LoopDNS资讯播报
Open in Telegram
LoopDNS 综合资讯---简洁，及时，快速，准确 频道: @DNSPODT 电报讨论组: @LoopDNS 撤稿流程: https://t.me/loopdns/107752
Show more📈 Analytical overview of Telegram channel LoopDNS资讯播报
Channel LoopDNS资讯播报 (@dnspodt) in the Chinese language segment is an active participant. Currently, the community unites 70 257 subscribers, ranking 1 796 in the Technologies & Applications category and 3 276 in the China region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 70 257 subscribers.
According to the latest data from 28 July, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by 1 188 over the last 30 days and by 102 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 11.63%. Within the first 24 hours after publication, content typically collects 8.77% reactions from the total number of subscribers.
- Post reach: On average, each post receives 8 165 views. Within the first day, a publication typically gains 6 160 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 91.
- Thematic interests: Content is focused on key topics such as muse, deep, seek, build, openai.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“LoopDNS 综合资讯---简洁，及时，快速，准确
频道: @DNSPODT
电报讨论组: @LoopDNS
撤稿流程: https://t.me/loopdns/107752”
Thanks to the high frequency of updates (latest data received on 29 July, 2026), the channel maintains relevance and a high level of publication reach. Analytics show that the audience actively interacts with content, making it an important point of influence in the Technologies & Applications category.
70 257
Subscribers
+10224 hours
+4447 days
+1 18830 days
Data loading in progress...
Similar Channels
Tags Cloud
Incoming and Outgoing Mentions
---
---
---
---
---
---
Attracting Subscribers
July '26
July '26
+1 290
in 38 channels
June '26
+1 395
in 27 channels
Get PRO
May '26
+1 983
in 42 channels
Get PRO
April '26
+1 171
in 37 channels
Get PRO
March '26
+1 687
in 50 channels
Get PRO
February '26
+1 130
in 23 channels
Get PRO
January '26
+1 964
in 42 channels
Get PRO
December '25
+1 872
in 44 channels
Get PRO
November '25
+1 478
in 28 channels
Get PRO
October '25
+2 457
in 24 channels
Get PRO
September '25
+1 817
in 39 channels
Get PRO
August '25
+3 236
in 46 channels
Get PRO
July '25
+1 765
in 34 channels
Get PRO
June '25
+2 420
in 32 channels
Get PRO
May '25
+2 388
in 52 channels
Get PRO
April '25
+3 438
in 50 channels
Get PRO
March '25
+2 098
in 27 channels
Get PRO
February '25
+2 044
in 28 channels
Get PRO
January '25
+2 281
in 36 channels
Get PRO
December '24
+2 209
in 22 channels
Get PRO
November '24
+2 073
in 29 channels
Get PRO
October '24
+2 902
in 29 channels
Get PRO
September '24
+1 554
in 47 channels
Get PRO
August '24
+781
in 24 channels
