首页/文章/ 详情

Kimi K3开放的不只是权重,也开放了责任

14天前浏览250

2026年7月的最后五天,两件看似独立的事接连发生。


7月27日,月之暗面开源Kimi K3——2.8万亿总参数、100万Token上下文、原生视觉、面向长程编程与深度推理的模型,权重、技术报告和关键Infra一次性放出。

7月31日,DeepSeek上线V4-Flash正式版API,模型结构和尺寸与预览版完全一致,只通过重新后训练,就把Agent相关表现拉到超越自家V4-Pro预览版的水平,而调用端点名称没变。


我们把这两件事放在一起看,企业面对的模型供给侧,正在同时发生两种变化:

一种变化是“进入方式”——前沿能力第一次以可部署的权重形态,交到企业自己手里;

另一种变化是“能力本身”——即使接口和模型名纹丝不动,上游的一次后训练,也能让企业依赖的AI行为向前走一步。

对技术负责人来说,K3开放后的第一轮讨论大概是“要不要上”、“怎么上”。
四天后,V4-Flash上线,第二轮问题很快就来了:“上了以后就可以躺了吗?”

而当模型开始读取代码库、调用终端、访问业务系统并持续执行任务时,“变化”就不只停留在屏幕上的一段回答里。


那么,面对这些变化,企业准备好迎接了吗?



01

K3权重可以下载,然后呢?


K3权重开放这件事,很容易让人产生一种“模型分分钟到手”的满足感。
从字面意义上看,确实如此。企业可以下载、修改、部署,也可以在许可证允许的范围内继续开发。

K3开放权重给了企业充分选择的权利。
企业可以继续使用官方API,也可以选择第三方托管,还可以自己部署
同一个K3,由谁运行、在哪里运行、采用什么配置,从此可以分别选择。
对于因为数据边界、审计要求或基础设施策略而希望私有化的企业,这个变化很实际:他们终于有机会把这一代前沿模型能力留在企业可控的内部环境里,而不只是在“能力够不够强”和“数据能不能出去”之间二选一。

但选择权和运行责任是同时到来的。
权重可以下载,与之相应的服务不会随之自动出现。

以前通过大模型厂商API或第三方托管使用一个模型,模型能力、推理服务、接口和版本更新通常被打包成一整套服务。
运行方负责把模型跑起来,维持服务可用性,处理自己这一侧的容量、基础设施和故障。
企业只需要为数据使用和业务结果负责,不用从机房、电力和推理框架开始操心。

企业如果选择自部署。
K3官方建议:生产部署采用由64个或更多加速器组成的超节点(SuperNode)——这不是能跑起来的下限,而是官方面向生产部署给出的推荐方案。
按当前主流市场价格估算,对应一次性硬件投入可能达到2000-3000万元。这个数字首先能说明一个问题:完整部署K3不是一次简单的权重下载,而是一项有相当基础设施门槛的工程
权重到手,只代表企业获得了运行模型的可能;要把TA变成业务可以持续调用的服务,企业还要处理推理部署、模型版本、运行配置、容量和扩缩容,还要有人盯着服务监控、日志和硬件故障。半夜推理服务挂了,开源社区也不会派工程师来接电话。
对大多数企业而言,通过官方API、第三方托管服务来享受K3能力,是比完全自建更现实的路径。

K3真正增加的不是一个标准答案,而是企业决定“由谁运行、数据留在哪里,以及运行责任由谁承担”的空间。
把K3请进门之后,一切可能才刚刚开始。


02

DeepSeek原地升级,“躺平”只是一种错觉


有人要说了:既然自部署这么麻烦,那我继续调用API,总可以少操点心吧?

当然可以。

你不用自己买卡、搭集群、做扩缩容,推理服务出了问题,也有服务提供方负责处理。但这只能省掉一部分运行责任,省不掉企业对生产应用的判断。


DeepSeek这次更新,正好把这个区别摆到了台面上。
企业继续调用原来的deepseek-v4-flash端点,上游却通过后训练把Agent相关表现往前推了一步。
人在家中坐,“惊喜”从天上来。


对开发者来说,这种升级相当友好。接口没变,代码不用跟着重写,应用也不需要重新接一遍。

但对已经进入生产的应用来说,“代码没改”并不能完整回答“系统有没有变化”。

如果企业曾经根据旧版本的表现设置输出校验、工具调用规则和人工复核节点,新版本会不会更积极地调用工具,会不会在原来的任务上给出不同结构的结果,原来的人工确认节点是否还放在合适的位置,都要重新测试。

看起来没变,那再认真看看呢?

