Kimi K3 vs Fable 5, GPT-5.6 & Opus 4.8: Chúng tôi đã thử nghiệm sự thổi phồng.

Kimi K3 là sản phẩm chủ lực mới của Moonshot AI, và trong vài ngày của tháng 7 năm 2026, nó đã là mô hình được thử nghiệm nhiều nhất trên Internet. Nó xuất hiện lần đầu trên trang đánh giá Arena với tên mã bí ẩn "Kivine" — tự mô tả là "từ phòng thí nghiệm Moonshot" với thời điểm cập nhật kiến thức tháng 1 năm 2025 — trước khi Moonshot chính thức công bố nó vào ngày 16 tháng 7 năm 2026, với trọng số mở được hứa hẹn trước ngày 27 tháng 7. Tiêu đề lặp đi lặp lại từ những người thử nghiệm: Kimi K3 nằm ở đâu đó quanh Claude Fable 5, và thường vượt trội hơn GPT-5.6 trong công việc sáng tạo và 3D. Bài đánh giá ấn tượng đầu tiên này tổng hợp các thông số kỹ thuật, bộ điểm chuẩn và hàng tá bài kiểm tra từ cộng đồng vào một nơi.

Lưu ý cho các nhà phát triển: đây là các thử nghiệm cộng đồng sớm, không được kiểm soát, vì vậy hãy coi chúng như mang tính định hướng, không phải điểm số. OrcaRouter đặt các mô hình có sẵn qua API đằng sau một endpoint tương thích với OpenAI, vì vậy một khi Kimi K3có API hoạt động, bạn có thể thử nghiệm nó với Fable 5 và GPT-5.6 mà không cần kết nối nhiều SDK.

Tóm tắt nhận định.Kimi K3 là mô hình open-weight đầu tiên đạt đến phạm vi Fable 5 một cách đáng tin cậy về frontend, 3D, và creative one-shots — nó dẫn đầu bảng xếp hạng frontend Arena và đứng thứ 4 trên Chỉ số Artificial Analysis. Nhưng nó dài dòng và chậm (một bản dựng frontend mất 35 phút), thua kém Fable về mã hóa tác nhân, và các phán quyết "won" là những ấn tượng ban đầu từ Arena, không phải benchmark đã kiểm định. Ấn tượng, nhưng chưa chắc chắn.

Những điểm chính rút ra

•  Kimi K3 là một 2.8T-tham số MoE, được định vị là mô hình open-weight lớn nhất cho đến nay, với các trọng số mở dự kiến ra mắt trước ngày 27 tháng 7.

• Trong các đánh giá của bên thứ ba độc lập, nó xếp hạng #4 trong số 189 trên AA Intelligence Index (57) và #1 trên Arena's frontend-code board (1679), cao hơn mức 1631 của Fable 5.

•  Định giá ở mức $3 / $15 cho 1M tokens — Mô hình đắt nhất từ trước đến nay của Moonshot, nhưng vẫn chỉ bằng khoảng một phần ba mức $10 / $50 của Fable 5.

• Những người thử nghiệm liên tục gọi nó là "cấp độ Fable"; những người hoài nghi nói rằng các so sánh đối đầu được chọn lọc và nó vẫn kém hơn trong các tác vụ tác nhân nhiều bước.

• Hãy lưu ý các cảnh báo: đầu ra chi tiết (~2 lần peer-median tokens), ~34 giây độ trễ token đầu tiên, và nó vẫn còn kém hơn Fable trên FrontierSWE và DeepSWE.

Thông số kỹ thuật và điểm chuẩn chính

Đây là dữ liệu cứng, mỗi con số được gán cho nguồn của nó.

