北京
出品 | 網易智能
作者 | 小爪
編輯 | 王鳳枝
模型越強，排行榜反而越難告訴我們該選哪個。
7月19日，月之暗面的Kimi K3登上Arena網頁前端開發榜首，得分約1677。而在Artificial Analysis的綜合智能指數，它得到57分，在186款模型中排第四，在國產模型和開源模型中排名第一。
Arena這張分榜記錄的是用戶更喜歡哪個模型生成的網頁，Artificial Analysis的綜合智能指數則匯總多項評測。月之暗面在官方技術博客里也承認，K3的綜合表現仍落后于Claude Fable 5和OpenAI的GPT-5.6 Sol。但和這兩家的差距，比半年前的國產旗艦縮小了一截。
網頁做得漂亮、事實答得準、跑得便宜、跑得穩，這是四件事，不是一件事。 K3兩張成績單上的排名差，只是最表面的一層。但更多的錯位藏在排名背后：跑一次要花多少錢、結果能不能直接用。
第一名，只在一張榜上
Arena沒有固定試卷。用戶向兩個匿名模型發出同一個要求，看完結果后投票，平臺再匯總大量兩兩對戰，計算分數和排名。
這種方法離真實使用更近。網頁有沒有做完、布局順不順眼、交互是否合意，用戶一眼就能比較。K3排到第一，說明在這一批網頁開發對戰中，它贏得了更多選擇。
當然，投票也會把審美帶進成績。一張視覺更完整、動畫更豐富的頁面可能勝出。放到普通問答里，寫得長、顯得篤定的答案同樣可能討喜，但答得對不對，用戶不一定投得出來。
Arena因此給分數附上置信區間。兩個模型的區間重疊，名次的先后未必穩定。新模型上線后，成績還會被標為"初步"，等待更多投票。K3當前的網頁前端榜首就帶著這一標記。
題目來源也在變。2026年5月，Arena把部分直接對話中的模型對戰納入榜單。平臺隨后發現，新票源里的問題更長，復雜指令和編程任務更多。模型沒有更新，換一批提問者，分數也可能移動。
真要選模型，用戶還得面對賬單、等待時間和失敗后的返工。
分數之外，還有賬單和返工
Kimi K3官方API的價格為：緩存未命中的輸入每百萬token 3美元，輸出每百萬token 15美元。Artificial Analysis跑完整套智能指數評測時，K3生成約1.3億個輸出token，接近同類參評模型平均值6300萬的兩倍；整套測試花費約2710美元。該機構記錄的輸出速度約為每秒39.5個token。
按完成一項評測任務折算，K3平均花費約0.94美元，低于GPT-5.6 Sol的1.04美元，約為Claude Opus 4.8的1.80美元的一半。與上一代K2.6相比，K3的輸出token減少約21%。
單價便宜不等于賬單便宜。K3的輸出token數接近同類平均值的兩倍。單價再低，總量也會把賬拉起來。
賬單之外，還有結果能不能直接用。
在Artificial Analysis的AA-Omniscience測試中，K3的準確率由K2.6的33% 升至46%，幻覺率也從39% 升至51%。準確率看的是全部題目里答對了多少，幻覺率看的是答錯的題目里模型是編了一個答案還是承認不知道。K3答對的比例提高了，但在仍然沒答對的題目里，它更傾向于直接給出錯誤答案而非承認不知道。
開發者西蒙·威利森（Simon Willison）做過一個很小的測試：讓K3生成一張"鵜鶘騎自行車"的SVG圖片。模型用了16658個輸出token，其中13241個是推理token，費用約0.25美元。這個例子無法代表K3的整體效率，卻很像用戶會遇到的真實瞬間，任務看著不大，模型在后臺想了很久。
月之暗面目前讓K3默認使用最高推理強度，稱后續版本將提供低、高推理模式，讓用戶控制推理預算。想多久、花多少錢，最終還是用戶自己決定的事。
模型在進步，試卷也在過期
K3目前的成績主要來自Arena和Artificial Analysis，尚未在SWE-bench類固定題庫上公布分數。但固定題庫本身的可信度也在下降，因為模型越強，越容易接近試卷上限；題目在網上放得越久，進入訓練數據的機會也越大。
今年2月23日，OpenAI宣布不再使用SWE-bench Verified衡量前沿編程模型。該公司審計了138道模型經常失敗的題目，稱其中59.4% 存在實質性的題意或測試設計問題。有些測試只接受一種特定寫法，把功能正確的其他答案判錯；還有些題目沒有寫清要求，測試卻檢查額外功能。
OpenAI稱，它在GPT-5.2、Claude Opus 4.5和Gemini 3 Flash Preview中發現訓練數據污染跡象：模型有時能夠復現人類原始補丁或題目細節。OpenAI認為，在這些測試獲得的高分里，模型可能受益于對訓練數據中原始補丁或題目細節的熟悉，而非純粹的能力。
就在此前的2月18日，一篇分析60個大模型基準的預印本研究也指出，許多固定評測在頭部模型接近滿分后，區分能力會下降。
把題目換成真實工作，差距更為明顯。METR在2026年5月19日發布的回顧報告中稱，截至2025年末，被SWE-bench Verified判定通過的AI代碼方案，大約只有一半會在真實代碼審查中被接受。 Arena記錄用戶偏好，固定題庫適合追蹤某項能力，METR試著測量模型可以獨立完成多長的任務。三張榜，各管一段。
第一名需要一個后綴
面對數百款模型，榜單能幫用戶快速縮小范圍。但麻煩的是，"某模型登頂"這種說法，并不考慮任務類型和成本。
寫作、做網頁、維護代碼不是一回兒事；人類偏好、標準答案、任務成功率不是一個指標；token用量、耗時、單價也各算各的賬。
到最后，模型還得放回自己的提示詞、數據和工具鏈里跑一遍。寫作者關心事實準不準、要不要大改；程序員看代碼能不能進真實倉庫；企業算的是一件工作交付后的總成本。沒有一個榜首可以同時替這三類人作決定。
Kimi K3拿下網頁前端榜首，說明它在這項能力上已經進入前沿。綜合指數第四、較高的token消耗，以及準確率和幻覺率同時上升，則補上了另外幾面。這些成績放在一起，才像一個可以拿來選型的模型畫像。
模型榜單不會消失，但"第一名"三個字需要越來越長的注釋。真要付賬單的人，看的是能不能交付、花多少錢、要回來改幾次，冠軍兩個字，解決不了你的具體問題。
Kimi K3現在暫停接受新增訂閱，想訂的人得等下一批。等真能訂上的時候，這些問題還得再問一遍。
本文來源：網易智能
責任編輯：
王鳳枝_NT2541
