《Kimi K3: Open Frontier Intelligence》
深度解读报告

摘要

本文解读 Moonshot AI（月之暗面）Kimi Team 于 2026 年 7 月发布的模型技术报告《Kimi K3: Open Frontier Intelligence》。论文的核心论断是：开源阵营的前沿化必须在两条缩放轴上同时推进——把预训练基础模型推到史无前例的 3T 级参数（总参 2.78T、激活 104.2B），同时把 RL、推理强度与长程交互扩展到 1M token 上下文。为此，K3 在架构层给出"稳定性优先"全家桶：以 channel-wise 遗忘门的线性注意力 KDA 与 Gated MLA 按 3:1 混合组成 93 层主干，配合 Attention Residuals 跨层检索、Stable LatentMoE 三项稳定化与 Per-Head Muon 优化器；在系统层则以 MoonEP 完美平衡专家并行、Firecracker 微 VM 沙箱（checkpoint 133 ms / resume 49 ms）支撑 1M 上下文的 agentic RL。

最终整体缩放效率较 Kimi K2 提升约 2.5×，在长程编码、agentic、知识、推理与视觉任务上仅次于最强闭源系统（Claude Fable 5、GPT-5.6 Sol），并在 BrowseComp 91.2、SWE-Marathon 42.0、ProgramBench 77.8 等 9 项外部基准登顶，第三方 WebDev Arena Elo 以 1,678 位列 #1/99，同时以 BrowseComp 每任务 $2.03 建立成本优势。这是首个开放的 3T 级模型——尽管其 CC BY-NC-ND 4.0 许可使"开放"一词需要限定语（详见第五章）。本报告按"问题—概念—方法—证据—批判—启示"六层结构逐层拆解。

数据依据：pdf-worker 源数据提取文件（00-源数据提取.md），全部数字以该文件为准；标注「（推断）」处为分析者推理补充。

一、问题定位：开源前沿的双重缩放困境

1.1 论文要解决的问题

论文面对的是一个行业级悬问：当最强闭源系统持续领跑时，开放权重模型能否站上同一前沿？作者的回答不是单点突破，而是主张两条缩放轴必须同时推进：

• 轴一 · 预训练规模：从 Kimi K2 的 1.04T 总参 / 32.6B 激活，扩展到 2.78T / 104.2B（+167% / +220%）——这是首个开放 3T 级模型；
• 轴二 · 交互规模：将 RL 训练、推理强度（low/high/max 三档）、长程交互扩展到 1M 上下文（训练上下文 128K → 1M，8×），触发数百上千次工具调用、累积极百万 token 的 "reasoning–acting–observing–verifying–adapting" 循环。

只推轴一会得到一个"知识渊博但不会做事"的大模型；只推轴二则受限于底座容量。（推断）这一"双轴论"实质上是对 2025–2026 年间"预训练撞墙论"的正面回应：预训练没有撞墙，撞墙的是单轴缩放的边际收益。

1.2 双轴各自的技术堵点

要让双轴缩放可行，需逐一拆除四类堵点，它们构成全文技术布局的真实骨架：

1. 注意力的长程成本：纯 softmax 注意力在 1M 上下文下预填充与缓存成本高昂，且传统线性注意力存在"精确回忆"短板——需要能承担主力层的线性注意力变体；
2. 超大规模 MoE 的训练稳定性：896 选 16的路由在 2.78T 参数下极易负载失衡与激活爆炸；
3. 深层网络的信号衰减：层数 61 → 93，跨层传播距离拉长，朴素堆叠会放大退化；
4. 长程 agentic RL 的系统瓶颈：RL rollout 需要真实执行环境，沙箱生命周期管理与 1M 上下文的训练/推理基建都是全新工程问题。

一句话小结：论文的真问题不是"再训一个更大的模型"，而是"让 3T 参数 + 1M 交互的组合在工程上可训、可用、可负担"——四类堵点分别对应 KDA/Gated MLA、Stable LatentMoE/QB、AttnRes、AgentENV/MoonEP 四组解法。

