俱乐部扩员的速度有多夸张呢，智能指数前十的模型里，四款是 7 月 8 日以后发的，六款是 6 月以后发的。榜单前三来自三家不同的实验室，总分差只有 3 分。

第二条，第一名没换人，但护城河快没了。

Claude Fable 5 从 6 月 9 日霸榜到今天，60 分，这个位置一动没动。动的是它跟第二名的距离，从 4 分缩到了 1 分。一个多月前它还是独一档，现在身后 3 分之内挤了一排人。

第三条，也是我觉得最狠的一条，智能的价格八天便宜了两三倍。

Artificial Analysis 有个挺聪明的口径，叫每任务成本，不算每百万 token 多少钱，算跑完他们整套评测里一个任务平均花多少钱。这个数比单纯的 token 价格诚实得多，因为它把「这模型话多不多、要推理多久」全算进去了，更接近你月底看到的真实账单。OpenAI 前两天也在推类似的记分卡，思路都是一个方向，别看标价，看单位有用产出的成本。

按这个口径，GPT-5.6 Sol 比 Claude Fable 5 只低 1 分，每任务 1.04 美元对 2.75 美元。Grok 4.5 拿 54 分，每任务 0.31 美元，不到上一代同档位的三分之一。51 分这个档位更热闹，GPT-5.6 Luna 干到 0.21 美元，Muse Spark 1.1 是 0.26 美元，而一周之前，这个档位最便宜的 GLM-5.2 还要 0.32 美元。一周，档位地板价又被凿穿一层。

Kimi K3 的账也一样，0.94 美元一个任务，拿到跟 Claude Opus 4.8 相当的智能，价格是人家的一半，这一手定价有点子牛逼。

看到这你大概明白我说「真正的新闻不是 K3」是什么意思了。单看任何一款模型都是常规发布，摞在一起看，是前沿这个词本身在贬值，或者用 Artificial Analysis 自己的话说，frontier 打开了。以前前沿是两家实验室的后花园，现在是六家抢摊位的夜市，而且摊位费一周掉一半。

然后我想聊聊，这串数字落到咱们写代码的人头上，会变成什么。坦率讲，这才是我想写这篇的原因。

你想想看这八天普通开发者的体验。周三刷到 Grok 4.5 发布，寻思周末试试。周四醒来 GPT-5.6 仨版本加 Muse Spark 齐发，时间线全是评测截图。还没缓过来，隔了一周 Kimi K3 又把榜单洗了一遍。每一个都有人喊「快切、不切就落后了」。要是每次都当真，你这个月啥也别干了，光迁移模型了。

我的建议正好相反，发布越密，越不该追着切。

我的日常工作是给大模型搭脚手架的，agent 的工具链、评测、调度这些让模型真正干活的工程层，所以模型迁移这件事的真实成本，我可能比多数人体感更深。换一个主力模型，从来不是改一行模型名那么简单。提示词要回归测试，工具调用的格式差异要兼容，限流策略要重调，计费对账要重来，还有一堆你以为稳定了的边角 case 会重新冒出来。之前有团队迁移生产环境 agent 到 GPT-5.6，光是查清楚成本异常就折腾了好几轮，最后发现问题出在自己的配置上。切模型的隐性成本，行业里被严重低估。

所以在一个八天出四款模型的市场里，我自己的策略就四条，不一定对，你随便听听。

主力模型，只在有具体痛点的时候换。榜单上 1 分的差距，落到你的场景里很可能是 0 分，甚至是负分，因为你的提示词是围绕旧模型调的。「榜单第一换人了」不构成迁移理由，「我的场景里它反复搞砸某类任务，新模型实测能解决」才构成。

评测，自己攒一套小的。从你真实业务里挑二三十条任务，带标准答案那种，新模型出来先跑自己这套，十几分钟出结果，比刷任何评测截图都有用。通用榜单衡量的是模型的平均能力，你的业务从来不是平均场景。模型会过期，这套评测集不会，它是你在这波浪潮里少数真正属于自己的资产。

便宜档，拿来跑实验。0.2 到 0.3 美元一个任务的那几款，智能已经够到一年前的旗舰水平了，批量分类、摘要、数据清洗这类活完全可以扔过去。另外价格八天掉两三倍的市场里，别签任何长期锁量的合同，谁劝你锁一年的量，你就把这篇转给他看看。

开放权重的，等它兑现。K3 说 7 月 27 日前开权重，如果真放出来，私有化部署这条路上就多了一个前沿档的真选项。到时候值得单独写一篇。

对了，这场八天连发里还有个缺席的。Google 的 Gemini 3.5 Pro 原定 6 月发布，因为编码和长时程推理不达标，推迟了好几个月。发布潮看着热闹，不是谁都跟得起的，跟不起的巨头都选了憋着，你一个写业务代码的，更没必要被节奏绑架。

写到这想起个画面。以前看前沿模型像看灯塔，孤零零一两座，全行业盯着它导航。现在灯塔一座接一座亮起来，密得像进了港区，反而没法靠它们认路了。这种时候老水手的办法是低头看自己的罗盘。

那套二三十条任务的评测集，就是罗盘。八天四款模型的时代，它比任何榜单都值钱。