2.8万亿的含金量还在上升

近日，由前Google首席科学家Jeff Dean投资的AI初创公司hillclimb发布了新的基准测试DeepRSI，专门评估大模型的递归自我改进（RSI）与自主科研能力。首期榜单显示，Claude Fable 5.1以1548分位列第一，GPT-6 Astra以1232分紧随其后，月之暗面的2.8万亿参数模型Kimi K3以820分冲到第三，同时是国产第一、开源第一，超过Grok 4.7和Gemini 3.8 Flash。

不仅如此，加上成本数据的榜单也值得关注：Kimi K3的测试运行成本159美元，约为Claude Fable 5.1（约627美元）的四分之一，GPT-6 Astra的三分之一。

综合 | X OpenRouter AWS  编辑 | Arti

本文仅为信息交流之用，不构成任何交易建议

48小时自主科研：DeepRSI在测什么？

理解这个榜单，需要先理解DeepRSI这个基准到底在测什么。

传统大模型基准的测试时间通常在12小时左右，考题也是研究人员设计的短期任务。DeepRSI直接把时间拉长到了48小时，考题换成了正在进行中的真实机器学习研究，共15道题，覆盖深度学习训练方案优化、GPU内核加速、估计器精度提升以及向量搜索等算法改进四大方向。

考试规则同样严苛：所有模型在无网络环境下，使用统一的Pi Agent框架，以最高推理强度完成任务。AI需要自己提出方案、编写代码、运行实验，再根据结果不断调整。打分采用“公开验证器+私有验证器”双重机制，前者允许AI反复测试优化，后者负责最终验收，防止模型针对公开测试过拟合。最终通过Bradley-Terry模型换算成Elo评分。

这套机制的核心逻辑是：检验AI能否像科研人员一样，在长达48小时的反复试错中持续找到更好的解决方案。时间越长，模型之间的差异就越明显。DeepRSI官方测试显示Kimi K3以820分位列第三，虽然与顶尖模型Claude Fable 5.1和GPT-6 Astra相比仍有明显差距，但作为开源模型已经超过了Grok 4.7这样的闭源模型。

2.8万亿的含金量

Kimi K3拥有2.8万亿总参数，是全球首个开源的3万亿级别模型，超大模型的含金量，不只在基准测试的排名上，更在开发者生态的实际采用上。

10月15日，亚马逊AWS旗下增长最快的开发者产品——AI编程助手Kiro，宣布接入Kimi K3模型。Kiro客户覆盖西门子、达美航空、Appian等全球企业。这也是9月19日AWS Bedrock在全球上线Kimi K3模型之后，首次接入亚马逊官方应用。此前，在AWS上架并参与分成的只有OpenAI和Anthropic的闭源模型，Kimi K3是首个参与全球分成的开源模型。

9月22日，OpenRouter公布2026年1月到8月平台增速，Kimi收入增长24倍，排名第一。从表中的数据看，增长主要来自7月发布的K3模型。

8月6日，微软编程助手GitHub Copilot首次接入开源模型Kimi K3。开发者可以在Visual Studio Code、Visual Studio、Copilot CLI、JetBrains IDEs、Xcode、Eclipse以及GitHub移动应用中直接选择Kimi K3作为编码模型。一个开源模型首次被集成进全球最大的开发者平台之一，这本身就是对其性能的认可。

榜单和生态之外的账本

先说榜单本身。DeepRSI测的是48小时的递归自我改进能力——一条此前没有基准覆盖的新赛道。Kimi K3以2.8万亿的开源之身跑进前三、压过Grok 4.7这样的闭源模型，说明超大参数模型在长程推理和自主迭代上确实有更高的潜力天花板：scaling的逻辑在RSI这条赛道上依然成立，月之暗面"超大模型+开源"的路线赌对了方向。

而比技术验证更值得放进估值模型的，是这轮发布中几乎同时出现的几个商业化信号。

最直接的是收入。OpenRouter上24倍的收入增速、排名第一的增长曲线，说明K3的调用量已经形成真实现金流；而进入AWS Bedrock的分成体系，则意味着月之暗面成为首个在全球最大云渠道拿到分账收入的开源模型厂商——开源的商业模式，第一次从"换口碑"变成了"换收入"。

然后是渠道。GitHub Copilot和Kiro的接入，本质是拿到了全球开发者分发网络的入场券——这类to B渠道一旦建立，替换成本很高，收入的可复制性也远强于单点的API调用。

把这几件事放在一起，更像是一次交叉验证：技术端，超大参数模型的RSI潜力开始有了数据支撑；商业端，收入、渠道等信号在同一季度里集中改善。“2.8万亿”的含金量，还在上升。但是按照Kimi发布模型的节奏，下一代模型应该也快发布了，能否承接住这个趋势，就要看新模型的实际表现了。