Get PRO
July '24
+1 211
in 42 channels
Get PRO
June '24
+453
in 40 channels
Get PRO
May '24
+525
in 22 channels
Get PRO
April '24
+683
in 50 channels
Get PRO
March '24
+515
in 24 channels
Get PRO
February '24
+603
in 39 channels
Get PRO
January '24
+1 086
in 38 channels
Get PRO
December '23
+1 593
in 44 channels
Get PRO
November '23
+1 816
in 60 channels
Get PRO
October '23
+2 463
in 41 channels
Get PRO
September '23
+1 290
in 0 channels
Get PRO
August '23
+1 805
in 0 channels
Get PRO
July '23
+706
in 0 channels
Get PRO
June '23
+935
in 0 channels
Get PRO
May '23
+1 176
in 0 channels
Get PRO
April '23
+2 455
in 0 channels
Get PRO
March '23
+718
in 0 channels
Get PRO
February '23
+1 293
in 0 channels
Get PRO
January '23
+438
in 0 channels
Get PRO
December '22
+591
in 0 channels
Get PRO
November '22
+251
in 0 channels
Get PRO
October '22
+493
in 0 channels
Get PRO
September '22
+270
in 0 channels
Get PRO
August '22
+354
in 0 channels
Get PRO
July '22
+3 222
in 0 channels
Get PRO
June '22
+738
in 0 channels
Get PRO
May '22
+83
in 0 channels
Get PRO
April '22
+68
in 0 channels
Get PRO
March '22
+116
in 0 channels
Get PRO
February '22
+93
in 0 channels
Get PRO
January '22
+237
in 0 channels
| Date | Subscriber Growth | Mentions | Channels | |
| 29 July | +48 | |||
| 28 July | +102 | |||
| 27 July | +103 | |||
| 26 July | +64 | |||
| 25 July | +75 | |||
| 24 July | +60 | |||
| 23 July | +32 | |||
| 22 July | +30 | |||
| 21 July | +58 | |||
| 20 July | +21 | |||
| 19 July | +28 | |||
| 18 July | +30 | |||
| 17 July | +23 | |||
| 16 July | +19 | |||
| 15 July | +44 | |||
| 14 July | +40 | |||
| 13 July | +12 | |||
| 12 July | +50 | |||
| 11 July | +14 | |||
| 10 July | +35 | |||
| 09 July | +51 | |||
| 08 July | +56 | |||
| 07 July | +38 | |||
| 06 July | +30 | |||
| 05 July | +36 | |||
| 04 July | +41 | |||
| 03 July | +41 | |||
| 02 July | +41 | |||
| 01 July | +68 |
Channel Posts
也门胡塞武装正酝酿对途经曼德海峡（连接红海南部与亚丁湾的关键航道）绝大多数商船征收通行费，中国船舶可免缴。
据路透社消息，7月胡塞高层赴伊朗出席前最高领袖哈梅内伊葬礼期间，伊朗方面与其商议了海峡收费方案。已有伊朗顾问随行赴也门，协助胡塞搭建专门机构管理收费事宜。
来源：外汇交易员
| 2 | 智库报告关注中国商业航天发展
美国战略与国际研究中心（CSIS）发布报告指出，自2014年开放投资以来，中国商业航天企业已增至约600家。“国网”和“千帆”等项目正在规划万星星座，推进低轨宽带网络建设并拓展国际合作。
报告认为，中国正利用制造优势与政策支持加速构建商业航天生态，发挥军民两用潜力。尽管在重型发射领域仍落后于美国，但其产能扩张与规模化步伐正引发美方对其长期竞争力的关注。
来源：FT | 4 791 |
| 3 | 韩国交易所对KOSDAQ指数启动熔断机制，交易暂停20分钟。 | 5 759 |
| 4 | 月之暗面拟获取英伟达Blackwell芯片开发Kimi K4
中国人工智能初创公司月之暗面（Moonshot AI）正在寻求获取更多英伟达 Blackwell 芯片，用于训练其下一代模型 Kimi K4。尽管面临出口限制，该公司此前已使用英伟达芯片成功训练了最近发布的 Kimi K3 模型。
Kimi K3 的推出表明中国企业能够在资源受限的情况下保持技术跟进。月之暗面持续推进芯片采购与模型迭代，进一步引发了外界对中国 AI 加速缩小与国际前沿差距的关注。
来源：The Information | 6 571 |
| 5 | 美国FCC以国家安全风险为由禁止进口中国人形机器人和联网逆变器
美国联邦通信委员会（FCC）宣布禁止进口来自中国的先进机器人设备（包含人形及四足机器人）以及联网逆变器，称其对国家安全构成“不可接受的风险”。美方官员表示，此类设备收集的数据可能被用于监控或远程操控，相关禁令旨在保障关键与新兴技术的供应链安全，推动美国本土制造业振兴。