•  Kiến trúc — Kimi K3: 2.8T MoE (896 chuyên gia, 16 hoạt động), Kimi Delta Attention, ngữ cảnh 1M, tầm nhìn nguyên bản; Điểm so sánh: Mô hình trọng số mở lớn nhất hiện nay (Moonshot, theo báo cáo của nhà cung cấp)

•  Biến thể — Kimi K3: K3 Max (chat/tác nhân), K3 Swarm Max (song song); Điểm so sánh: —

• Giá (vào / ra) — Kimi K3: $3 / $15 trên 1M; cache-hit ~$0,30; Điểm so sánh: Fable 5 với giá$10 / $50 (~gấp 3,3 lần)

•  AA Intelligence Index — Kimi K3: 57 — #4 of 189; Điểm so sánh: Xếp sau hai cấu hình Fable 5 + GPT-5.6 Sol; trên Opus 4.8, Sonnet 5, GLM-5.2 (Artificial Analysis)

•  Arena frontend-code — Kimi K3: #1 ở 1679, thắng 6/7 hạng mục; Điểm so sánh: Trên 1631 của Fable 5; tăng từ #18 của K2.6 (Arena / LMArena)

•  GDPval-AA v2 / AA-Briefcase — Kimi K3: 1687 (#3) / 1527 (#2); Comparison point: Artificial Analysis

• GPQA Diamond — Kimi K3: 93.5% (mô hình mở mạnh nhất); Điểm so sánh: do nhà cung cấp báo cáo

•  BrowseComp / HLE với công cụ — Kimi K3: 91.2% / 56.0%; Điểm so sánh: Do nhà cung cấp báo cáo

•  Agentic SWE — Kimi K3: FrontierSWE 81.2, DeepSWE 67.5; Điểm so sánh: thấp hơn Fable 5's 86.6 / 70.0

• Terminal-Bench 2.1 — Kimi K3: 88.3; Điểm so sánh: Cao hơn 84.6 của Fable 5 (lưu ý về harness-mixing bên dưới)

Hai điều làm giảm bớt những chiến thắng. Đầu tiên, lợi thế về giá một phần bị ăn mòn bởi tính dài dòng — K3 phát ra khoảng gấp đôi số token đầu ra trung bình của các đồng nghiệp trong các tác vụ tương đương — cộng thêm một ~34 giây độ trễ token đầu tiên. Thứ hai, lợi thế Terminal-Bench đi kèm với một cảnh báo từ @ChrissGPT: các điểm chuẩn của Moonshot "thường thích sử dụng Terminal 2 thay vì 2.1," vì vậy hãy cẩn thận khi so sánh giữa các khung. Độc lập, trước khi chỉ số chính thức được công bố, @teortaxesTex ước tính "~55ish AA… xung quanh Opus 4.8 hoặc GPT 5.5."

Tổng hợp bài kiểm tra cộng đồng

Bằng chứng khiến Kimi K3 trở thành một câu chuyện là làn sóng các one-shot của Arena. Đây là một phần đại diện — người thử nghiệm, nhiệm vụ và phán quyết, mỗi phần được liên kết đến bài đăng gốc.

• @synthwavedd — Nhiệm vụ: Kiểm tra tải tổng quát; Nhận định: "Một khoảnh khắc DeepSeek R1 nữa… thường ở cấp độ Fable, có thể hơi tệ hơn một chút, nhưng luôn tốt hơn 5.6. Một con quái vật."

•  @chetaslua — Nhiệm vụ: Lập trình, đối đầu trực tiếp với Fable; Phán quyết: "Vượt trội hơn mọi mô hình mã nguồn mở… ngang bằng với Fable, đôi khi chất lượng tốt hơn"

•  @Gc_qube — Nhiệm vụ: 3D / trò chơi so với Fable 5; Kết luận: "Kimi K3 đã thắng… mẫu đầu tiên bắt kịp được Fable"

• @abhinavflac — Nhiệm vụ: Render cây bonsai sakura; Nhận xét: "Đánh bại Claude Fable — làm tốt phần thân xoắn và tán lá phân tầng"

