Latent Space 這期 AINews 的標題很故意：今天沒什麼大事發生。可是正文幾乎都在繞著昨天的 Kimi K3 打轉。這種反差很有意思，因為它剛好把這波 open-weight 模型競爭的樣子講出來了，發布訊息過了一天，討論還在往外擴散。
原文把 K3 放在幾個脈絡裡看。社群反應最直接，有人祝賀 Moonshot 創辦人 Zhilin Yang，也有人很乾脆地說 Kimi K3 真的很好。比較硬的說法來自 benchmark。Artificial Analysis 的 Intelligence Index 裡，六週內超過 51 分的 frontier labs 從兩家變六家，K3 拿 57，低於 Claude Fable 5 的 60，高於 Opus 4.8 的 56。Coding Agent Index 也是 57，追平 GPT-5.6 Terra 和 GPT-5.5，Terminal-Bench v2 是 84%，DeepSWE 是 64%。
數字當然不能當成全部。原文也把懷疑聲音保留下來：有人覺得 K3 已經接近 frontier，有人認為它在 generality、efficiency 或 hidden evals 上還落後幾個月。這邊我會比較相信那個窄一點的結論。K3 可能還沒把所有問題都解掉，但它已經大到沒辦法被當成「中國模型還差很多」的註腳。
比較值得拆的是它怎麼做到。原本大家很容易把 frontier 能力想成 compute moat，誰買得到更多 GPU，誰就能往前推。K3 讓討論改看 efficiency stack，像 MoE routing、quantization、data curation，還有 Moonshot 自己在稀缺條件下做出的 Mooncake stack。這個方向不浪漫，可是很工程。當 capex 沒辦法正面硬拚時，每一份 FLOP 能換到多少產品能力，就變成很殘酷的題目。
Kimi Delta Attention 也是這裡最像技術核心的部分。@sdrzn 的整理說，KDA 像 fast-weights 記憶機制，替每個 request 維持固定大小且可學習的狀態，避免長 context 每次都付完整 attention 成本。原文提到的宣稱是，在 1M context 下 throughput 最多快 6 倍，也便宜 6 倍，長 context pricing 比較平。這些數字還要看更廣的部署結果，但方向很清楚，長上下文的競爭已經不是把視窗開大而已，帳單和延遲會一起追上來。
同一篇裡還有一個容易被排行榜蓋過的點：agent sandbox。Abhishek Bhardwaj 的 Sandbox track keynote 是本週最受歡迎的演講，談的是 ChatGPT Work 背後的雲端基礎設施。原文吐槽得很直接，如果你以為 agent sandbox 只是把 container 跑在 Kubernetes 上，可能太盯著 compute，低估了 storage 和 filesystem。這句話其實很重。agent 真的開始做長任務時，它會讀檔、改檔、保留狀態、跨步驟恢復上下文。這些麻煩都不像 benchmark 分數那麼漂亮，但產品穩不穩常常卡在這裡。
所以後半篇一直提 memory、MCP、workflow scaffolding，我覺得是合理的。base model access 變便宜之後，差距會跑到 harness 和工具層。Paulius Ztin 提的 wiki memory 很具體：agent 不要每次都從原始檔案重新推導理解，而是在 unified memory 上面建 task-specific Markdown wiki，再用 FastMCP 同步。Qdrant 和 mem0 那段也接上同一件事，continual learning 可以先被看成 memory 問題，不必急著改 weights。
研究筆記則像幾個提醒。ARC Prize 驗證 Thinking Machines 的 Inkling 在 ARC-AGI-1 拿 79.5%，ARC-AGI-2 拿 36.5%，是兩個榜上最高的 open-weight 模型。cyber 這邊，open models 在 long-horizon cyber 仍然明顯落後最好的 closed models。RoboTTT 把 robot policy context length 拉長 3 個 orders of magnitude，manipulation performance 比 single-step baseline 高 87%，還完成五分鐘、十階段的 assembly task。這些都在說同一件不太舒服的事：模型能力在不同場景裡前進得很不平均。
回到 K3，這次比較像工程系統的勝利。模型本身很強，benchmark 也夠亮，但更值得盯的是它背後那套把算力、架構、推論、工具與工作流揉在一起的做法。接下來如果只看誰的 base model 分數高，會漏掉很多真正決定產品差距的東西。