二、概念内核：八个核心概念逐一定义

2.1 KDA（Kimi Delta Attention）

定义：带 channel-wise 遗忘门的 delta-rule 循环注意力，递推式为 S_t=(I−β_t k_t k_tᵀ)Diag(α_t)S_{t−1}+β_t k_t v_tᵀ，输出 ő_t=S_tᵀ q_t。拆解：delta-rule 负责"有界状态下的覆写式记忆"，channel-wise 遗忘门让每通道拥有独立遗忘速率——相当于给记忆矩阵装上逐通道"时间常数"。工程点睛之笔在于 decay 映射改造：log-decay 用缩放 sigmoid 且下限 g_min=−5，保证 retention factor α > e^−5 ≈ 6.7×10⁻³；由此任意 16-token tile 的累计 log-decay 落在 (−80, 0) 区间，使连对角线 tile 都能用 dense Tensor Core 乘法计算——数值稳定性与硬件利用率被绑进同一处设计。K3 中 69/93 层使用 KDA，线性注意力在此不是边缘补充而是主力。

2.2 Gated MLA

定义：沿用 DeepSeek-V2 MLA（低秩 KV 压缩注意力），全 MLA 层采用 NoPE（无位置编码），新增输入依赖的全秩输出门 y_t=W_o[Sigmoid(W_g x_t)⊙ő_t]，且训练中 attention 输出保留 FP32。拆解：24 个 Gated MLA 层与 69 个 KDA 层按每 block 3 KDA + 1 MLA 交织。MLA 提供精确回忆锚点，KDA 负责廉价的长程状态维护。（推断）输出门让每个位置自主决定采纳多少注意力输出，类似残差门控；FP32 是 2.78T 规模下对注意力数值精度的保守兜底。NoPE 更深远：位置信息不靠外挂编码，而由 KDA 循环结构内生携带——这是 1M 外推能力的来源之一。

2.3 Attention Residuals（AttnRes）

定义：每层用可学习 pseudo-query 选择性检索前面所有层的输出作为残差，开销从 O(Ld) 降到 O(Nd)；93 层分 8 blocks（每块 12 层，含 embedding 共 9 块）。拆解：解决深层网络的信息高速公路问题。传统做法要么只有紧邻残差（远层信息衰减），要么 dense 连接（成本平方增长）；AttnRes 把"访问历史层"建模成一次检索。（推断）这与 KDA 在哲学上一致——K3 整个架构都在用"检索"替代"持久携带"，无论序列维还是深度维。

2.4 Stable LatentMoE

定义：将 FFN 全宽投影与路由专家宽分离的 MoE 结构，latent 维度 3,584（0.5×）；每 token 激活 896 专家中的 16 个（稀疏度 56）加 2 个共享专家；配三项稳定化：up-projection 前 RMSNorm、SiTU-GLU、Quantile Balancing。拆解：（推断）LatentMoE 让专家在低秩空间工作，降低冗余并省显存；前向公式 u=Σ p_i E_i^routed(W↓x)、y=Σ E_j^shared(x)+W↑RMSNorm(u) 显示专家输出升维前还要过一道 RMSNorm。稀疏度 56 意味着单 token 只见约 1.8% 的专家，这在 896 专家尺度上是激进稀疏，也解释了为何 QB 从"优化技巧"升级为"生存必需"。

2.5 SiTU-GLU

定义：有界激活函数 β1·tanh(W_g x/β1)⊙Sigmoid(W_g x)⊙(β2·tanh(W_u x/β2))，β1=4、β2=25，输出界 |f(x)| ≤ β1β2 = 100。拆解：替代 SwiGLU 的位置。tanh 饱和性天然截断异常大激活，（推断）在 2.78T 规模下个别 token 触发巨大激活是 loss spike 的常见诱因，SiTU-GLU 用函数形状而非梯度裁剪来根治，与"Stable"主题呼应；β 缩放是为了让线性区足够宽、避免拖慢学习。

2.6 Quantile Balancing（QB）

定义：auxiliary-loss-free 的 MoE 负载均衡——按目标分位数设每专家偏置，取 Top-(k+1) 得分的 cutoff 更新偏置 b^(t+1)_j ← −quantile_{1−k/n}(s_{:,j}−α^(t))；分位数用每专家几百 bin 的直方图估计。拆解：auxiliary-loss-free 思想的工程化深化。传统辅助损失间接调节且干扰主损失；QB 直接操纵路由偏置，用分位数（而非极值）作 cutoff 使更新鲁棒，直方图估计避免全局排序开销。（推断）该操作在每个 step 的热路径上运行，精度换速度是有意取舍。

