万亿参数俱乐部一夜扩容：Kimi K3、Inkling、LongCat-2.0 三箭齐发，开源 AI 的「中美竞合」新常态

过去 48 小时，可能是开源大模型历史上密度最高的发布窗口。

7 月 16 日晚，月之暗面发布 Kimi K3——2.8 万亿参数，全球首个超 2 万亿级开源模型，综合智能仅次 Claude Fable 5 和 GPT-5.6 Sol。同一天，前 OpenAI CTO Mira Murati 创立的 Thinking Machines Lab 发布首个从零训练的开放权重模型 Inkling（9750 亿参数），架构借鉴 DeepSeek-V3，后训练数据来自 Kimi K2.5。7 月 12 日正式开源的 LongCat-2.0（1.6 万亿参数，6 月 30 日首次发布）全量推理代码和模型权重在社区持续发酵——OpenRouter 匿名测试期登顶开发者使用榜的细节被一一扒出。

三款模型，三个完全不同的出身、不同的技术路线、不同的商业诉求。但放在一起看，它们勾勒出了一幅比任何单款模型都重要的图景：开源 AI 正在进入”中美竞合”的新常态。

三款模型，三种技术叙事

Kimi K3：用架构创新撬动 Scaling 效率。 月之暗面没有简单堆参数——2.8T 的体量背后，是两套自研架构创新的产物。Kimi Delta Attention（KDA）和 Attention Residuals（AttnRes）改写了序列长度和模型深度两个维度的信息流，搭配 Stable LatentMoE（896 专家中每次激活 16 个），官方称整体 Scaling 效率相比 K2 提升了约 2.5 倍。在 GPU Kernel 优化评测中，K3 的性能接近 Claude Fable 5（含 fallback），远超 Opus 4.8 和 GPT-5.6 Sol。在 Frontend Code Arena 前端代码竞技场中，K3 以 1679 分排名全球第一，超越 Claude Fable 5，在品牌与营销、基于参考的设计、数据与分析等 7 个细分领域中 6 个拿下榜首。更值得关注的是，K3 在开发后期已承担了团队内部大部分 Kernel 优化工作——这是递归自我改进（RSI）在工业级管线中的一次真实落地。K3 完整权重将于 7 月 27 日公开，届时开发者将可获取这一全球最大开源模型的全部参数。

Inkling：美国最明星 AI 创业公司的”中国基因”。 Mira Murati 从 OpenAI 出走一年半后交出的首份答卷，处处透着务实。975B 总参/41B 激活的 MoE 架构，明确借鉴 DeepSeek-V3 设计；在 45 万亿 token 的多模态数据（文本/图像/音频/视频）上完成预训练；后训练阶段大量使用 Kimi K2.5 生成的合成数据；定位不是”最强”，而是”可定制、可部署、可控成本”。Inkling 最亮眼的数据不在推理榜单——AIME 2026 的 97.1% 和 AIME 2025 的 98.5% 确实出色，但真正体现其差异化的是：在 Terminal Bench 2.1 上仅用 Nemotron 3 Ultra 约三分之一的 Token 就达到同等性能。不过，SWE-Bench Pro 的 54.3% 和 GLM 5.2 的 62.1% 之间的差距，说明在 Agentic Coding 这个当下最热的战场上，Inkling 还有明显的追赶空间。Inkling 通过 Thinking Machines 旗下的 Tinker 平台提供微调和托管服务，完整权重已同步在 Hugging Face 开放。

LongCat-2.0：五万张国产卡的”存在性证明”。 美团的故事最特别：一家外卖公司，用五万张国产 AI 芯片，从零训出了一个 1.6T 参数的 MoE 模型，MIT 许可证全开源，在 OpenRouter 上匿名跑了两个月（化名”Owl Alpha”）爬到开发者使用榜第一——没人猜到是美团。135B 参数的 N-gram Embedding 是 LongCat-2.0 最独特的设计选择：把常见代码模式（函数签名、导入模板、重复结构）缓存起来，让 MoE 专家层专注于新逻辑。$0.75/M input tokens 的定价，是 GPT-5.5 的七分之一。至于是否真的”全流程国产芯片”——这个最核心的 claim 目前只有美团自己的声明，尚无独立第三方验证。

不是”开源军备竞赛”，是”竞合交织”

三款模型放到一起看，最有趣的不在于谁参数更大、谁分数更高，而在于它们之间的技术血缘关系揭示了一个比”竞赛”更复杂的现实。

Inkling 的架构借鉴中国 DeepSeek-V3，后训练数据来自中国 Kimi K2.5——一个由前 OpenAI CTO 创办的、美国最受瞩目的 AI 独角兽，其首个模型的”技术血缘”有一半在中国。而 Kimi K3 的 KDA 和 AttnRes 架构、LongCat-2.0 的 LSA 稀疏注意力和 N-gram Embedding，又代表了完全独立于 Transformer 主流路线的原创探索。

这不是单向的”中国追赶美国”或”美国借鉴中国”，而是一种新型的竞合关系：技术上互相借鉴、架构上各自突破、生态上彼此依存。Mira Murati 团队选择用 Kimi K2.5 的数据做后训练而不用 OpenAI 的资源（她显然有这个能力），本身就是一个值得深思的信号——开源生态的网络效应正在让”完全独立研发”变得既不经济，也不明智。

三个趋势研判

第一，MoE 稀疏架构已成开源模型的”操作系统”。 Kimi K3 的 896 专家/16 激活、Inkling 的 256 专家/6 激活、LongCat-2.0 的 48B 平均激活——三款模型不约而同地选择 MoE 路线，且稀疏度越来越高（LongCat-2.0 接近 97%）。这背后是同一个经济逻辑：万亿参数如果全部密集激活，推理成本将无法在开源生态中运转。MoE 不是炫技，是开源的生存刚需。

第二，Agentic Coding 是开源模型的”主战场”。 三款模型的产品定位高度一致——Kimi K3 发布当晚就在 Kimi Code 上线；Inkling 在 SWE-Bench 系列投入了大量 RL 训练（3000 万+ rollouts）；LongCat-2.0 直接以”为 Agentic Coding 而生”作为核心卖点。这并非巧合：与需要多模态理解和复杂推理的通用对话相比，代码生成和 Agent 执行是门槛最低、ROI 最高、用户付费意愿最强的开源落地场景。

第三，“最大最强”的叙事正在退场，“成本-性能均衡”成为新共识。 三款模型的官方表述里，没有一家说自己”最强”。Kimi K3 坦承”综合智能仍落后于最强大的闭源模型”；Inkling 定位”并非当前最优，但兼顾通用性与灵活适配”；LongCat-2.0 主打价格和国产化。回想两个月前 Llama 4 Ultra 开源登顶时那种”开源超越闭源”的亢奋叙事（彼时 Meta 还站在开放权重阵营），今天的三连发更像是一种冷静的务实：不是要打败 GPT-5.6，而是在它能覆盖的范围之外，找到自己的生态位。

结语

7 月 16-17 日的三连发，不是一次孤立的事件，而是一次”共振”。Kimi K3 证明了参数规模的极限尚未触及，Inkling 诠释了开源生态的互鉴价值，LongCat-2.0 验证了国产算力的规模化可行性。三者共同指向一个判断：全球 AI 竞争已从”模型对模型”的擂台赛，演进为”生态对生态”的基础设施博弈。 在这个博弈里，开源不是战术，是战略。