背后原因，涉及K3的发布同时冲击了三方面：技术能力上力求与全球前三看齐，成本上做到对手的一半，路线上坚持开源对抗闭源。所有冲击波交织着一条主线：当“足够好”变得足够廉价，前沿AI的溢价还能维持多久？
RL Scaling的初次大规模实践
要明白K3为何引发巨大震动，需回溯到2024年。当时杨植麟在内部分享了一个模型叫K0-Math，它不依靠死记硬背解题，而是仿照人类完成题目后自我检查、自我纠错，将修正过程转化为经验积累。该模型的数学成绩超过了OpenAI当时的顶尖模型o1。
杨植麟就此提出一个论断：下一阶段的Scaling Law并非一味增加数据和算力，而是Reinforcement Learning Scaling（RL Scaling）。传统方法让模型“死记硬背”，RL Scaling则是让模型“学会解题”。
K3正是这一理念的首度大规模生产实践。
技术细节上，K3的参数量达到2.8万亿，采用稀疏MoE架构，896个专家每次仅激活16个，堪称全球规模最大的开源模型。它的KDA混合线性注意力机制，令百万token级别长文本的解码速度提升了6.3倍；Attention Residuals技术使训练效率提升约25%，额外开销不足2%。
最具革新性的是“视觉闭环”，它将RL Scaling从纯数学领域扩展至带视觉反馈的全方位应用。K3在写完代码后能自我修正，形成“生成—观察—迭代”的完整工作流。技术报告呈现了两个实例：从无到有创建了一个可骑马的3D开放世界游戏，以及从56段素材中独立剪辑出预告片，实现帧级精准的节奏同步。
在Frontend Code Arena前端编程竞赛中，K3以1679分的成绩夺得全球第一，力压Fable 5和GPT-5.6 Sol。但K3的技术报告也坦言：整体性能仍不及最顶尖模型。在DeepSWE长程工程基准测试中，K3的67.5分低于GPT-5.6 Sol的73.0分和Fable 5的70.0分。
更值得关切的是，Artificial Analysis的测评显示K3的幻觉率较上一代K2.6有所上升。对于专注于长程编程和知识工作的模型来说，关键环节的幻觉可能导致整个任务链中断。同时，K3对部署框架要求苛刻，环境切换后表现可能大幅波动；面对模糊任务时，模型还倾向于“过度主动”，直接替用户决策而非先行确认需求。
这些缺憾恰恰印证了K3虽非最强，却是最具性价比的选择。“足够好”加上“足够便宜”，组合起来最具颠覆定价权的能力。当消费者发现开源模型能完成闭源前沿模型的多数任务，成本却只有后者的半价时，稀缺性定价的基础便开始动摇。
华尔街的“DeepSeek 2.0时刻”降临
市场对“足够好”与“足够便宜”的反应，超出多数人预期。
K3发布的第一个交易日，英伟达单日市值缩水约1111亿美元，跌幅5.3%。费城半导体指数一周下挫12.5%，跌入技术熊市区域。72小时内美股AI板块市值蒸发约4700亿美元，全球科技股三日累计缩水超3万亿元。摩根大通策略师在研报中直接点题为“DeepSeek 2.0”。
市场恐慌根源在于，若K3能以更低成本追平美国同行，英伟达GPU需求的“无限增长预期”是否依然成立？若模型性能提升不再依赖无限算力加持，整个AI产业链的估值体系是否需要全面调整？
华尔街内部并非同质化群体。摩根大通建议对AI芯片股回调反常态为买入机会，视恐慌过度；摩根士丹利更看好超大规模云厂商而非芯片商，认为算力需求结构正在变迁；高盛将其定性为“去杠杆事件”，高盛合伙人甚至直言“算力扩张阶段可能已告一段落”。
分歧要点，在于模型与算力之