2.7 MOPD（Multi-Teacher On-Policy Distillation）

定义：多教师在线策略蒸馏——先训出三域 × 三推理强度 {low, high, max} 共 9 个域专家模型，再以学生自身轨迹对齐多个教师分布，蒸馏收敛为单一模型。拆解："三域"指 long-horizon coding、general agents、general reasoning/knowledge。直接混训所有域 × 强度容易互相冲突（推断），分治后再合并绕开冲突；on-policy 的关键是学生在自己的分布上学习教师行为，避免分布漂移。这套管线的隐含承诺："max 强度的成绩单"与"low 强度的低成本服务"来自同一个权重。

2.8 AgentENV

定义：基于 Firecracker 微 VM 的开源 RL 沙箱基础设施：checkpoint 133 ms / resume 49 ms，支持 pause/resume（等待推理约占 sandbox 生命周期的 98%）、fork（用于奖励判定）与 snapshot；存储 OverlayBD + ublk，内存 overcommit 6.5×。拆解：名字背后是一个反直觉的资源画像——sandbox 一生中 98% 时间在等模型推理。因此优化方向不是"跑得快"而是"停得起、恢复得快、复制得便宜"。（推断）fork 用于奖励判定意味着同一条轨迹可分叉多个假设结局并行验证，对长程任务的奖励塑形价值很大。

一句话小结：八个概念构成一条完整因果链——KDA/Gated MLA 解决"1M 上下文付不起钱"，AttnRes 解决"93 层传不动"，Stable LatentMoE/SiTU-GLU/QB 解决"2.78T 训不稳"，MOPD 解决"多域多强度训不出一个模型"，AgentENV 解决"agentic RL 没地方跑"。

三、方法拆解：架构—预训练—后训练—基建的全栈还原

3.1 架构全景：一张 Table 1 看懂 K2 → K3

三个值得注意的结构决策：(1) Hidden Dim 不变——扩容几乎全部通过加深、加宽专家池和加多激活专家实现；(2) 激活参数增幅（+220%）超过总参增幅（+167%）——K3 有意提高每个 token 的"思考预算"，与 agentic 任务需要更强单步计算的判断一致（推断）；(3) 3:1 的 KDA:MLA 配比意味着约 75% 注意力层是线性的，1M 上下文的注意力成本被结构性压低。

3.2 预训练：2.5× 缩放效率从哪里来

• 数据：Web Text / Code / Math / Knowledge 四大文本域 + 大规模视觉语料，含程序化生成多模态数据（SVG、3D、Webpage、Game、CAD）——与后训练 kernel/web-dev 任务形成呼应（推断）；
• Scaling law：整体缩放效率较 K2 提升约 2.5×（Fig 7）；各自最优超参下 cosine decay 优于 WSD——与近期社区风向相逆的实证结论；
• 优化器：Per-Head Muon（Q/K/V 动量矩阵按 head 切分逐一正交化）+ 权重裁剪 + QB；cosine 学习率 + 1% warmup，weight decay 0.1；
• 上下文课程：初始 8K → 64K，cooldown 阶段按 256K → 1M 四阶段课程扩展。

（推断）2.5× 是"复合乘积"：架构（KDA 降低长上下文成本、LatentMoE 提高参数效率）+ 优化器（Muon 正交化加速收敛）+ 数据课程三者叠加，论文未提供单变量消融分解各因子贡献——这是第四章证据链与第五章批判的共同关注点。

3.3 后训练：9 个专家如何合并成一个模型

1. SFT 冷启动：XTML 序列化格式；自 SFT 起即启用 QAT（MXFP4 权重 / MXFP8 激活）——量化感知训练从冷启动开始而非部署前补课；
2. 域专家 RL：三域 × 三档推理强度 = 9 个专家模型。环境覆盖六类任务：可验证 search 与专业知识工作、software engineering 与 kernel 优化、多模态推理 + vision-in-the-loop 工具使用、persistent assistant 工作流、web 开发、autonomous execution；机制包括统一白盒 RL 环境、知识图谱引导任务合成、agentic 环境中的可验证问题构造等；
3. MOPD 合并：多教师在线策略蒸馏把 9 个专家收敛为单一模型，用户无需在不同场景切换模型。

