Kimi 把家底开源了，但今天不止这一个主角

Kimi 把 K3 开源了，2.8 万亿参数，连训练工具都一起放

Kimi 今天把自家最强的模型 K3 开源了。这是个 2.8 万亿参数的混合专家模型，不用外挂就能直接理解图像，单次能处理的上下文长达 100 万 token。官方说新架构让每单位算力产出的智能提升了 2.5 倍——打个折理解，就是同等算力下模型更聪明了。

这次开源的不只是模型权重。Kimi 还一起放出了高性能注意力计算内核、MoE 通信库，以及一个叫 AgentENV 的大规模智能体运行环境。AgentENV 的核心卖点是支持快速快照、恢复和分支，适合需要大量并行跑智能体工作流的场景，已经在给 K3 的智能体强化学习训练提供支持。

有意思的是，K3 的架构把大多数推理框架的默认假设都打破了。它采用 69 层 KDA 线性注意力与 24 层 MLA 交错的混合架构，SGLang 和 Miles 在发布当天就搞定了推理和训练支持。SGLang 和 NVIDIA 合作，为 KDA 和 MLA 重写了内存管理，让那个会自我覆盖的循环状态也能用上前缀缓存和投机解码。单卡 batch-1 解码速度达到约 113 tok/s，结合专门为 K3 训练的 DSpark 推测解码，能跑到约 423 tok/s。

12 小时强化学习训练就把 AIME 分数从 43.3% 拉到 76.7%。

Modal 也作为首发合作方上线了 K3，专门训练了一个叫 DFlash 的推理引擎，说能无损加速。但正文没给出加速倍数的具体数字，也没解释 DFlash 怎么做到质量不降。如果是真的，对用 K3 做产品的团队来说能省推理成本，但没数字就没法判断省多少。

Kimi 还发了一个视觉感知基准 PerceptionBench，从 42 个现有基准里扒出前沿模型常犯的视觉错误，归纳成 10 种基础感知能力，做了 3000 道验证题。每道题只考一种感知，不涉及推理或外部知识，相当于给模型的"视力"做单项体检。思路挺好，但缺少具体是哪 10 种能力、样题长什么样，也没给任何模型的跑分结果，这个基准到底有多难、能测出什么新东西，现在还不清楚。

整体看下来，Kimi 这次开源力度很大，模型、训练环境、推理引擎、评测基准一起放，姿态是做足了。但跑分和训练数据还没公开，先别太激动。

Anthropic CEO 亲自下场：我没想禁开源模型，我怕的是别的

同一天，Anthropic 的 CEO Dario Amodei 发了篇博客，澄清一件事：Anthropic 从未主张全面禁止开源权重模型。他说安全的开源模型是公共品，保护主义禁令解决不了他真正担心的两件事。

一是威权政府用更强 AI 获得永久军事优势或深度监控本国人。二是强大模型被滥用于网络攻击、生物攻击，或者出现对齐失控。

他支持三项具体措施：禁止向中国出售高性能芯片及相关的工业级知识蒸馏、对所有足够强大的模型进行强制性安全测试、以及打击利用开源模型进行恶意微调的行为。

这篇博客的时机挺微妙。就在同一天，Kimi 把 2.8 万亿参数的模型开源了，而 Anthropic 自己走的是闭源路线。Dario 选择在这个节点澄清，像是在说"我不是反对开源，我是反对不设防"。

"保护主义禁令无法解决我最担忧的国家安全威胁。"

这个表态对开源社区来说算是个好消息，至少 Anthropic 不会在政策层面推动封禁开源权重模型。但三项措施里的芯片出口管制和强制性安全测试，如果落地，对国内模型厂商的影响可能比禁开源更大。

Google 的 AI 搜索结果覆盖率一年从 15% 涨到 43%

Similarweb 的数据显示，Google 的 AI Overviews（AI 生成的搜索结果摘要）出现率从一年前的 15% 涨到了现在的 43%。AI Mode 的月访问量也从 1.26 亿增至 2.79 亿。

用户行为也在变。搜索长度在增加，从短关键词转向更长的自然对话式查询。Google 还会把用户从 AI Overviews 再引到对话式的 AI Mode 里继续聊。

