Kimi K3之后，中国AI开始进入”高考时代”？

本文来自微信公众号： 岳涌大江流

昨天晚上，我刷朋友圈的时候，看到了朋友童佟发的一段测试视频。

视频里，没有Benchmark，没有排行榜，也没有各种数学推理题。他只做了一件事：让AI用BAT批处理脚本，在Windows 10命令行里写一个ASCII版《小蜜蜂》。

要求很简单，也很苛刻——必须真的能运行，真的能玩，键盘能控制，敌机会移动，而不是生成一堆看起来很专业的代码。

看完视频，我没有第一时间去试Kimi，而是打开了WebDev Arena排行榜。

Kimi K3，1679分，全球第一，排在后面的，是Claude、GPT-5.6等一众顶级模型。

国产基础模型第一次真正站到了世界第一的位置。

如果把这两件事情放在一起，就特别有意思。

一边，是排行榜全球第一；另一边，却是真实开发场景里的翻车。

童佟测试的结果并不复杂。

免费版K3，游戏画面出来了，字符排布整整齐齐，看起来已经像一款游戏，但键盘无法控制角色，多轮修改依然失败。随后升级到699元订阅版重新测试，连续尝试五次，连画面都没有正常输出。

而同样一道题，GPT-5.6 Codex一次完成，程序可以直接运行。

这当然只是一个具体案例，并不能说明Codex在所有编程任务上都一定强于K3，也不能因此否定K3的整体能力。

但它让我想到一个比”Kimi到底强不强”更值得讨论的问题：

今天的大模型，到底是在学会工作，还是越来越会考试？

AI，开始越来越像中国教育了

最近一年，我越来越觉得，AI的发展路线开始有点像中国教育。

几乎所有模型公司，都在拼命刷Benchmark。WebDev Arena、SWE-Bench、BrowseComp……一个榜单接着一个榜单，模型越来越聪明，排行榜越来越高，媒体越来越兴奋，资本也越来越买单。

可真正进入真实工作以后，却经常出现另一种情况：代码能写，程序跑不了；方案能生成，项目落不了地；PPT做得很漂亮，真正执行的时候却漏洞百出。

是不是特别熟悉？

这像不像一个高考700分的学生。数学满分，英语接近满分，作文也很好，可第一次写PPT不会，第一次做Excel不会，第一次谈客户不会，第一次带团队不会。

因为考试和工作，从来不是一回事。

童佟设计的BAT小游戏，其实并不难，它只是足够”偏”。偏到训练数据很少，偏到排行榜几乎不会考，偏到没有标准答案。

于是，它真正考验的，不再是模型有没有见过，而是有没有真正理解。

Benchmark越来越像高考，真实世界永远没有标准答案。

Kimi的问题，其实不是Kimi的问题

先说结论。

我一点都不认为Kimi K3是一个失败的模型。恰恰相反，它应该是今年国产基础模型最重要的一次升级之一。无论是参数规模、长上下文能力，还是公开评测成绩，它都已经进入全球第一梯队。这一点，值得肯定。

真正让我担心的，是另一件事情。

为什么今天所有模型公司，都越来越迷恋跑分？

答案其实很现实。

因为今天的排行榜，早已不只是技术排行榜，它更像一张融资成绩单。

过去半年，中国AI几乎进入了”月更时代”。Kimi K3、腾讯混元Hy3、阿里千问、智谱GLM、DeepSeek……几乎每个月都有新模型，几乎没有一家敢停。

很多人觉得，这是技术竞争越来越激烈。

我却越来越觉得，这其实是资本竞争越来越激烈。

DeepSeek估值已经达到约710亿美元，月之暗面也在推进新一轮融资，腾讯、阿里持续加码，智谱不断迭代，每一家都希望证明自己仍然站在第一梯队。

因为排行榜越高，意味着估值越高；估值越高，意味着融资越容易；融资越容易，就意味着可以买更多GPU、招更多人才、训练下一代模型。

于是，模型更新越来越快，排行榜越来越重要，整个行业开始形成一个循环。

跑分，开始决定资本；资本，又反过来推动跑分。

这一幕，其实并不陌生。

十年前，滴滴、快的、美团、摩拜、ofo拼命融资、拼命扩张、拼命讲故事。今天，AI行业也开始进入自己的”融资时代”，只是把当年的补贴大战，变成了今天的跑分大战。

有人已经开始换打法了

有一个细节，我觉得特别值得关注。

腾讯发布混元Hy3的时候，没有把重点放在公开排行榜，而是更多强调真实业务场景，希望跳出容易被”刷榜”的公开Benchmark。

另一边，OpenAI过去一年也发生了明显变化。

他们越来越少讨论排行榜，更多在做Operator、Deep Research、Codex以及各种Agent能力。

很多人觉得这些产品没有新模型那么震撼，但我越来越觉得，这才是真正的升级。

真正的软件工程师，每天写代码可能只占20%的时间，剩下80%的时间，都在调试、运行、修Bug、不断修改。

真正重要的，不是第一次答案，而是最后能不能把事情做完。

所以，在童佟那个测试里，Codex真正让我印象深刻的，不是代码写得更漂亮，而是它更像一个真正的程序员。

不是负责生成代码，而是尽可能把整个项目完成。

这是两种完全不同的能力。

一种叫考试能力。

另一种叫工作能力。

中国AI真正的竞争，现在才刚刚开始

昨天晚上，我又重新看了一遍Kimi K3那张排行榜。

我还是很高兴。

因为国产基础模型终于第一次真正坐到了世界第一排，这是Kimi、DeepSeek、腾讯、阿里、智谱，以及无数中国AI工程师共同努力的结果。

但比起第一名，我更希望中国AI不要重复互联网时代最后那场内卷。

过去，互联网拼流量、拼补贴、拼融资；今天，AI开始拼参数、拼跑分、拼估值。

看上去变了，其实没有变。

真正让我担心的，不是Kimi有没有拿到第一。

而是如果有一天，所有模型公司都开始围着Benchmark转，围着资本转，围着下一轮融资转，那真正属于用户的问题，谁来解决？

历史已经证明过很多次。

微信不是因为排行榜第一成功，抖音也不是因为参数第一成功。

真正伟大的产品，从来不是赢在排行榜，而是赢在用户每天都会打开它。

所以，如果你问我，Kimi K3是不是国模之光？

我的答案依然是：

当然是。

它让世界第一次真正认真看待中国基础大模型。

但如果你问我，Kimi K3是不是已经赢了？

我的答案还是：

还远远没有。

排行榜第一，只能证明你赢了昨天。

真正决定一家AI公司未来五年的，不是Benchmark，不是融资，不是估值，而是有多少用户愿意每天打开它，把最重要的工作交给它。

AI真正的价值，不是替人考试。

而是替人工作。