2026年7月，中国大模型迎来"双雄对决"：

• 7月16日：月之暗面发布 Kimi K3，2.8万亿参数
• 7月19日：阿里通义发布 Qwen3.8-Max-Preview，2.4万亿参数

两个模型几乎同时发布，参数量都突破2万亿，都宣称对标 Claude Fable 5，都承诺即将开源。

本文基于官方信息，从技术架构、性能表现、生态定位三个维度，深度对比这两大国产旗舰模型。

第一部分：Kimi K3 技术深度解析

2026年7月16日晚，月之暗面（Moonshot AI）发布了新一代旗舰模型 Kimi K3。没有发布会，没有预热海报，K3 直接上线，API 同步开放。

2.8万亿参数、100万上下文窗口、全球首个开源3T级别模型——每一个数字都足够成为头条。但真正值得技术人深挖的，是它背后的架构创新。

一、基础参数（官方确认）

二、核心架构创新

K3 的架构创新可以概括为三大支柱：KDA 混合线性注意力、AttnRes 注意力残差、Stable LatentMoE 专家路由。

2.1 KDA（Kimi Delta Attention）— 混合线性注意力

问题背景

传统 Transformer 的自注意力机制计算复杂度为 O(n²)，当上下文扩展到 100 万 token 时，这是一堵难以逾越的墙。业界已有多种尝试：

• FlashAttention：硬件级算子融合，降低常数因子，但未改变平方复杂度
• Ring Attention：序列并行分摊计算，本质仍是工程优化
• Mamba/SSM：状态空间模型，推理极快但上下文建模弱
• RetNet/RWKV：线性注意力方案，但精度上限受限

KDA 的设计哲学

KDA 走的是一条不同的路：在注意力计算的核心环节做架构级替换。

核心思路分三步：

1. Delta 压缩：不直接计算完整的 QK^T 矩阵，而是通过 Delta 函数对 Query-Key 交互进行稀疏化压缩
2. 线性近似：在保持关键注意力模式的前提下，将复杂度降至 O(n)
3. 残差补偿：对压缩过程中丢失的高频细节，通过轻量级残差连接进行补偿

关键配置（官方确认）

与现有方案对比

KDA 的关键突破在于：它不是简单地用线性函数替代 softmax，而是通过 Delta 压缩保留注意力矩阵中的关键模式，再用残差补回细节。这使得 K3 在 100 万上下文下的注意力质量明显优于纯线性注意力方案。

2.2 AttnRes（Attention Residuals）— 注意力残差

问题背景

传统 PreNorm 残差连接把历史层输出按固定权重 1 累加。网络越深，单个新层在 residual stream 中的相对贡献越可能被稀释。

AttnRes 的核心思想

AttnRes 让当前层对历史层表示计算 softmax 权重，按输入选择更有用的早期表示，而非均匀累积。

两种版本：

官方数据

• 额外成本：<2%
• 训练效率提升：~25%

注意：官方坦承"尚无独立论文完整披露机制细节"，第三方理解依赖技术博客与演讲的零散信息。

2.3 Stable LatentMoE — 稳定专家路由

在 896 个专家的极端稀疏度下，路由和优化成为一阶挑战。K3 采用四项技术确保稳定训练：

效果：整体扩展效率较 Kimi K2 提升约 2.5 倍。

三、训练与推理优化

四、性能评测（官方数据）

4.1 编程能力

4.2 综合能力

4.3 官方坦诚

"While its overall performance still trails the most powerful proprietary models, Claude Fable 5 and GPT 5.6 Sol, Kimi K3 demonstrated frontier-level performance across our evaluation suite."

K3 在编程等特定维度达到前沿水平，但综合体验与最强闭源模型仍有明显差距。

五、API 定价

横向对比：

六、信息冲突澄清

基于官方信息，以下媒体传播存在误差：

七、已知限制（官方披露）

1. 对思考历史敏感：如果 agent harness 未正确传递历史思考内容，生成质量会不稳定。推荐使用验证过的兼容 harness（如 Kimi Code），避免中途切换模型。

