7月17日凌晨，Kimi K3 正式发布。作为全球首个开源的3万亿参数级别模型，它引发了广泛关注，甚至引来马斯克在线留言表示“Impressive”。随后，PitchBook 的私募市场分析师哈里森·罗尔夫斯更是将其比作引发美股动荡的火星。然而，大模型竞争已进入第三年，参数规模和基准测试分数已难以制造惊喜。对于真正使用 AI 的人来说，判断模型是否实现跨代升级，只有一个标准：它能否替代工程师完成工作。抛开那些夸张的叙事，我们更关心 K3 是否好用、易用。目前，大厂软件工程师已将 AI 编码工具作为日常。他们不是为了体验“AI 写几个 Demo”，而是在真实场景中使用 Coding Agent 来编写功能、调试、审查代码和搭建 Web 应用。因此，本次测试没有选择基准测试，而是直接向 K3 提交四个真实、复杂的任务，看它在完全放手、自主规划、编码和测试的情况下能走多远。
7月16日，测试的第一天，我让 K3 从零复刻游戏《GTA 5》。当 K3 完成任务时，我才真正感受到了“核弹”般的震撼。为什么 Coding 测试总拿《GTA 5》开刀？因为日常开发中，AI 最大的价值不在于写代码，而在于理解复杂系统并进行高效复现或创新。《GTA 5》不是一个简单的程序，而是一套集角色、物理、经济和任务系统于一体的复杂系统。模型不仅要写出能跑的代码，还要理解是什么让游戏变得“好玩”。因此，它成为了 AI Coding 的试金石。
第一关：让 K3 和 GPT-5.6 Sol 对决。此前几个月，我的主力 Coding 模型一直是 GPT-5.5。智谱 GLM 5.2 的 Coding 效果不差，但因缺乏多模态能力，主力模型始终固定为 GPT。多模态也是我使用 Kimi Code 的原因。这次我决定让 Kimi K3 和 Codex 同题 PK。在长达一天的测试中，我选择直接告诉 K3 和 Codex 做什么，让 AI 自主生成开发方案、提交提示词并编码，最后测试交付。先说结果，几个小时后，Kimi Code 提交了，而 Codex 只用了半小时。但在我的体验中，Kimi K3 压过了 GPT-5.6 Sol。Kimi 一次性生成了一个可用性和完整度都很高的 GTA 网页游戏，Codex 做出来的也能跑，但 K3 补充了很多游戏工程师才能get到的细节。体验下来，Kimi 做的 GTA 里，驾驶系统完善，地图包含城市、沙漠和海边。碰撞系统合理，NPC 受到攻击会有反应。警察系统是做得最惊艳的。Codex 只是生成了几个警察 NPC，而 K3 理解了追捕逻辑，生成了触发机制：犯罪后警车赶来、警察下车开枪、甚至有直升机搜索。这些细节不是简单写代码能出来的，说明模型真的理解了游戏机制。Auto 模式确实让我惊艳，推荐编程小白选择，对有经验的开发者也能省下盯防精力。
第二关：视频复刻。我让 K3 复刻一分多钟的《滚动的天空》视频，但效果明显不佳。K3 没有体会到游戏的紧迫感和速度核心，只是简单复刻了地图和功能。原因既受限于刚上线时的服务器波动，也涉及模型自身的优化问题。当 Coding 难度升级为视频复刻，AI 需要理解画面、动作、节奏和美术风格，而 K3 的“看”是将视频拆成帧，导致偏差放大，效果大打折扣。最终，在三个任务中，GTA5 惊艳，其他两个不成功，K3 仍存在“抽卡”问题。此外，K3 注重细节的代价是巨大的 Token 消耗。一天测试下来，4-5 个任务消耗了 699 元最高档会员 40% 的额度。粗略估计，K3 单任务成本是 GPT-5.6 Sol 的两倍，如果大量使用，对打工人负担较重。测试中，K3 最大问题不是能力，是额度。为了完成任务，Token Plan 额度被烧光后，我一度用 Kimi Work 来调用 K3。高峰期 Token 输出速度仅几十 token/s，单个任务生成时长超过 40 分钟。
第三关：为 Agent 设计软件。月之暗面从 K2 开始就将“Agent 集群”作为核心架构，强调多智能体协作。未来，软件使用者将不再是人，而是 Agent。传统的剪辑软件（如 Premiere、剪映）是为人设计的，包含时间轴、鼠标拖拽等，对 Agent 来说几乎不可读。Agent 需要数据结构、可调用端点和回调机制。为了测验 K3 的 Agent 能力，我让 K3 设计一个给 Agent 使用的剪辑软件。理论上这很适合 Agent，因为它不需要复刻产品，而是从需求出发设计系统。但最终结果并未惊艳。虽然 K3 Auto 模式在游戏里表现权威，但在设计 Agent 软件时仍需大量人工介入。播放功能初期只能播放一小段，需要不断指出问题并修正。回顾 GTA5 的成功，是因为有明确标准（如能不能开车、警察追不追）。而设计 Agent 软件没有标准答案，需要模型理解 Agent 的交互对象，删除人类操作按钮，改为 Agent 专属功能。这暴露了所有模型在 Coding 场景的边界：K3 已能生成软件，但尚未完全理解软件应如何为 Agent 设计。
那 K3 是否超过 GPT？我没有简单答案。在某些任务惊艳，复杂任务需人工介入。如果无限量供应，我会将其作为主力模型。这不是因为单项能力超越所有模型，而是它提供了完整的闭环，表现都在第一梯队。我们选择 AI Coding 工具的原因，早已从“代码更准”变为“能真正执行任务”。过去是人操作软件，未来是 Agent 操作软件。这影响到了模型迭代思路。如果无法解决这个问题，包括 K3 在内的模型都离真正的“AI 软件工程师”还有差距。K3 开了个好头。