这次更新最容易被忽略的是:变化发生在企业代码之外。

如果一套变更流程只在代码、接口或模型名称改变时启动,那么上游模型的同名升级很可能直接从流程旁边走过去。应用看起来什么也没换,依赖的AI行为已经变了。


如果说K3的开放权重提醒企业:获得权重≠获得稳定的企业服务

那么V4-Flash的更新则提醒企业:调用API≠锁定模型行为


一边是自己运行以后要管得更多,一边是交给别人运行以后也不能完全不管。

躺平,不存在的。

有时候,企业什么也没动,自己依赖的AI已经向前走了一步。



03

当模型开始“动手”,这事儿就大了


模型能力变化,并不是到了智能体阶段才值得管理。

区别在于,当模型开始读取代码库、调用终端、访问业务系统并持续执行任务时,一次能力变化会更快地从“TA说了什么”,变成“TA做了什么”。
换句话说就是,TA可以“动手拆家”了。

K3受到关注,很大一部分原因就在这里。100万Token上下文、原生视觉、长程编程和持续工程任务,让TA能够在更长时间里处理更复杂的上下文。
这样的模型如果只用来整理公开资料,和TA获得代码库、终端及部署工具之后,显然不是同一种使用状态。而决定影响范围的,除了模型能力,还有企业放在TA周围的东西:
  • 代码库给了读取权限还是修改权限?

  • 终端可以运行哪些命令?

  • 业务系统的API凭据能访问到哪里?

  • 网络出口有没有限制?

  • 异常发生时,有没有实时监测和中断机制?

这些问题才能决定AI应用能不能进入生产。

OpenAI在7月对外公布的一起【AI自主越狱作弊事件】,把这个问题推到了一个极端。


先说清楚:这是一起内部网络安全评估测试。

在刻意放宽安全限制的测试环境中,参与评估的模型自主发现并利用Artifactory软件包代理中的零日漏洞,借此突破隔离环境获得互联网访问能力,随后串联窃取的凭据和其他漏洞,进入Hugging Face的生产基础设施并从数据库中偷走了评测答案。


“攻击Hugging Face”这个目标以及具体路径,是模型为了完成评估目标自行推断和选择的。

异常最终由双方安全团队发现并遏制。

后期因为还有咱国内模型GLM参与了取证分析,这一波参与感与戏剧性都拉满。


这个案例很极端。

把TA当成普通企业的日常风险,无疑是在制造恐慌;但如果只把TA当成AI圈的一则奇闻,又会错过其真正有价值的部分:模型最终能够造成什么后果,是模型能力、运行环境、工具与凭据、监测和中断机制共同作用的结果


所以,企业需要关注的,不只是排行榜上的分数涨了多少。

更需要看见的是,这项能力进入自己的环境以后,拿到了什么工具、什么凭据、什么网络出口,以及是否有人能在TA走偏时及时叫停。

同一项能力可以停留在生成建议,也可以一路走进代码、工单和生产系统。



04

审批单上写着“允许使用K3”,够吗?


“批准使用某个模型”只能算管理的起点。

模型当然要进入企业资产台账。用了什么模型、哪个版本、由谁提供,这些信息都应该记录。
可如果审批结果只有一句“允许使用K3”,更多问题就来了:
  • 允许使用的是官方API、第三方托管服务还是内部私有化部署?

  • 模型可以处理公开资料,还是能读取客户数据?

  • 输出只供员工参考,还是能够修改代码、发送工单甚至触发核心业务动作?


真正决定风险边界的,不只是模型本身,还包括承载模型的AI应用或工作流。
模型准入回答的是“TA能不能进来”;企业还要回答“TA进来以后,在什么业务里,带着什么权限,能够做到哪一步”。
同一个模型名称,覆盖不了这些差异。
同样是K3,客服应用通过官方API读取经过脱敏的知识库,和研发助手在内部环境里读取代码库、调用终端。
前者更关心数据流向和输出审核。后者还要继续管工具权限、凭据、网络出口和人工确认。
模型名称相同,责任人、测试方式和出事后的处理办法都不一样。


如果企业的AI应用仍停留在个人提效,只处理公开资料,这种管理需求未必紧迫。

但:

  • 对于已经把模型接入知识库和研发环境的企业,需要进一步划清数据与访问权限;

  • 对于正在评估私有化部署的企业,需要明确哪些运行和合规责任将由自己承担;

  • 对于开始让智能体调用工具、代表员工执行任务的企业,则要说明哪些动作可以自动完成,哪些必须经过人工确认。

对这些企业来说,模型名单仍然需要,但仅有模型名单已经不够了。



05

模型会一直变,建议先问清三个问题


新模型还会继续发布,API也会继续升级。

我们建议,在重要变化发生时,先问清楚三个问题。


第一,到底什么变了?