3.4 基础设施：三条战线

一句话小结：方法体系是一台"四缸引擎"——架构缸提供可行性，预训练缸提供 2.5× 效率，后训练缸提供能力密度，基建缸把前三缸变成可运维系统；任何一缸熄火，"3T + 1M"的故事都不成立。

四、证据链：基准矩阵的形态学解读

4.1 外部基准（Table 2 · effort=max · temp=1.0）：K3 赢在哪、输在哪

对比阵容：Claude Fable 5、GPT-5.6 Sol、Claude Opus 4.8、GPT-5.5、GLM-5.2。按结果形态分三组。

形态学结论：(1) A 组集中在 search / agentic 执行 / 文档 / 垂直领域——恰是"1M 上下文 + 大规模工具调用 + MOPD agent 专家"直接受益的场景；(2) C 组集中在最难的科研推理（CritPt/HLE）与 computer-use（OSWorld）——都不是"更长上下文"能直接兑换的能力；(3) SWE-Marathon 的 +7.0 是 A 组最大领先，说明超长程软件工程任务（马拉松而非冲刺）正是 1M 上下文 + KDA 记忆的差异化战场（推断）。其余亮点：τ³-Banking 33.4（高于除 Sol 33.0 外所有对手）、CorpFin v2 71.6 vs Fable 71.8 微逊 0.2、Math-Vision 94.3/97.8 vs Sol 95.8/97.8、ZeroBench-main (pass@5) 23.0/41.0 与 Fable 持平主榜。

4.2 内部基准与盲测：自家考卷上的强弱项

盲测（Table 4 · Kimi Webdev Bench，专家盲测 vs Claude Opus 4.8）：Overall Win 58.6% / Tie 13.8% / Lose 27.6%（Win−Lose +31.0）；其中 3D/WebGL/Shader 类目 +59.1、Website/UI Clone +26.3、Games +14.9——图形密集型任务优势最为悬殊。

4.3 第三方评估与成本效率

第三方榜单（截至 2026-07-23）：Artificial Analysis Intelligence Index v4.1 得分 57.1 列 #4/580（Fable 59.9、Sol 58.9 在前）；Vals Index 74.7 列 #2/39；WebDev Arena Elo 1,678 列 #1/99（Fable 1,634、Sol 1,630）；Text Arena 1,486 列 #8/200；Agent Arena 9.1 列 #4/37（Fable 12.7）。（推断）第三方口径下与双雄的差距比自报基准更明显，但 WebDev Arena 登顶提供了独立于作者 harness 的第一名证据。

成本效率（§6.4）：Kimi Code Bench 2.0 落后 Fable 5 仅 4.0 分而成本仅为其 38%；high effort 即以约 1/3 成本匹配 Claude Opus 4.8 的 max-effort 得分；BrowseComp 最优 91.2% 且每任务仅 $2.03（约为 GPT-5.6 Sol 同分位的半数成本，比 Claude max-effort 便宜一个数量级）；GDPval-AA v2 距 Sol 50 Elo 而成本低 13%、比 Fable 便宜 2.6×；AA-Briefcase 第二高分、约为 Fable 一半成本。

4.4 网络安全评估：一份罕见的自我审计

• Tier 1（漏洞发现 + POC）：数百候选漏洞人工复核约 70% 为真实漏洞，其中跨 6 个项目的 16 个为此前未知漏洞，含 Linux kernel 远程 heap OOB write 与 RDMA 子系统 Dirty-COW 类案例；
• Tier 2（端到端 exploit）：36 任务中完成 14/36（38.9%），对比 GLM-5.2 的 8/36（22.2%）；成功案例中 10 个来自 user-space、kernel track 仅 4 个；套件建设投入约 540 专家小时；
• 独立验证（UK AISI / NIST CAISI）：ExploitBench 32% vs GLM-5.2 24%；32 步模拟企业网渗透完成 17 步 vs 11 步（人类专家约 20 小时）；41 任务中 arbitrary code execution 0 个；
• 失败模式命名：链条收尾困难、mitigation 场景下策略选择差、卡死调试循环、交付前验证不足；自评被视为能力下界。

4.5 案例研究：能力的天花板演示

一句话小结：证据体系呈"梯度断层"形态——agentic/search/长程工程上与闭源双雄互有胜负甚至反超（SWE-Marathon +7.0、WebDev Arena 独立登顶），最难推理与 computer-use 上仍有 6–9 分的结构性差距，而成本普遍只有对手的 13%–50%；"仅次于双雄、领先其余所有人"的自我定位与数据吻合。

