此前选择手动关闭自动续费的老用户，公司计划逐步恢复续订选项，同时老用户升级套餐等功能也将在后续开放。至于新套餐，因为当前算力资源存在限制，暂时无法开放购买，具体恢复购买的时间还未公布。
根据官方消息显示，这次操作似乎更倾向于在有限算力资源下，对新增用户和已有用户的体验进行重新调整，并非打算改动会员体系。
K3模型推出后，国内外开发者迅速形成较多体验和评测的社群，不少人将它和国际的Claude、GPT等头部模型相比较，有关推理成本、GPU资源、服务稳定性等的讨论，渐渐成为AI领域新的关注点。
K3的热度如何？
K3发布后，很快在人工智能模型的讨论中占据重要位置。
独立AI模型评测机构Artificial Analysis公布的最新“智能指数（Intelligence Index）”里，Kimi K3综合得分是57分，在全球排名第三，排在了Claude Fable 5（60分）和GPT-5.6 Sol（59分）前面，比Claude Opus 4.8（56分）要高。
另外，K3完成单项任务的平均成本大约是0.94美元，和GPT-5.6 Sol差不多，但是只是Claude Opus 4.8的一半。
对业内人士来说，更关键的是，这是首个进入Artificial Analysis综合榜单前三的开源模型。长期以来，“开源模型整体落后闭源模型半代”是行业内的共识，而K3的出现，让这个差距缩小了。
图源：Monolith励思资本
除了评测结果，K3本身的参数大小也引起了行业的注意。K3是月之暗面首款万亿参数级别的MoE模型，总参数大小达到了2.8万亿。
一位国产AI芯片厂的工作人员向界面新闻报道，今年开始，随着Anthropic等海外公司不断推出更大参数的模型，国内模型的竞争又回到了“大参数、长上下文”的路上，万亿参数、百万级上下文正成为头部模型的重要竞争方向。
在他看来，K3能快速走红，不仅因为模型表现，还因为它代表国产开源模型首次达到这一参数量级。“对行业来说，2.8T本身就是一个重要标志。”
业内的关注迅速传到了开发者社群。
在X（Twitter）、Reddit、OpenRouter、Linux.do、V2EX等平台，很多开发者立刻分享了使用体验，不少人把K3和Cursor、Cline、OpenCode等AI编程工具结合起来进行测试。从代码生成、Agent任务到工具调用，K3几乎在最近几天成为AI圈内讨论最多的模型之一。
讨论主要集中在三个方面：第一，它能否替代Claude做编程？第二，它是不是真的达到了国际顶尖水平？第三，它值不值得迁移过来？
一些开发者觉得，K3最突出的地方不是聊天功能，而是在于长流程Agent任务和代码生成场景。一些体验过的人说，在复杂代码修改、工具调用等任务中，K3已经能够和Claude、GPT等国际上的头部模型竞争。
但也有一些反馈称，在真实的工程任务中，该模型虽然表现好，但也可能会遗漏一些细节，需要人工调整；此外，它在对复杂统计推理等任务的执行上，还存在一些不稳定的情况。
另一种讨论则集中在成本上。有用户觉得，虽然K3的单价有竞争力，但因为复杂任务Token消耗大，实际使用成本可能并不低，尤其是在长流程Agent任务中表现得更为明显。
K3的热度也很快传到了海外的AI圈。
美国科技投资公司Atreides Management的创始人Gavin Baker把K3称为AI发展过程中的一个“拐点（inflection point）”，他认为高质量的开源模型正加速AI能力的传播，其影响不会仅限于模型公司，还会惠及整个AI应用生态。
也有研究者持保守态度。
长期研究人工智能对工作影响问题的宾夕法尼亚大学沃顿商学院教授Ethan Mollick在X上表示，他曾让Kimi K3对他之前的一项学术研究做复杂统计审计，但模型在很多方面出了差错，包括统计分析的不当使用。
Mollick觉得，K3已经非常接近全球领先的模型，但在复杂专业任务中的稳定性和可靠性，仍需要更多真实场景的验证，不能只看Benchmark成绩。
这一评价也显示了当前AI社群对新模型的一种普遍态度：一方面，K3在代码生成、Agent等场景的表现得到了大量开发者的认可；另一方面，模型在复杂专业任务中的稳定性和可靠性，仍需更多真实场景的持续验证，而不能单凭榜单成绩来判断。
算力短缺仍是难题
在开发者快速加入、调用量不断上升的情况下，月之暗面很快又遇到了一个难题——算力。
过去两年，大模型行业更多时候谈论的是“训练一个模型需要多少GPU”、“参数大小达到多少”，而不是因为用户太多，不得不暂停开放订阅。
其实，模型训练完成不代表算力投入就结束了，特别是在AI Coding、Agent等场景快速发展的情况下，模型需要持续调用工具、读取上下文、执行多轮推理，一个请求占用GPU资源的时间比传统聊天要长。模型能力越强、上下文越长、用户调用越频繁，对推理算力的需求就越大。
“目前最大的难题还是算力不足，尤其是高质量的推理算力。”上海国投孚腾资本的投资经理陈雨沁此前对界面新闻报道，即使是头部模型公司，也开始取消无限量使用、调高服务价格，实际上都反映出推理资源依然紧俏。“如果基础设施没解决，很多应用公司其实不敢真正大规模推广产品。”
“从供需关系来看，国内AI算力长期是供不应求，随着头部模型集中发布，这种紧张状况会进一步加剧。”上述芯片厂的工作人员对界面新闻说。
他介绍，现在像月之暗面、智谱、MiniMax等独立的模型公司，获得算力主要依靠两种方式：一是租用公有云公司的算力服务，二是建立自己的算力集群。但前者资源有限，后者是重资产投入，需要较长的建设时间，因此模型公司的算力供应总是存在一定压力。
“业内普遍觉得，要支撑万亿参数模型训练和推理，万卡级集群已经成为基本条件。”他表示，从2024年开始至今，真正有万卡级部署能力的厂商仍然是少数，很多已经宣布建设的大规模集群项目，落地周期常常以年计算，因此供需之间仍然有长期缺口。
今年WAIC期间，一个细节给上述国产芯片厂商留下了深刻印象。
他告诉界面新闻，各家国产芯片厂在展示超节点产品时，被问得最多的两个问题就是：“能不能支持万卡集群？”“能不能支持万亿参数模型训练？”
和过去围绕单卡性能、芯片参数讨论不同，如今产业链更加关注的是超大规模集群能力，以及支持头部模型持续训练、推理的基础设施。
这一变化，也显示出大模型竞争逻辑的转变。
过去，模型公司比拼的是参数大小、训练能力和Benchmark成绩；现在，随着越来越多模型进入实际生产环境，推理效率、服务稳定性、成本控制以及基础设施能力，开始成为新的竞争要素。
K3暂停开放新用户订阅，或许只是一次暂时的资源分配，却让外界第一次这么清晰地看到，大模型竞争已经进入了新阶段。模型能力决定了产品能否吸引用户，而推理算力、基础设施和持续服务能力，则决定了它能否承载真正的大规模应用。