月之暗面（Moonshot AI）旗下 Kimi 团队上周发布 Kimi K3，在人工智能分析公司（Artificial Analysis）的代理知识工作基准 AA-Briefcase 中以 1543 的 Elo 分数位列第二，仅次于 Claude Fable 5（1574），领先 GPT-5.6 Sol、Claude Sonnet 5 和 Claude Opus 4.8 等主流模型。
AA-Briefcase 测什么
AA-Briefcase 是 Artificial Analysis 自建的代理能力测评，模拟真实办公场景：模型需在完全私有的数据集上处理数千个复杂输入文件，产出电子表格、演示文稿、界面原型等可交付成果。评分维度涵盖任务正确性、分析质量和呈现质量，最终合成为单一 Elo 分数。Kimi K3 在这份试卷上较上一代 Kimi K2.6（816 分）提升了 727 分，进步幅度显著。
能力长短板
在客观任务通过率上，Kimi K3 达到 51%，仅次于 Fable 5（56%），优于 Sonnet 5 和 GPT-5.6 Sol。分析质量 Elo 为 1754，与 Fable 5 的 1744 基本持平，说明模型在推理与信息整合上已属第一梯队。但呈现质量相对薄弱，Elo 为 1471，落后于 GPT-5.6 Sol（1660）和 Opus 4.8（1492）——换言之，Kimi K3 能把事情做对、分析到位，但在输出格式和可视化呈现上仍有提升空间。
代价：成本与耗时双高
高表现的另一面是资源消耗。Kimi K3 单次任务平均耗时 56.4 分钟，约是 Fable 5 的 2.5 倍、Grok 4.5 的 3.8 倍。每个任务平均消耗 120k 输出 token、穿越 83 轮对话（GPT-5.6 Sol 仅需 50 轮），使用第一方 Kimi API 时速度也相对较慢。折算到成本上，单任务约 10.57 美元，在 AA-Briefcase 测评模型中属最贵一档。Kimi K3 的 token 定价为输入 3 美元/百万、输出 15 美元/百万，缓存 token 有 90% 折扣，但高轮次与高输出量仍推高了实际开销。
综合来看，Kimi K3 在知识型代理任务中已具备接近顶级的执行能力，但企业在选用前需权衡其部署成本与响应速度——它更像是一个「做得对但有点慢、有点贵」的专业助手。
编注：信源为人工智能分析公司（Artificial Analysis）测评报告，数据截至 2026 年 7 月。材料覆盖 Kimi K3 在 AA-Briefcase 的完整成绩与成本耗时对比，未涉及该模型在其他基准的表现或商业定价策略。