是模型版本和能力变了,还是服务提供方、部署位置、知识库、提示词或工具权限变了?

这几种变化落在不同的人手里,也对应不同的检查方式。

只写一句“模型升级”,约等于什么都没说。


第二,这次变化有没有越过原来的边界?

如果模型仍然只整理公开资料,一次性能升级可能只需要记录和常规验证;如果TA开始读取敏感数据、调用新的工具,或者由外部服务转入内部运行,原来的责任、测试和审批结论就可能需要重新判断。

企业没有必要把所有变化都当成重大风险,也不能把所有变化都当成普通升级。


第三,出了问题,能不能把账翻出来,把TA停下来?

对影响客户、合同、代码和生产系统的应用,企业至少要知道任务由谁发起、实际调用了什么、使用过哪些数据和工具;必要时还要能够限流、中断、回滚或退出。

如果一次AI操作影响了客户或者生产系统,最后只能查到“调用过K3”,这条记录基本不能解决问题。

问完这三句,企业就能判断下一步是记一笔、重测一次、调整权限,还是暂时停掉这项能力。



06

谁来负责?


我们不认为K3会把所有企业推向自部署,也不认为API背后的能力升级本身有什么问题。
更多部署选择和更快能力进步,本来就是模型产业向前发展的价值。问题出现在这些变化进入业务以后——谁来负责?

前面提到K3的三种使用方式,其实对应三种不同的责任安排:
  • 模型提供方负责模型研发、版本发布,以及对版本和能力变化作出说明;

  • 运行方负责把模型稳定地跑成服务,包括容量、可用性、监控、日志和故障处置;

  • 企业则要决定哪些数据可以进入模型,TA能获得哪些工具权限,原来的测试是否仍然有效,以及输出能不能直接进入业务。

这三个角色可以由同一主体承担,也可以分别由不同主体承担。

调用官方API时,模型提供方通常同时承担运行服务;选择第三方托管时,模型提供方和运行方由不同主体承担;企业自部署以后,企业自己就接过了运行方的那部分工作。

当然,现实里的责任划分不会永远这么整齐,还会受到合同、部署方式、具体应用和监管要求的影响。
企业至少得知道,这张责任表应该存在——而且每次模型、服务或权限发生重要变化时,都需要重新看一遍。

K3开放权重,让企业获得了更多选择。V4-Flash同名升级,则提醒企业,选择完成以后,模型仍然会继续变化。
企业不需要把所有责任都揽到自己身上,但也不能只记住一个模型名称,就把剩下的事情交给“应该大概或许可能不会有事吧”。

模型会继续变。
企业至少要始终知道,自己正在使用的那套AI由谁运行,TA能接触什么、实际做过什么,以及出了问题谁能让TA停下来。
来源:速石科技
ACT半导体电力UG人工智能FAST
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2026-08-11
最近编辑:14天前
速石科技
为应用定义的云
获赞 36粉丝 2文章 25课程 0
点赞
收藏
作者推荐

高校人才培养如何“化零为整”,对抗集成电路产业碎片化?

