数据来源非线智能Nonelinear 非线智能团队，维护着GitHub上的开源项目 chinese-llm-benchmark，目前 6,000+ Stars，长期占据中文LLM商业评测类项目Star数第一

githun管网图正文：

月之暗面在2026年7月发布了Kimi K3。官方将其称为目前Kimi体系中能力最强的模型，定位覆盖长程coding、知识工作、推理和原生多模态，并强调这是一个2.8T参数、1M上下文窗口的开放3T级模型。本次我们对其API版本kimi-k3进行了全面评测，测试其在准确率、响应时间、token消耗和调用花费等关键指标上的表现。

需要说明的是，本次评测侧重中文场景下的综合能力考察，覆盖教育、医疗、金融、法律、推理数学、语言指令、Agent工具调用以及coding八个板块。

kimi-k3版本表现：

  • 测试题数：约1.5万

  • 总分（准确率）：75.6%

  • 平均耗时（每次调用）：80s

  • 平均token（每次调用消耗的token）：1962

  • 平均花费（每千次调用的人民币花费）：172.4

1、新旧对决

对比上一代参照模型kimi-k2.6，kimi-k3的变化很清楚：中文综合总分冲到榜单第二，coding、法律、推理数学、金融和教育都有提升；同时，响应时间和token消耗明显下降，但调用成本因为输出单价上调而继续走高。数据如下：

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】月之暗面 Kimi K3 实测：中文综合表现升至第二，耗时减半但调用成本走高引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】月之暗面 Kimi K3 实测：中文综合表现升至第二，耗时减半但调用成本走高

*数据来源：非线智能ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark

*输出价格单位： 元/百万token

  • 总分小幅提升，排名上移明显：kimi-k3总分为75.6%，相比kimi-k2.6的72.9%提升2.7个百分点，排名从第15位升至第2位。仅看ReLE中文综合准确率，kimi-k3已经进入当前总榜最靠前的一档。

  • Coding提升最突出：coding从62.6%提升至70.3%，提升7.7个百分点，是本次细分项中增幅最大的一项。这与官方强调长程coding、代码Agent和复杂工程任务的方向一致。

  • 法律和推理也有明显增量：法律与行政公务从80.3%提升至85.3%，提升5.0个百分点；推理与数学计算从82.5%提升至86.3%，提升3.8个百分点。这两个维度的提升说明kimi-k3并不是只在代码方向做优化，基础推理和中文专业任务也同步上移。

  • 金融和教育继续改善：金融从86.4%提升至89.7%，提升3.3个百分点；教育从62.4%提升至65.7%，同样提升3.3个百分点。医疗与心理健康保持在89.3%，语言与指令遵从从71.6%微升至72.5%。

  • Agent工具调用小幅回调：agent与工具调用从63.2%降至61.3%，下降1.9个百分点。

  • 响应速度改善很明显：平均耗时从175s缩短至80s，减少95s，耗时下降约54.3%。对于Kimi体系上一代旗舰来说，这是一次很关键的体验提升。

  • Token消耗接近减半：平均token从3885降至1962，减少约49.5%。这说明kimi-k3并不是通过更长输出换取总分提升，而是在更短输出中取得了更高准确率。

  • 成本仍然上行：输出价格从27.0元/百万token升至100.0元/百万token，每千次调用花费从100.4元升至172.4元，增加约71.7%。

2、横向对比

在当前主流大模型竞争格局中，kimi-k3作为月之暗面新的旗舰模型表现如何？我们从三个维度进行横向对比分析：

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】月之暗面 Kimi K3 实测：中文综合表现升至第二，耗时减半但调用成本走高

*数据来源：非线智能ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark

同成本档位对比

  • 约140至180元区间看站位：kimi-k3（75.6%，172.4元）处在高端调用成本区间，主要参照对象包括qwen3.6-max-preview（75.4%，139.2元）、gpt-5.5（75.3%，158.5元）和gemini-3.5-flash（73.9%，151.2元）。在这一档里，K3总分略高于这几款模型，但成本也更高。

  • 速度不是主要优势：kimi-k3平均耗时80s，慢于gpt-5.5（15s）、gemini-3.5-flash（13s）、gemini-3.1-pro-preview（53s）和qwen3.7-max（51s），与qwen3.6-max-preview（80s）持平，但明显快于kimi-k2.6（175s）和两款高成本豆包模型。kimi-k3的速度已经比Kimi上一代旗舰实用很多，但还不是低延迟模型。

  • 向上看头部模型：kimi-k3低于qwen3.7-max（76.9%，99元），但高于doubao-seed-evolving（75.5%，304.7元）、qwen3.6-max-preview（75.4%，139.2元）、gpt-5.5（75.3%，158.5元）、gemini-3.1-pro-preview（75.2%，250.5元）、doubao-seed-2-1-pro-260628（74.8%，313.2元）和claude-opus-4.8-thinking（74.7%，238.2元）。