2. 过度主动：K3 的训练特别强调长程挑战性任务，遇到小问题或模糊意图时可能代替用户做出意外决策。

3. 综合体验差距：与 Claude Fable 5、GPT-5.6 Sol 相比仍有明显差距。

八、市场反应

九、总结

Kimi K3 的核心价值不在于"参数最大"，而在于：

1. 架构创新：KDA + AttnRes 为万亿级模型提供了新的 scaling 路径，2.5 倍的扩展效率提升证明了架构设计的重要性
2. 开源意义：首个 3T 级别开源模型，打破闭源垄断，为全球开发者提供万亿级模型的应用可能
3. 编程能力：Frontend Code Arena 全球第一，中国大模型首次登顶该榜单
4. 诚实定位：官方坦承综合体验仍落后于最强闭源模型，这种态度值得肯定

K3 证明了一件事：高性能大模型不一定需要天价算力，并且可以开源自行部署。正如 Arena 榜单运营负责人所说，K3 的发布"或将倒逼投资者重新审视整个 AI 行业"。

第二部分：Qwen3.8-Max-Preview 技术解析

一、基础参数

二、核心能力

根据阿里云开发者社区的官方介绍，Qwen3.8-Max-Preview 的核心能力包括：

2.1 MoE 混合专家架构

• 2.4T 总参数，海量专家子模块
• 根据任务类型动态路由分配算力
• 官方称"同等 Token 消耗下推理精度提升 25%，长文本幻觉问题降低 62%"

2.2 双推理模式

2.3 五大场景优化

1. 复杂工程开发：大型项目重构、算法编写、单元测试
2. 长文档深度分析：十万字报告、合同、白皮书全文解析
3. 多步骤智能体自治：自动规划工具调用、自主修正错误
4. 跨境多语言创作：数十种语言互译、本地化表达
5. 海量数据挖掘：行业数据分析、商业洞察

2.4 技术细节（待补充）

注意：截至本文撰写时，Qwen3.8-Max-Preview 的官方技术报告尚未发布。以下信息基于官方介绍和第三方分析：

• 具体 MoE 专家数量、激活策略：未披露
• 注意力机制细节：未披露
• 训练数据和方法：未披露
• 详细 Benchmark 数据：未完整披露

官方称"综合推理水准对标海外顶级 Fable 5 模型"，但这一说法基于内部评估，尚无第三方验证。

三、API 定价

特点：Token Plan 订阅模式，统一 Credits 抵扣全系模型，日间限时1折，夜间折扣更大。

第三部分：Kimi K3 vs Qwen3.8 深度对比

一、参数规模对比

分析：K3 参数量更大（2.8T vs 2.4T），但 Qwen3.8 提供更灵活的上下文选择。

二、架构创新对比

分析：K3 在架构创新上披露更详细，KDA 和 AttnRes 是有明确技术贡献的创新。Qwen3.8 的技术细节尚不清晰，需要等待官方技术报告。

三、性能表现对比

分析：K3 有明确的第三方榜单成绩，Qwen3.8 的性能数据尚未公开。从已披露信息看，K3 在编程能力上有明显优势。

四、生态定位对比

分析：

• K3 更偏向技术开发者，强调编程能力和开源生态
• Qwen3.8 更偏向企业用户，强调办公自动化和多场景覆盖

五、信息透明度对比

分析：K3 在信息透明度上明显领先，官方坦承局限性，这种态度值得肯定。Qwen3.8 的技术细节尚不清晰，需要等待更多信息。

六、市场反应对比

第四部分：总结与展望

一、两大模型的核心差异

二、对中国大模型行业的意义

1. 参数军备竞赛升级：2T+ 成为新门槛，中国大模型进入"万亿参数俱乐部"
2. 开源成为标配：两大模型都承诺开源，打破闭源垄断
3. 差异化竞争：K3 主打编程，Qwen3.8 主打企业，避免同质化
4. 技术透明度重要：K3 的详细披露赢得开发者信任，Qwen3.8 需要跟进

三、待解答的问题

1. Qwen3.8 的技术细节：MoE 专家数量、注意力机制、训练方法等何时披露？
2. 实际性能对比：在相同 Benchmark 下，两者表现如何？
3. 开源质量：开源后的模型是否能复现官方性能？
4. 生态建设：两者如何构建开发者生态？

四、选型建议

参考来源：

• Kimi K3 官方博客
• 阿里云开发者社区：Qwen3.8-Max-Preview 深度解析
• Routeway: Qwen3.8-Max-Preview 介绍