对靠搜索流量吃饭的网站来说，这个趋势比预想的快。AI 直接给答案正在变成搜信息的默认入口，传统的 SEO 流量被截胡的速度在加快。43% 这个数字意味着将近一半的搜索请求，用户根本不会点进任何网站。

英伟达两年撒出 7500 亿美元？这个数字水分不小

有报道称英伟达过去两年向 AI 公司投了大约 7500 亿美元，其中很大一部分又流回英伟达变成 GPU 采购款。这个循环融资的套路让人想起当年软银和 WeWork 的操作。

但正文没拆开这 7500 亿里多少是英伟达自己的钱、多少是外部资金，也没说清楚哪些算股权投资、哪些只是采购承诺。在搞清楚这笔账之前，这个数字得打个折。

不过方向是对的——英伟达确实在大规模投资自己的客户，而这些客户拿到钱后又回来买 GPU。这种"我投你、你买我"的循环，在芯片短缺的时候是锁定产能的手段，在产能过剩的时候就是撑营收的办法。

五家 AI 公司半年砸了近 5000 万美元游说华盛顿

联邦披露文件显示，OpenAI、Anthropic、Google、微软和 Meta 在 2026 年上半年总共花了 4820 万美元游说华盛顿，比去年同期多了一倍多。

OpenAI 花得最多，1420 万美元；Anthropic 涨得最猛，从去年同期的 220 万跳到 1100 万。这些钱主要砸向 AI 安全、版权、出口管制和能源基建相关的法案。

结合 Dario 那篇博客一起看，Anthropic 的游说开支暴涨不是偶然。开源模型、芯片出口、安全测试这些议题正在从行业讨论变成立法议程，谁在华盛顿的声音大，谁就能影响规则怎么写。

OpenAI 说 43.5% 的工作对话在"跨界"

OpenAI 分析了超过 80 万条工作场景下的 ChatGPT 对话，发现有 43.5% 的提问虽然跟某个岗位相关，实际却在处理另一个职业的活儿。公司管这种现象叫"任务跨界"。

跨得最猛的是市场营销和工程类任务，用户拿它审合同、做数据分析、排查网站故障。小公司里这个效应更明显，因为没那么多专职团队，非专业人士直接用 AI 顶上营销工作。

OpenAI 认为这是岗位职责正在变化的早期信号。这个结论本身不新鲜——AI 让技能边界模糊这件事已经被讨论了很久。但 OpenAI 自己下场用数据论证，更像是在用自家产品论证"岗位边界在模糊，所以你需要我们的工具"。先打个折看。

今日小信号

• Bun 的 Rust 重写六周后一个正式版都没发。由 Claude Code 提交的待处理 PR 从 1277 个涨到了 2475 个，光合并就要跑 86 天 CI。当初说 11 天、16.5 万美元 API 费用就完成合并，实际花费可能已逼近 80 万美元。AI 写代码的速度和工程落地的速度，中间还隔着很长的距离。

• 花 500 美元微调一个 9B 开源模型，在商品目录审核上干掉了顶尖闭源模型。Fermisense 用 GRPO 强化学习微调了一个 9B 模型，质量得分 87.3%，最强闭源组合只拿到 76.9%。成本差距更夸张：微调模型审一千条商品只要 0.5 美元，闭源方案要 19 到 172 美元。文章管这叫"智能所有权"——拿自己的数据、工具和评分标准训一个专干这活的模型。

• AI 公司批量采购珍本书，扫描后直接销毁原件。2022 年前出版的书因为不含 AI 生成的文字，价格更高。一位联邦法官裁定这种做法属于合理使用，理由是销毁原件后同一时间只存在一个副本。Anthropic 挖来了前 Google 图书合作负责人，目标就是搞到"全世界所有的书"。

• NVIDIA 牵头成立 Open Secure AI 联盟，拉上 Microsoft、Hugging Face、IBM 等，打算把 AI 安全工具和防御框架开源，共享威胁情报。方向是对的，但缺少具体成员名单和首批开源项目，目前更像一个倡议。

• GitHub Copilot 推出"Harness"工作流，把原型设计、任务规划、编码和代码审查四个步骤塞进一个工具里。但正文只有标题和导航，没披露具体怎么交互、用了哪个模型、延迟多少。等交互细节公开了再判断它到底省不省事。