一个反常现象正在出现：
国产大模型一边继续开源，一边开始进入更高价格带。
月之暗面近日发布Kimi K3。这个模型总参数达到2.8万亿，支持100万Token上下文，面向长程编程、知识工作、推理等场景，并原生支持视觉理解。
它被称为目前全球参数规模最大的开源大模型。
但真正值得讨论的，不只是“参数更大”或“跑分更高”。
Kimi K3把大模型竞争从单点能力，进一步推向了产业链竞争：
谁能用更低成本支撑超大模型训练与推理，谁能把开源模型真正部署到企业场景，谁就可能获得下一阶段AI基础设施的主动权。
这也意味着，Kimi K3的产业影响不止落在模型公司本身，还会传导到国产加速卡、AI服务器、高速互联、液冷散热、智算中心、深度学习框架、模型安全和MaaS服务等环节。
短期看，这是一次国产大模型的能力展示。
长期看，它提出了一个更难的问题：
当开源模型越来越强，真正的壁垒会从模型参数，转向算力组织能力、软硬件适配能力和商业化交付能力。
什么是Kimi K3产业链
Kimi K3产业链，本质上是围绕超大规模开源大模型训练、部署、推理和应用形成的一套产业分工。
它不是单纯的“模型产业链”。
因为Kimi K3这类模型的运行条件，已经明显超出普通软件产品。
2.8万亿总参数、100万Token上下文、MoE稀疏架构、原生视觉理解，这些能力背后对应的是更复杂的算力调度、更高带宽的通信网络、更强的散热系统，以及更成熟的模型工具链。
月之暗面强调，K3的重点并不是简单堆参数，而是通过模型架构和训练方法的协同优化，把规模转化成实际能力。
这一点很关键。
在大模型行业早期，参数规模本身曾经是能力象征。
但到今天，模型公司更需要回答三个问题：
能不能高效训练？
能不能低成本推理？
能不能稳定进入企业生产系统？
Kimi K3的产业链，正是围绕这三个问题展开。
从上游看，它依赖AI芯片、服务器、高速互联、液冷和智算机房。
从中游看，它涉及模型架构、训练框架、编译器、推理加速和私有化部署。
从下游看，它指向企业API、代码生成、知识工作、智能体、行业应用和云服务分发。
所以，Kimi K3不是一个孤立模型，而是国产AI产业链成熟度的一次集中检验。
从模型到基础设施
围绕Kimi K3，可以把产业链分为三类核心环节。
第一类是算力基础设施。
这包括国产加速卡、AI服务器、超节点、高速互联、光模块、交换机、液冷系统和AIDC智算中心。
Kimi K3官方建议至少64卡超节点才能部署。
这意味着开源并不等于低门槛自部署。
普通企业即便拿到模型权重，也未必具备足够的硬件条件和运维能力。
真正承接红利的，首先是能够提供算力集群、机房、运维和适配服务的基础设施厂商。
第二类是模型技术层。
Kimi K3采用KDA混合线性注意力机制，也就是Kimi Delta Attention，并结合注意力残差机制。
同时，它使用896选16的超稀疏MoE架构，每次推理只激活16个专家，激活比例为1.79%。
这种结构的意义在于，它试图在模型规模和推理成本之间寻找平衡。
总参数很大，但每次调用的有效计算量被控制住。
这也是当前全球头部模型公司的共同方向之一：
不是无限增加算力消耗，而是在架构、上下文、工具调用、Agent协作和软件工程能力上继续推进。
第三类是应用与服务分发。
Kimi K3支持长程编程、知识工作和推理任务，也支持视觉理解和文本输入。
这类能力天然适合进入企业API、私有化部署、代码助手、知识库问答、行业智能体和模型微调服务。
阿里云、腾讯云等云厂商上线K3企业API，华为云CodeArts集成K3，软通动力、润和软件等承接行业定制化部署。
这些动作说明，大模型竞争正在从“发布模型”走向“交付模型”。
国产大模型进入开源高端化阶段
国产大模型的发展，大致经历了三个阶段。
第一阶段是追赶通用能力。
这一阶段的核心任务，是在中文理解、对话、文本生成、代码能力和多轮交互上接近海外模型。
模型公司主要比拼参数、语料、训练规模和基础能力。
第二阶段是差异化路线出现。
长上下文、代码生成、多模态、智能体、开源权重、低价API，成为国产模型寻找突破口的几个方向。
Kimi早期凭借长上下文获得关注，本质上就是在通用大模型竞争之外，找到一个高频、刚需且容易形成用户认知的切口。
第三阶段是开源与高端化并存。
Kimi K3的特殊之处在于，它既是开放权重模型，又开始进入更高价格带。
其每百万Token定价为：输入3美元、输出15美元、缓存命中0.3美元，与Claude Sonnet 5一致。
在国内模型长期以低价竞争、分层降价为主的背景下，这是一个值得关注的变化。
Kimi K3成为首个定位于双位数价位的国产模型，价格较自身此前版本提升近4倍，也明显高于国产模型常规定价。
这说明月之暗面试图证明一件事：
国产模型不只能打价格战，也可以用能力和场景价值支撑更高单价。
不过，用户反馈也显示，Kimi K3推理速度较快，但Token消耗也很快，综合成本并不低。
这提醒市场，大模型价格不能只看标价，还要看上下文长度、调用频率、任务复杂度和Token消耗结构。
高性能模型的商业化，不只是“降价”，也可能是“分层提价”。
开源模型背后的成本再分配
Kimi K3带来的产业变化，不是把成本消灭，