•  @testingcatalog — Nhiệm vụ: Universe-sim so với Fable 5; Kết luận: "Fable hoàn thành nhanh hơn với UX mạnh mẽ hơn; K3 phức tạp hơn nhiều và hấp dẫn về mặt hình ảnh… rất sát sao"

• @israfill — Nhiệm vụ: Cùng prompt mô phỏng vũ trụ; Nhận xét: "K3 thắng về sản phẩm sáng tạo dày đặc và những khoảnh khắc 'làm sao nó xây được thế kia'… ngạc nhiên là nó gần đến vậy"

•  @mirochill — Nhiệm vụ: Frontend one-shot (tiếng Pháp); Phán quyết: "Bằng 5.6 Pro, tốt hơn Fable 5, trong một lần thử" (ghi nhận vấn đề về ánh sáng)

• @jun_song — Nhiệm vụ: Flappy Bird so với Opus 4.8; Nhận xét: "Tốt hơn đáng kể so với Opus… mức Opus-5"

•  @JustinGorya — Nhiệm vụ: Minecraft HTML một tệp duy nhất; Phán quyết: 'Một cột mốc mới… đáng kinh ngạc về 3D và front end' (phản hồi: 'Đây là một cảnh quay. Điên rồiii')

•  @redkendl — Nhiệm vụ: trò chơi máy bay giấy 3D; Nhận xét: "Bị hạ gục trong một cú… Fable 5 / GPT-5.6-level output. Các phòng thí nghiệm Trung Quốc không còn tụt hậu 8 tháng nữa"

• @noctus91 — Nhiệm vụ: Trải nghiệm 3D tương tác; Nhận xét: "Mức độ chi tiết, độ trau chuốt và chất lượng tổng thể thực sự đáng kinh ngạc"

•  @Lentils80 — Nhiệm vụ: Trang frontend; Nhận xét: "RẤT chậm — mất 35 phút — nhưng là một trong những kết quả tốt nhất tôi từng thấy từ prompt này"

Người ủng hộ nhiệt tình vs người hoài nghi

Luận điểm tăng giá rất đơn giản: một mô hình trọng số mở sánh ngang với một mô hình hàng đầu đóng về công việc sáng tạo và frontend, với mức giá chỉ bằng một phần ba, thực sự là mới. @notjazii gọi một kết quả đầu ra là "a new SOTA model dropping today, moonshot cooked," và @chetaslua coi đó là "deepseek moment again for OSS."

Những người hoài nghi phản ứng mạnh mẽ, và những phản đối của họ luôn là ba điều giống nhau:

•  Các bản demo được chọn lọc kỹ lưỡng. Trong bài kiểm tra bonsai, @Heeseon trả lời "bất kỳ ai cũng có thể thấy Fable 5 thắng," và @sebuzdugan nhận xét "một mẫu bonsai cho thấy kiểm soát phong cách, không phải độ tin cậy qua các hạt giống."

•  Fable chỉ tốt hơn thôi. Trên chủ đề của Gc_qube, @victor_vibing nói thẳng: "Fable tốt hơn nhiều. Không thể so sánh được."

•  Cùng một thẩm mỹ, không phải phạm vi thực. @_everythingism đã lập luận rằng các đầu ra "tất cả đều có 'thẩm mỹ Claude'… tạo ra một loại thiết kế cụ thể lặp đi lặp lại," và trong các bài kiểm tra Opus, @MCharles10581 chỉ đơn giản nói "có vẻ như opus tốt hơn."