  • 向下看低成本替代方案：qwen3.7-plus（73.5%，31.7元）、qwen3.5-plus（73.3%，22.9元）、glm-5.2（73.0%，110.5元）、kimi-k2.7-code（72.6%，49.7元）和deepseek-v4-pro（71.7%，54.3元）都以更低成本提供接近但低一些的中文综合总分。

新旧模型对比

  • 月之暗面旗舰位置重新上移：kimi-k3（75.6%）相比kimi-k2.6（72.9%）提升2.7个百分点，相比kimi-k2.7-code（72.6%）提升3.0个百分点，也高于Kimi-K2.5-Thinking（70.8%）和Kimi-K2-Thinking（65.0%）。

  • 放到近期新模型里看：kimi-k3（75.6%）仅低于qwen3.7-max（76.9%），高于doubao-seed-evolving（75.5%）、qwen3.6-max-preview（75.4%）、gpt-5.5（75.3%）、doubao-seed-2-1-pro-260628（74.8%）和gpt-5.6-sol-pro（74.4%）。

开源VS闭源对比

  • 开放权重阵营的新高位：当前总分高于qwen3.5-plus（73.3%，22.9元）、glm-5.2（73.0%，110.5元）、kimi-k2.6（72.9%，100.4元）、kimi-k2.7-code（72.6%，49.7元）和deepseek-v4-pro（71.7%，54.3元）。需要补充的是，官方博客称完整模型权重将于2026年7月27日前发布，因此现阶段更适合把它看作即将开放权重的旗舰模型。

  • 闭源头部的压力仍在：qwen3.7-max（76.9%，99元）仍是当前总榜第一，并且成本低于kimi-k3；gpt-5.5（75.3%，158.5元）虽然总分略低，但平均耗时只有15s；gemini-3.5-flash（73.9%，151.2元）也有更低延迟。kimi-k3的优势在总分和开放生态组合，而不是速度或成本。

3、官方评测

根据月之暗面官方博客（https://www.kimi.com/blog/kimi-k3），Kimi K3是Kimi当前最强模型。官方称其总参数规模为2.8T，具备原生视觉能力和1M token上下文窗口，基于Kimi Delta Attention、Attention Residuals和Stable LatentMoE等结构，其中MoE有效激活16个专家、总专家数为896个。官方还提到，这些结构和训练配方让整体扩展效率相比Kimi K2约提升2.5倍。

工程与Coding能力

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】月之暗面 Kimi K3 实测：中文综合表现升至第二，耗时减半但调用成本走高

官方给出的核心基准主要围绕长程工程任务、终端任务和代码Agent。需要说明的是，以下为官方口径，不同模型使用的agentic harness并不完全一致，横向比较需留意测试口径差异：

  • DeepSWE：Kimi K3得分67.5，低于GPT 5.6 Sol的73.0和Claude Fable 5的70.0，高于GPT 5.5的67.0、Claude Opus 4.8的59.0和GLM-5.2的46.2。

  • Terminal Bench 2.1：Kimi K3达到88.3，接近GPT 5.6 Sol的88.8，高于Claude Fable 5和Claude Opus 4.8的84.6、GPT 5.5的83.4以及GLM-5.2的82.7。

  • Program Bench：Kimi K3达到77.8，略高于GPT 5.6 Sol的77.6和Claude Fable 5的76.8。

  • FrontierSWE：Kimi K3达到81.2，低于Claude Fable 5的86.6，高于GPT 5.6 Sol的71.3、GLM-5.2的67.3、Claude Opus 4.8的66.7和GPT 5.5的64.9。

  • SWE Marathon：Kimi K3达到42.0，高于Claude Opus 4.8的40.0、GPT 5.6 Sol的39.0、Claude Fable 5的35.0、GPT 5.5的14.0和GLM-5.2的13.0。

知识工作与Agent任务

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】月之暗面 Kimi K3 实测：中文综合表现升至第二，耗时减半但调用成本走高

官方把K3定位为从聊天走向任务完成的模型，在知识工作和Agent评测上给出了一组结果：BrowseComp为91.2，DeepSearchQA的F1为95.0，Toolathlon-Verified为73.2，MCP Atlas为84.2，Automation Bench为30.8，Office QA Pro为63.3，SpreadsheetBench 2为34.8。官方脚注还说明，若使用1M上下文且不做上下文管理，K3在BrowseComp上的得分为90.4。官方还展示了Kimi Work中的交互式研究报告、咨询报告、科学分析、Widgets和Dashboard等生产力场景。

多模态、推理与可用性

官方称K3具备原生多模态能力，并在多个推理和视觉基准上给出结果：GPQA-Diamond为93.5，HLE-Full为43.5、工具增强后为56.0；MMMU-Pro为81.6，使用python后为83.4；OmniDocBench为91.1，PerceptionBench为58.5。官方还展示了3D游戏、前端、CAD、视频编辑和视觉闭环代码迭代等案例。



非线智能官网https://nonelinear.com 已上线kimi-k3版，欢迎深度体验。 同时，非线智能API可连接超480+全球模型，支持一键Api聚合以及Api中转，提供稳定的企业级服务。 登录github账号，领20-50元体验金。接入kimi-k3就用非线智能API。

非线智能api 图 8