一年一度的ICCAD又结束了,今年我们留意到一个关键指标:集成电路产业集中度。这两年,业界关心这个话题的人越来越多了。与其说“一鲸落,万物生”,淘汰掉该淘汰的。可能我们现在更需要的是“一鲸立,万物才可生”。(此处一为虚数今天我们从高校集成电路人才培养的角度来聊一下产业集中度的问题:一、什么是理想的产业集中度?为什么我们的产业集中度偏低?二、站在人才培养角度,我们目前的产业集中度下,高校和企业分别有什么难处?三、对于行业碎片化,高校人才培养有什么破解之道?01最近十余年,我国集成电路产业集中度数据根据会议每年公布的官方信息,我们整理了过去13年与集成电路产业集中度有关的数据:2025年,集成电路设计企业数量为3901家,其中有831家销售过亿的企业,占全行业销售收入的84.17%。年营收过亿企业数量增长的速度不及全行业企业总数增长速度。全行业产值稳步上升。2025年,十大设计企业榜单的进入门槛从上年的70亿元人民币提升到84亿元。前十大设计企业营收增长的速度不及全行业营收增长速度,占全行业销售收入比重在2019年达到50%峰值后下降明显,2025年占比数值为29.9%。结论很明显:增长是确定的,但头部企业竞争力没有绝对优势,无法形成寡头局面;行业未定型,扩散式发展,企业数量比头部增长更快,各个领域全面开花;2019年后,行业爆发式增长,产业集中度反而下降。02什么是理想的产业集中度?为什么我们偏低?不同行业的理想产业集中度差异是很大的,这是由行业的本质属性来决定的。像集成电路这种重资本、高研发,高复杂度,网络效应强型行业,理想集中度是非常高的,是典型巨头的游戏。随便举例,GPU/CPU/基带这类关键通用芯片,都是寡头格局。TechInsights数据显示:2024年,全球前20大半导体企业平均研发投入为352亿人民币,研发投入和营收占比平均比例为15.8%,也就是平均年营收水平为2230亿人民币。对标国际,结合中国的情况,我们把理想产业集中度分为三层:头部企业头部企业:年营收500-2000亿人民币3-5家,关键通用领域或平台类芯片对外具备国际影响力,参与全球竞争,对内能设定行业标准,承担技术攻坚,带动产业链和国产生态发展可能最接近的是华为海思?但因为TA家的营业收入包含在华为的整体数据里,不单独对外公布,所以无从知晓腰部企业腰部企业:年营收10-100亿人民币30-50家,细分领域芯片覆盖大量中端市场,构成产业基础,丰富芯片产品品类长尾企业长尾企业:年营收<5亿人民币200-500家,深耕技术或应用场景主要承担创新探索、试错和新方向突破整体来说:头部强,中部有竞争,小型企业可创新但不能无限制碎片化人才有金字塔结构,在产业链中按能力成长研发能滚动投资,产品有稳定代际路线,创新可持续那么,1亿人民币年营收的IC设计企业是什么水平?小,且能活。但是,能不能一直活下去就各凭本事了。这些小微型企业覆盖高度细分的长尾需求场景,比如MCU、小WiFi/BLE/IoT芯片、电源管理、传感器等等。过亿营收的我们有831家企业,已经很多了,不过亿的还有几千家。。。可以想见这些企业活得有多么艰难。和理想集中度对比,我们的现状是:TOP10占比不到30%,门槛84亿人民币,大约在腰部水平。TOP831家占比84%,碎得有点离谱。头部:不够大,也不多腰部:数量不足长尾:太多,小,弱,散,同质化严重这两年业内一直在喊:不要内卷,不要低端内卷。我们要走中高端芯片路线,想要做大做强,参与国际竞争,就要求必须要有更高的产业集中度。咱们目前的年营收水平可能还没赶上人家的研发投入水平,这还怎么打?高端芯片不是靠数量堆出来的,而是靠规模和长期研发投入,稳定的人才梯队,平台化能力和产业链协同一起推动的。03低产业集成度下,高校集成电路人才培养现状如何?集成电路人才培养与产业的关系,我想我们不需要再赘述。产业与教育的“双向奔赴”,应该属于大家的共识了。我们今天主要关注以下话题:产业集中度高或低跟集成电路人才培养有什么关系?高好还是低好?高校与企业各有什么难处?在目前这种现状下,我们要怎么考虑高校人才培养问题?怎么破?我们先用一句话总结一下现状:产业需求零零碎碎,高校培养拼拼凑凑高校视角 对高校人才培养来说,影响主要体现在三个方面:培养目标无法统一,教材无法标准化企业数量多,行业标准缺失,教育需求碎片化,缺乏体系。高校难以与企业从源头开始进行课程共建,对齐培养目标。产教合作难形成规模,不够持续稳定单一企业无法稳定深度合作,支撑起一整个长达数年的完整产教融合链接。企业能提供的资源也有限,无法稳定地提供学生可用的真实项目,更偏向于零散的小作坊式项目合作。