五、批判审视：局限的深层含义与独立疑点

5.1 作者自述局限的深层含义

1. 明确落后于双雄：Elo 类知识工作套件（GDPval-AA v2、AA-Briefcase）与 harder computer-use 基准（OSWorld 2.0、SaaS-Bench）仍在追赶。深层含义：K3 的差异化押注在"长程 agentic 执行"，而在"世界模型式的通用推理深度"上，参数与上下文扩张尚未转化为对闭源前沿的反超。
2. 内部套件暴露的多点落后：Agent Behavior、MIRA、ClawBench、Agentic Vision 等内部基准落后领先者。深层含义：作者用自家考卷给自己找茬，这种评测诚实度少见，但也提示这些维度是其路线图的当前欠账。
3. 安全能力的边界清晰：hardened targets（Linux kernel）瓶颈明显（成功 exploit 中仅 4/14 来自 kernel track）。安全团队把模型当作"待测攻击面"而非"营销卖点"来报告，方法论上是行业善举。
4. 数据质量依赖：长文档/视频语料需专门清理，long-context 能力需靠合成数据维持。深层含义：1M 真实人类语料天然稀缺，合成补给线的可持续性存疑（推断）。
5. 极端长度可靠性未完全覆盖：1M 依赖 KDA 无位置编码泛化。官方表述是"支持"而非"性能无损"，使用者应自行做长度衰减测试（推断）。

5.2 独立观察到的六个疑点

① "Open" 的边界：CC BY-NC-ND 4.0 与开放叙事的张力。论文题为 "Open Frontier Intelligence"、正文称"首个开放 3T 级模型"，但许可证为 CC BY-NC-ND 4.0——非商业（NC）+ 禁止衍生（ND）。（推断）社区可下载研究但不能商用部署、微调发布受限；与 Llama（商业可用）或 Qwen/DeepSeek（Apache/MIT 系）相比，K3 的"开放"更接近"开放权重可获取"而非"开放生态"。对题眼 "Open Frontier"，这是不应忽略的限定。

② 闭源基线的分数不可独立复现。Table 2 核心对照 Claude Fable 5 与 GPT-5.6 Sol 均为闭源 API，分数经作者方 harness 采集（effort=max、temp=1.0 统一，但 prompt、工具封装、重试策略均由作者控制）。（推断）第三方榜单缓解了这一问题，但其任务集与 Table 2 不重合，无法交叉验证 SWE-Marathon +7.0 这类关键差距。

③ 内部基准的 harness 同源性。Table 3 多数基准以自家产品为 harness（Kimi Code、Kimi Agent、Kimi Work），少数用 Claude Code（竞品 CLI）与 OpenClaw。（推断）harness 的工具封装与 prompt 调优显著影响 agentic 得分，"自家模型 × 自家 harness"即便无意偏袒也存在协同调优的历史积累；Coding Experience 59.9 vs 59.8 这类 0.1 分级结论尤其不宜过度解读。

④ 2.5× 缩放效率是复合指标，无归因分解。Fig 7 的 2.5× 是架构、优化器、数据、基建共同作用的净效应，无"固定其余变量、单独替换 KDA/Muon/LatentMoE"的单变量消融。（推断）后来者无法判断哪一项贡献最大——若 Muon 贡献大头，小规模模型抄 KDA 架构可能得不偿失（KDA 收益与上下文长度强耦合）。

⑤ 安全能力披露的责任框架缺失。报告披露 16 个此前未知漏洞（含 Linux kernel 级），但未见负责任披露流程说明（是否上报厂商、协调窗口、是否延迟披露）。（推断）Tier 2 38.9% 端到端 exploit 能力 + 开源权重本身即是双重外部性：防御方获得预警样本，攻击方获得可直接微调的底座。"41 任务 ACE 为 0"针对的是评测套件，不能外推为通用安全边界。

⑥ 成本对比的分母口径。effort 档位的选择权在对齐比较中影响巨大（K3 自己的三档设计就证明了这一点）。$2.03/task 对应 K3 何种 effort 档、对手分数对应何档，读者需回原文核对方可确认可比性。（推断）方向性结论（显著更便宜）可信，精确倍数宜保守引用。