Khung hữu ích nhất đến từ @teortaxesTex, người thậm chí còn chưa tự mình thử nghiệm K3. Quan điểm của anh ấy xoay quanh một khoảng cách nỗ lực/thị hiếu, không phải là một bức tường năng lực: "ngay cả Fable và Sol cũng tạo ra rất nhiều SLOP… Kimi không thất bại ở các tác vụ nhiều bằng việc nó tạo ra những thứ kém thú vị và chi tiết hơn, không đi thêm dặm cuối." Đối với viết mã tác nhân có con người trong vòng lặp (human-in-the-loop) cho các tác vụ khách quan, anh ấy kỳ vọng K3 "sẽ đến gần một cách phi lý." Và điểm nhấn chiến lược: "mọi mô hình Trung Quốc chỉ đơn thuần *duy trì* khoảng cách… đều là một kỳ tích anh hùng." Đó là cách đọc trung thực — K3 thu hẹp khoảng cách về các tác vụ đo lường được và mất một chút về thị hiếu, đó chính xác là những gì các điểm chuẩn của nó cho thấy.

Câu hỏi thường gặp

Kimi K3 có tốt bằng Fable 5 không?

Trên frontend và các bản chụp 3D một lần, người kiểm thử nói đồng ý — nó đứng đầu bảng xếp hạng frontend của Arena (1679 so với 1631) và nhiều cuộc đối đầu trực tiếp coi đó là chiến thắng hoặc hòa. Về mã hóa tác nhân, nó vẫn tụt lại phía sau (FrontierSWE 81.2 so với 86.6), và những người hoài nghi cho rằng Fable có lợi thế về độ hoàn thiện và độ tin cậy trên nhiều seed.

Kimi K3 có phải là mã nguồn mở không?

Đây là mô hình có trọng số mở: Moonshot đã hứa sẽ phát hành trọng số trước ngày 27 tháng 7 năm 2026. Khi ra mắt, nó chỉ có qua API/web. Là mô hình có trọng số mở lớn nhất tính đến nay (2.8T MoE), bản phát hành đó là sự kiện chính.

Kimi K3 giá bao nhiêu?

$3 / $15 cho mỗi 1 triệu token đầu vào/đầu ra, với cache hits khoảng $0.30. Đó là mô hình đắt nhất từ trước đến nay của Moonshot (K2.6 có giá $0.95/$4), nhưng vẫn chỉ bằng khoảng một phần ba so với mức $10 / $50 của Fable 5 — mặc dù đầu ra dài dòng thu hẹp khoảng cách thực tế.

Kimi K3 có tốt hơn GPT-5.6 không?

Các nhà thử nghiệm nghiêng về phía đồng ý đối với công việc sáng tạo và 3D — @synthwavedd gọi nó là "tốt hơn một cách nhất quán so với 5.6" và @mirochill cho rằng nó ngang bằng với 5.6 Pro. Nhưng trên Chỉ số AA, GPT-5.6 Sol vẫn xếp trên K3, và Fable 5 cùng 5.6 Sol dẫn đầu trên Terminal 2.1.

Khi nào Kimi K3 được phát hành?

Chính thức được công bố vào ngày 16 tháng 7 năm 2026, sau khi xuất hiện trên Arena với tên gọi "Kivine" vào khoảng ngày 14 tháng 7. Các trọng số mở đã được hứa hẹn sẽ có trước ngày 27 tháng 7 năm 2026.

Kết luận

Kimi K3 là ấn tượng đầu tiên mạnh mẽ nhất mà một mô hình trọng số mở tạo ra kể từ khoảnh khắc DeepSeek ban đầu: đầu ra sáng tạo và frontend tầm Fable-5-range, đứng đầu bảng xếp hạng frontend của Arena, với giá chỉ khoảng một phần ba so với Fable. Chỉ nên giữ sự hào hứng ở mức 'định hướng' — nó dài dòng, chậm, vẫn còn thua kém trong mã hóa tác nhân, và mỗi 'chiến thắng' trên đây là ấn tượng ban đầu từ Arena, không phải một chuẩn đánh giá đã được kiểm toán. Khi các trọng số được phát hành trước ngày 27 tháng 7, các bài kiểm tra có kiểm soát sẽ cho chúng ta biết liệu sự cường điệu có được duy trì hay không.