企业规模小,单一企业容量不大,没有足够的目标岗位提供实习或就业。知识体系缺乏系统更新一方面老师缺乏地方进行系统知识体系更新及学习;另一方面,高校整体知识滞后于产业,学生毕业后基本要重新培训。企业视角 对企业来说,也不容易:人才升级依赖个体成长而非制度推动,培训体系缺失人才职业稳定性低,流失率高,且行业高端人才缺失,没有办法搭建完整人才梯队。培训体系不是刚需,主要还是靠师傅带徒弟,不可持续。不像大企业有专职培训岗位或部门,兼 职课程讲师,甚至单独有预算和制度。研发知识缺乏沉淀,难以形成系统方法论反哺实践或教学小公司项目复杂度相对不高,不需要大规模协同,靠资深工程师的“经验”办事,缺乏动力也没时间做文档,全在脑子里。因此难以形成体系,构建系统方法论,进一步指导实践或提供教学用。大企业有知识沉淀机制,有专人专职,经验能复用,形成规模效应,成本也随之下降。现金流紧,企业以短期目标为主,很难考虑与高校产教融合人才培养这种长期项目 大企业资金雄厚,研发节奏稳定,而小企业现金流紧,靠项目吃饭。像产教融合这种短时间看不到收益的项目,很难放进企业的规划里。而且员工都身兼数职,忙于救火,赶项目解决问题,没有多余人力,新人也招得少。在当前产业集中度偏低,企业整体规模偏小,头腰部企业严重不足的情况下,我们的确不能对企业提太高的要求:指望学生在学校学十几门理论课程,然后交由企业接棒来完成后续所有的培训,这是不现实的。咱也不能怪现在半导体招聘市场整体学历内卷,企业挑三拣四。主要是,地主家也没有余粮呀。 04高校如何“化零为整”,培养学生工程力,对抗行业碎片化越是这种:企业育人成长能力不足的时候。高校人才培养必须及时补位,才能不掉链子。所以,在学校就得把学生的工程力培养出来,填平高校与企业之间的那道鸿沟。低集中度意味着企业的稳定合作能力弱,因此不能依赖单一企业。那么,高校要如何“化零为整”,对抗行业碎片化?既能与产业对接,又不受单一企业的限制。带领学生多走一步,减轻企业负担,填补中间空缺。如果学生从未在 EDA 上“走一遍流程”,他只是“听说过芯片是怎么做的”,其他都靠想象,这并不是“真正理解了芯片”,也掌握不了企业需要的工程能力。如何从知道知识、理论,到理解工具、原理,进行场景、流程训练,甚至参与到完整项目流片,直到实现完整工程闭环,让学生带着能力进企业?而不是让课本的归课本,芯片的归芯片。既不能依赖单一企业,又能培养学生工程力。我们的答案是——一套与企业一致的可复训EDA实训教学平台。可复训性意味着:不管学校用什么课程、什么工具、什么流程,有什么老师,学生都能不断通过不同方式,将知识重新训练成“工程能力”的能力。什么是可复训EDA实训教学平台?提供重复训练的EDA环境,多版本多工具可组合,多Flow可切换不依赖特定底层硬件环境,自由可迁移,拥抱信创课程与工具模块化配置,双一流、本科、高职类院校均适用工程级实训平台,与企业EDA环境规范与标准保持一致低运维IT要求,使用门槛低,无需手动配置对企业:化整为零 对企业:搭建校企合作的最小成本桥梁。大企业覆盖不了全国这么多高校,但越是示范学校越不缺资源,马太效应明显。因此,相对较小企业可以通过平台提供脱敏项目、数据、模型、案例、技术流程,不一定要花大力气组织并接待学生、老师线下参观培训,降低成本和时间精力消耗。而且,支持企业碎片化输入,无需派专家长期指导高校。对高校:变1为N 对高校:变一次上机实训或一次参观,为循环式、递进式、可复训平台。可复训课题库:来自不同企业,不同工程化项目的企业案例或教学课程可以经体系化整理后,留存并反复使用,持续积累作为学校的数字资产,不会因单一企业合作变动而断链。可复训老师:不同学校、不同老师水平可能差距巨大。平台让弱老师变“能带学生的老师”,让强老师变“更强的工程型导师”。老师在企业项目中学到的脚本、流程、debug方法,回学校能直接在平台上开展工程化教学,经验可以积累并快速更新。可复训学生:工程能力不是课堂学出来的,而是反复训练 + 反复踩坑 + 反复理解本质 + 反复输出成果。学生可以使用平台反复训练,强化能力,把工程技能反复拉起、固化下来、提升上去,掌握核心工程逻辑,通过失败反复回炉,从而平滑从学校迁移到企业。集成电路产业集中度,我们相信一定会提升,只是可能没那么快。产业需要“向上卷”,高校人才培养也不能停在原地。在现有条件下,高校“化零为整”,减轻企业负担,把工程能力内生于学校体系,可能是条不错的破解之道。来源:速石科技

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