那只骑自行车的鹈鹕，不是玩笑，它是 K3 赛道边的油表。我的判断很直白：**K3先是预算题，后才是模型题。**谁只盯着它冲线有多快，不看它一脚油门烧掉多少 token（模型计费单位），最后夸的不是智能，只是别人的报销单。
2026 年 7 月 16 日到 17 日这一波公开资料，很容易把人看兴奋。Moonshot 的 K3 技术博客 把牌面摆得很满：2.8 万亿参数、100 万上下文、长程编码、视觉理解，首页那几行 88.3、81.2、77.8 的分数也挂得锃亮。可同一批官方说明里，另一件事写得同样明白：K3 现在只有 reasoning_effort="max" 这一档，也就是最高推理档位；程序接口（API）价格是缓存命中输入 0.30 美元/百万 token、缓存未命中输入 3 美元、输出 15 美元。对照一下 K2.6 的公开价格：0.16、0.95、4。前者像一台默认挂在运动挡的大排量车，后者至少还肯给你一个省油模式。
这就是反常识的地方。大家一看到新模型，总爱先问“它比谁聪明”。我看 K3，先问的却是“你配不配给它花这笔钱”。因为官方脚注已经把答案写在墙上：那些漂亮分数，是在最高推理档位下跑出来的，而且不同项目用的还是不同执行流程。你看见的不是一颗裸奔的大脑，而是一整套带工具、带流程、带地板油的系统。系统一旦默认地板油，采购就先变成算术。
所以 Simon Willison 那篇 pelican benchmark（让模型生成一只骑自行车的鹈鹕的老测试） 反而还有用。不是因为它多权威，恰恰因为它很傻。傻测试最容易照出真脾气。他让 K3 画一张 SVG（网页矢量图）鹈鹕，结果是 95 个输入 token，16658 个输出 token，其中 13241 个还是推理 token，账单 0.25 美元。**鹈鹕不是排行榜，它是怠速油耗测试。**连画个小鸟都这么舍得踩油门，你就别把它当成随手改文案、顺手抽表格的廉价劳力。
想象第一个场景。凌晨一点，一个独立开发者只是想让模型把项目说明文件重写得像样些，再顺手修两个前端按钮。K3 当然能做，甚至会认真得像要替你写一篇答辩稿：先想，后改，再复查，再解释。天亮时页面是顺了，可预算也顺着水沟流走了。便宜模型把简单事做笨，是能力问题；昂贵模型把简单事做得过分认真，是经营问题。
第二个场景在会议室。屏幕上是漂亮的官方分数，技术负责人眼睛发亮，觉得团队终于捞到一头能啃长仓库、能跑终端、还能看截图的怪兽。财务把手往前一伸，问题却只有一句：哪些任务必须用 K3，哪些任务绝不能用 K3？这句话比任何评测都锋利。因为真正贵的，从来不是一次惊艳演示，而是你把惊艳演示错误地铺满每个日常流程。用 K3 去分类邮件、清洗表格、改几句广告词，像请米其林主厨来削土豆，刀工当然漂亮，账单也一样漂亮。
第三个场景在一支五人团队。周一他们拿 K3 去做 AI 代理，也就是让模型自己调工具、连续完成多步任务；周二他们才明白，最值钱的不是模型本身，而是流程设计：固定上下文，尽量复用缓存，把真正需要长推理的步骤关进少数关卡，前面先用便宜模型筛，最后再把难题交给 K3。Moonshot 在技术博客里甚至直接写到，编码场景里官方 API 的缓存命中率能超过九成。意思再明白不过：这不是“买最强模型就赢”，而是“会不会把昂贵脑力锁进高杠杆位置”。
这也是那只鹈鹕今天还值得看的原因。它早就不是考试卷，不能替你排出谁第一谁第二；Simon 自己也说过，它碰不到真正要命的多步工具调用和长对话。可它能让你在车还没上高速前，先听见发动机怎么喘，先看见油表掉得多快。今天的大模型，马力是性能，油耗也是性能。
技术圈有个坏习惯：把排行榜当春药，把账单当讣告。前者让人兴奋，后者让人清醒。K3 的意义，恰恰在于它把这两件事硬生生摁到了一张桌子上。它当然是一台强机器，但它更是一种新提醒：当模型开始替你干活，比较它的单位就不该只是“像不像最聪明的人”，而该是“每一美元换回多少可靠产出”。
所以我还是这句话：**K3先是预算题，后才是模型题。**谁先学会给模型分工、给思考定价、给昂贵智能找准工位，谁才真正用到了 K3。至于那只鹈鹕，它一点也不幼稚。它不过是替所有兴奋过头的人，先把油表举到了脸前。
别人聊 AI，我们测 AI——每个结论都能下载原始数据自己复算。 🔗 官网 👉 https://crawdpad.com