十天上架西方企業雲：Kimi K3 開源權重改寫的不是排行榜，是模型採購

導言：30 秒版

7 月 27 日，北京的 Moonshot AI 把 2.8 兆參數的 Kimi K3 權重放上 Hugging Face，檔案共 1.56TB，任何人都能下載。十天後的 8 月 6 日，它已經以完整企業治理的姿態上架 Databricks，和 Anthropic、OpenAI、Google 的閉源模型並排在同一個下拉選單裡。中間還夾著 Together AI 兩篇文章：一篇拿它對打 OpenAI 的 GPT-5.6 Sol，一篇教開發者怎麼在美國機房用它跑滿 100 萬 token 上下文。

這個速度本身就是新聞。前沿等級的開源權重模型，從權重公開到進入西方企業雲的受治理採購目錄，只花了十天。如果你負責公司的 AI 預算或模型策略，這件事對你的意義不是「又一個中國模型很強」，而是：模型採購正在從「選一家供應商」變成「管一個組合」，而開源權重把組合裡最便宜那個選項的品質拉到了前沿。

事實鏈：十天發生了什麼

7 月 27 日，權重公開。 Moonshot 在 Hugging Face 釋出 Kimi K3 完整權重：2.8 兆總參數、每 token 啟用 1,040 億、100 萬 token 上下文窗、原生多模態。Model card 原文寫「It is the world's first open 3T-class model」，意即這是世界上第一個開放的 3 兆參數級模型。來源：HF model card。獨立觀察者 Simon Willison 當天記錄權重檔共 1.56TB，並指出授權不是開源授權。授權原文寫明：「If the Licensee or any of its affiliates operates a Model as a Service business, and the aggregate revenue…exceeds 20 million US dollars…the Licensee must enter into a separate agreement with Moonshot AI」，也就是拿它做模型即服務生意、年營收超過 2,000 萬美元者，必須先跟 Moonshot 另簽協議。他同時肯定 Moonshot 的誠實：官方材料一律自稱 open weight 開放權重，不冒稱 open source。來源：simonwillison.net。

7 月 26 日，權重公開前夕，Together 先開打。 Together AI 發表 904 次完整測試的對比報告，拿當時還只能走 Moonshot 自家 API 的 K3 對打 GPT-5.6 Sol：單次嘗試 Sol 勝，72.7% 對 68.5%；給四次機會 K3 反超，89.4% 對 85.8%，而且每次執行成本 4.65 美元對 8.37 美元。報告的結論不是誰贏，而是「兩個模型錯的地方不一樣，先跑便宜的、失敗再升級到貴的」這條路由策略比任何單一模型都好。原文：「a Kimi-first cascade that escalates to Sol covers 108 of 113 tasks and reaches about 85.6%」。來源：Together blog。注意：這是 Together 自己跑的測試，而 Together 賣的正是多模型路由的基礎設施，數字利益相關，本文只取方向不背書精度。

8 月 1 日，Together 正式開賣。 開發者指南上線：美國機房供應、支援完整 100 萬 token 上下文、OpenAI 相容 API。定價三檔：輸入命中快取每百萬 token 0.30 美元、未命中 3 美元、輸出 15 美元。來源：Together guide，與 Simon Willison 記錄的 OpenRouter 上七家供應商 $3/$15 報價互相印證。

8 月 6 日，Databricks 上架，帶完整治理。 Databricks 宣布 K3 進入 Foundation Model API：由 Databricks 在美國自行託管、零資料保留、受 Unity AI Gateway 治理，權限、稽核、預算控制跟該平台上的閉源模型一視同仁。原文：「By offering native access to Kimi K3, together with top proprietary models from Anthropic, OpenAI and Google Gemini customers have maximum choice and control」。Databricks 並宣稱 K3 在其內部企業測試中「50–72% lower cost-per-task than comparable proprietary models」，即比同級閉源模型每任務成本低五到七成。來源：Databricks blog。此成本數字為 Databricks 單方宣稱，未附方法細節。

這改變誰的什麼決定

• 企業 AI 平台負責人：模型策略的單位變了。 治理曾是閉源 API 廠商的隱含賣點，你買的是合規、稽核、SLA。Databricks 這次示範了平台方可以把整套治理代工掉，而且代工週期壓進兩位數天：上一個可比前例 DeepSeek-R1 從權重公開到 AWS Bedrock 全託管上架花了 49 天，見 AWS 公告；K3 走完同等治理等級只花 10 天。該做的決定：下次續約前，把「組合＋路由＋可換手」列入評估，拿自己的工作負載實測一次開源權重選項。
• 法務與採購：「開源」兩個字不是結論。 Kimi K3 的授權不是 MIT：年營收 2,000 萬美元以上的模型服務商，需先與 Moonshot 另簽協議。該做的決定：自建部署或轉售前，先讀授權原文，把這條門檻寫進採購檢核。
• 閉源模型廠商的客戶經理：對手換了。 三個獨立來源方向一致，前沿等級品質出現約半價選項，而且跑在客戶自選的雲上；Together 與 Databricks 同時在教客戶「便宜的先跑、失敗再升級」。該做的決定：重寫你的價值主張。你的競品不再只是別家實驗室，而是「你自己的模型＋半價開源權重」的組合，純 API 轉售的溢價空間正在被壓縮。

邊界：我們不知道什麼

• Together 的對比數字是單源。 904 次測試由 Together 自跑，且 Together 的商業模式正是多模型路由。方向可信：單次品質略遜、多次嘗試反超、成本約半；精確百分比無獨立覆核。
• Databricks 的成本宣稱同樣單源，未公開測試方法與對照定價；Databricks 上 K3 的實際 API 價格未見於公告文中，本文不推測。
• Moonshot 的訓練成本、算力來源、訓練資料構成：未公開。
• 採用量未知。 上架不等於用量。Hugging Face 顯示月下載約 139 萬次，屬平台讀數、含自動化下載；西方企業實際生產部署有多少，目前沒有可查證的數字。
• 地區限制。 Databricks 與 Together 目前均為美國託管；Databricks 上 Azure 走的是接入而非原生託管。歐洲與其他地區的合規落地仍是未答之題。