Kimi K3 杀入 Databricks，2.8 万亿参数开源模型与 OpenAI、Anthropic 坐上同一张桌子

8 月 11 日，月之暗面（Moonshot AI）官方账号在 X 上宣布：Kimi K3 已上线 Databricks。一句话，一张图，没有附带技术博客或 PR 通稿。

Databricks 自己的早在 8 月 6 日就已经发出了上线通知，月之暗面这条推文是一个迟到但必要的确认。

关键不在时间差：Kimi K3 这次上线 Databricks，和此前大模型「又多了一个云平台」的逻辑不同。它是少数能以完全对等的企业级治理方式，与 OpenAI、Anthropic、Google 的闭源模型共享同一套控制面板的开放权重模型。Databricks 在博客中写明了这一点——「你施加在闭源模型上的治理策略，完全一致地适用于 Kimi K3」。

企业用户：不用改一行代码就能试

推文发出后，最早给出具体分析的是一批已经在 Databricks 上跑生产负载的工程师。

AI 研究员在回复中写道：「Kimi K3 登陆 Databricks 搭配 Unity AI Gateway 是一步好棋，让模型跑在数据所在的地方，为企业团队省掉了大量摩擦。」

另一位长期关注 AI 安全与基础设施的开发者用一整条线程拆解了这次上线的意义：「Kimi K3 刚刚拿到了一条通往企业内部的真实路径。」他指出，对已经在用 Databricks 的团队来说，K3 可以放在与现有 AI 技术栈完全相同的权限、用量追踪、速率限制、预算和安全护栏之后运行，「不需要为测试一个新模型单独搭建一套基础设施」。

这也是 Databricks 官方在博客中反复强调的四字原则：Context, Control, Choice, Cost。K3 接入后，企业用户可以把它和 Anthropic Claude、OpenAI GPT、Google Gemini 放在同一个 API 后面调用，切换模型不需要改写应用代码。Databricks 的智能路由可以在不同任务间自动分配模型：用 K3 跑性价比高的编程任务，用 Claude Fable 5 处理高风险推理。

「开放权重模型的竞争不会赢在 benchmark 上，」@markfenner 补充道，「它们赢在公司能在不重建安全和运维体系的前提下，把每个新模型纳进来。」

K3 发布不到一个月，就从 API 走进了企业数据湖

Kimi K3 的发布时间线很短，但每一步都踩在关键节点上。

7 月 16 日，月之暗面放出 Kimi K3 的，2.8 万亿参数，MoE 架构，896 个专家中每次激活 16 个，100 万 token 上下文窗口，原生多模态视觉能力。作为开放权重模型，任何厂商都可以自行托管。

7 月 17 日，Databricks CEO Ali Ghodsi 在 CNBC 的中公开评价了 K3。据 CNBC 报道，Ghodsi 表示在他个人的排名里，目前仍在 K3 之上的只有 Claude Fable 5 和 GPT-5.6 Sol，其余模型已被 K3 超越。

随后不到三周，Databricks 完成了内部企业级基准测试。8 月 6 日，官方博客宣布 K3 通过 Foundation Model API 上线，由 Databricks 在美国托管，覆盖 AWS 和 GCP 工作空间。

8 月 11 日，月之暗面官方亲自确认。

从技术报告到企业级上线，中间只隔了 21 天。对于一个 2.8 万亿参数的模型来说，这个速度不只是工程能力的体现——它说明 Databricks 在 K3 发布的第一时间就把它排进了上线优先级。

2.8 万亿参数 + Unity AI Gateway：开源模型第一次绑上了企业安全带

K3 的模型架构（2.8 万亿参数 MoE、896 专家中每次激活 16 个、100 万 token 上下文）在 7 月发布时已经讨论充分。在 Databricks 的语境下，关键的不再是这些数字本身，而是模型通过 Unity AI Gateway 获得的那层企业治理。

Databricks 在中列出的接入模型清单里，K3 是唯一来自中国厂商的条目，排在 OpenAI GPT 全系和 Google Gemini 的旁边。

Unity AI Gateway 提供的不是简单的 API 代理。它是一个横跨所有模型的统一控制面：细粒度的访问权限控制、每次请求和响应的安全护栏、完整的审计追踪写入 Unity Catalog、按用户、团队、工作空间和账户分层的支出管理。Databricks 托管 K3 的开放权重，客户数据留在自己的 Lakehouse 内，同时享有零数据留存保障。

在成本端，Databricks 的博客列出了一个具体数字：K3 的单任务成本比同类闭源模型低 50% 到 72%。对于持续运行的编程 agent 和处理百万级页面的文档管线来说，这个差距会直接决定某个场景能不能跑。

在 Artificial Analysis 的 Intelligence Index 上，K3 得分 57，排名第 4，。Databricks 自己的内部企业级基准测试结论是：K3「持续表现与领先闭源模型处于同一水平」。

开源模型的战场从 benchmark 搬到了部署层

过去一年，开源模型的叙事围绕「追赶」展开：先在 MMLU 上追平，然后在 HumanEval 上逼近，接着在 SWE-bench 上制造惊喜。K3 在 7 月的发布本身就是这条叙事的高潮：一个中国团队做出了全球最大的开放权重模型，在 Artificial Analysis 的 Intelligence Index 上排名第 4。

但 benchmark 只能解决「能不能用」的问题。企业真正卡住的是「敢不敢用」：模型推理时数据出不出安全边界？权限和审计怎么管？能不能和已有的技术栈无缝对接？

Databricks 这次上线的不同之处在于，它把这些问题的答案直接打包进了产品。K3 和 Claude、GPT 共享同一套治理框架，意味着企业的安全团队不需要为一个中国模型单独写一份风险评估。它和其他模型在同一个沙盒里运行，受同一套规则约束。

Databricks CEO Ali Ghodsi 在 CNBC 上的表态本身就是一次信号。一家美国数据基础设施巨头的高管，在电视上公开评价一个中国开源模型已经逼近自家平台上最强的闭源模型。放在一年前几乎不可想象。

这背后还有个更根本的变化：部署和分发正在成为模型竞争力的一部分。一个模型的真正价值取决于有多少企业的数据可以安全地流过它，而不是训练完那一刻的 benchmark 截图。Databricks 把 K3 放在数据湖旁边，给出了一套企业可以安全使用的路径——这比多拿一个 benchmark 第一，对实际格局的改变更大。

当治理不再只是闭源模型的护城河

Kimi K3 上线 Databricks，不只是一个中国模型拿到了美国平台的入场券。它的真正意味是：企业级治理这件事，闭源厂商独享了太多年，现在一个开放权重模型用完全相同的方式进入了同一个控制面板。

对于坐在 Databricks 上的企业来说，从这个月起，选模型的逻辑从「哪个最强」变成了「这个任务哪个性价比最高」。Databricks 给出的数据是 K3 单任务成本比同类闭源模型低 50% 到 72%，企业没有理由不在合适的场景里切过去试一下。