一句话小结：这份报告的证据纪律在同类技术报告中属上乘（自曝弱项、第三方复核、失败模式命名俱全），但许可张力、闭源基线不可复现、内部 harness 同源三点叠加，意味着"仅次于双雄"应读作"在作者设定的评测协议下成立"；2.5× 效率归因与安全披露框架有待社区复现与实践补完。

六、启示与影响：可迁移的经验与未来走向

6.1 六条可迁移启示

1. 混合注意力有了可抄的主力层配方。3:1 的 KDA:MLA 配比证明线性注意力可在超大模型承担约 75% 注意力层而不牺牲竞争力；g_min=−5 的 decay 下限保证 tile 级 Tensor Core 兼容——数值稳定性设计与硬件利用率设计可以是同一个决定。对一切长上下文系统（RAG 替代、视频理解、代码库级助手）都有直接参考价值。
2. MoE 稳定化"三板斧"可作为默认配置：up-projection 前 RMSNorm + 有界激活（|f(x)|≤100）+ 免辅助损失分位数均衡，分别治理"输入漂移、输出爆炸、路由失衡"；在 896 选 16 的激进稀疏下依然稳定，更大稀疏度仍有余量（推断）。
3. "专家分治 → 在线蒸馏合一"是多能力模型的后训练范式：9 个域×强度专家经 MOPD 收敛为单一权重，绕开多目标混训冲突，保住"low effort 便宜、max effort 强"的双端体验。凡存在模式冲突的训练场景皆可复用。
4. RL 基建即护城河，且瓶颈在编排而非算力：sandbox 生命周期 98% 在等推理，于是优化方向变成 133 ms checkpoint、49 ms resume、6.5× 内存超售、fork 验奖。对所有 agentic RL 团队的免费情报：先把"停/恢复/复制"做便宜，再把"跑"做快。
5. 成本效率应作为与分数并列的主张：专设 §6.4 给出逐基准成本对照（38%、$2.03、1/3、2.6×），把性价比写成可核查数据而非口号。这一报告结构值得所有模型发布者效仿。
6. 安全自评进入技术报告主章：Tier 1/Tier 2 分级、人工复核真实率、独立机构复核、失败模式命名、"自评即下界"立场声明——为高能力模型的透明度报告树立新基准。

6.2 未来走向与观察哨

• 最难推理的追赶：CritPt（23.4 vs 32.3）与 HLE-Full 的差距指向知识深度上限问题。观察哨：下一代能否在不牺牲 agentic 能力的前提下收窄差距，抑或双轴论在此类任务上遇到真正的墙。
• computer-use 闭环：OSWorld 2.0 落后 7.8 分，而 MoonViT-V2 仅 401M 参数——（推断）视觉编码器容量可能是瓶颈之一，ViT 规模化是自然下一步。
• kernel 级攻防：Tier 2 kernel track 4/14 的成功率与四个失败模式，既是安全团队的 roadmap 也是防御方的布防图。
• 许可演进：CC BY-NC-ND 是否随商业化节奏放宽，将决定 K3 对开源生态的实际影响力半径。
• 合成数据维持长上下文的可持续性：当 1M 真实语料枯竭，合成课程能否撑住极端长度下的可靠性，是 KDA 路线的长期考验。

总结

《Kimi K3》是一次把"开源前沿"从口号推进到工程事实的集体作业：用 KDA/Gated MLA 的 3:1 混合注意力与 AttnRes 解决"1M 上下文 + 93 层"的可行性，用 Stable LatentMoE 三板斧解决 2.78T 参数的稳定训练，用 9 专家 RL + MOPD 解决多域能力的组织问题，再以 MoonEP、AgentENV 与 KDA-aware serving 把整条管线落成可运维系统。证据面上，它在 search/agentic/长程工程/文档/垂直领域 9 项外部基准登顶、WebDev Arena 独立榜单第一、成本仅为闭源双雄零头，同时在最难科研推理与 computer-use 上保留 6–9 分的诚实差距。批判面上，"Open" 的 NC-ND 许可张力、闭源基线不可复现性、内部 harness 同源性提醒我们：这份成绩单成立于作者设定的评测协议之内。无论后续如何演进，K3 已经改变了"开源模型落后闭源一代"的行业默认叙事——它把战场从"能否追上"移到了"在哪些轴上先追上"。