本次限制措施适用于尚未上市的新机型，但FCC保留撤销已获批产品销售授权的权力。受影响的逆变器设备系可再生能源与数据中心建设的核心部件，中国目前为该产品在全球的最大生产国。中国驻美大使馆尚未对此做出回应。
来源：The Guardian | 5 959 |
| 6 | 上海本土企业突破浸没式光刻机，ASML市场恐慌情绪或显过度
据路透社报道，上海爱盛纳电子科技集团已开始量产深紫外光刻机（DUV），预计今年产量为5台，2027年提升至20台左右。尽管中国市场占荷兰ASML公司2025年净销售额的29%，该消息引发投资者担忧并导致其市值单日缩水约600亿欧元，但市场分析普遍认为，外界对这一竞争威胁的反应过于悲观。
由于国产设备在性能、可靠性及芯片加工速度上仍与行业龙头存在显著差距，ASML在短期内依然保持着坚固的技术壁垒。此外，ASML正计划于2027年将先进DUV设备的产能提升30%，强劲的全球市场需求将继续为其业绩提供支撑，国产替代引发的实际财务风险在短期内依然可控。
来源：路透社 | 6 717 |
| 7 |  +1GiffGaff 的社区被退款请求淹没 | 13 744 |
| 8 | 亚马逊调整AI战略：拟停用大部分旗舰模型并聚焦前沿技术研发
据外媒报道，亚马逊正在对其人工智能战略进行重大调整，计划逐步停用包括Nova系列在内的大部分现有旗舰AI模型。公司拟将核心资源集中投向由知名学者领导的新一代前沿大模型开发项目，预计首款新模型将于今年年底的年度大会上发布。
此前，亚马逊已对其通用人工智能部门进行了人员优化，旨在集中力量推进核心项目。虽然当前战略有所调整，但亚马逊仍持续为企业客户提供基础云计算与AI基础设施支持，新开发的前沿模型未来仍可能沿用Nova品牌。
来源：路透社 | 6 903 |
| 9 | 北京时间7月28日18时左右，giffgaff 再次清理了一批“云居民”用户。部分用户在申请退款后，账户被以“违反公平使用原则”为由直接关闭。 | 7 550 |
| 10 | 日本防灾科学技术研究所：日本九州发生地震，初步测定震级为7.1级。在日本1至7级震度等级中，熊本县最大震度可能达到7级。
source | 7 086 |
| 11 | 月之暗面开源智能体沙盒系统 AgentENV 破解强化训练安全难题
为解决 AI 智能体在强化训练中尝试“奖励黑客”及突破传统容器隔离边界的工程风险，月之暗面开发并开源了专为智能体打造的自托管沙盒运行时系统 AgentENV。该系统放弃了限制智能体探索能力的做法，改用基于 Firecracker 的轻量级微虚拟机架构，为每个沙盒提供独立内核与硬件级隔离。AgentENV 兼容 E2B API 并支持极速快照与分叉，在保障高自由度训练的同时大幅提升了集群安全性。
来源： Github (Document) | 6 920 |
| 12 | 彭博：台湾拘留一名英伟达员工，涉嫌中国芯片走私调查
据知情人士透露，台湾检方已拘留一名英伟达公司员工，并搜查了该公司办公室，这是针对涉嫌向中国走私 AI 加速器的扩大调查的一部分。 | 2 324 |
| 13 | 英伟达联合科技巨头成立开源AI安全联盟
英伟达联合微软、SpaceX及Palantir等多家科技企业，发起成立“开放安全人工智能联盟”（Open Secure AI Alliance）。该联盟旨在开发并推广开源AI工具，帮助各界应对网络安全威胁。
针对监管部门及部分行业高管对开源模型安全隐患的担忧，联盟主张将开源AI视为防御性资产而非安全威胁。发起方表示，普及开源技术有助于提升整体网络防御能力，反对针对开源生态采取限制性禁令。
来源：WSJ / NVIDA | 7 059 |
| 14 | 彭博：美国调查在越南的中国工厂，引发新一轮关税担忧
据知情人士透露，美国海关官员已对越南境内与中国相关的工厂进行了突击检查，这加剧了外界担忧—— 白宫可能很快会找到理由，对这个东南亚国家加征更多关税。 | 6 983 |
| 15 | 在公开评测中，K3 的优势主要集中在长程编码和工具型智能体任务。它在 ProgramBench 上取得 77.8，在 Terminal-Bench 2.1 上取得 88.3，仅略低于 GPT-5.6 Sol 的 88.8；在 FrontierSWE 上取得 81.2，低于 Claude Fable 5 的 86.6，但高于报告中的其他模型；在 SWE-Marathon 上取得 42.0，是对比模型中的最高成绩。
在智能体任务中，K3 在 BrowseComp 上取得 91.2，在 DeepSearchQA 上取得 95.0，在 ResearchRubrics 上取得 76.2，在 MCPMark-Verified 上取得 94.5，在 AutomationBench 和 SpreadsheetBench 2 上分别取得 30.8 和 34.8。其结果与训练方向较为一致，搜索、工具调用、代码执行和长轨迹恢复是 K3 投入较多的能力。
K3 并没有在所有方向领先。在更强调真实知识工作的 GDPval-AA v2 中，K3 的 Elo 为 1686，低于 Claude Fable 5 的 1747 和 GPT-5.6 Sol 的 1736。在 OSWorld 2.0 上，K3 得分为 58.3，也低于 Claude Fable 5 和 GPT-5.6 Sol。
推理与知识方面，K3 在 GPQA Diamond 上取得 93.5，已接近最强模型，但在研究级任务上仍有明显差距。HLE-Full 无工具和有工具成绩分别为 43.5 和 56.0，均低于 Claude Fable 5；CritPt 得分为 23.4，也落后于 GPT-5.6 Sol、Claude Fable 5 和 GPT-5.5。
视觉方面，K3 在 OmniDocBench 上取得 91.1，在 Video-MME 上取得 90.0。在 Math-Vision 上，模型不使用工具时得分为 94.3，使用 Python 后上升到 97.8；ZeroBench 的 pass@5 则从 23.0 提高到 41.0。这表明 K3 的多模态能力不仅来自直接视觉问答，也依赖“观察、编写代码、处理图像、重新验证”的智能体闭环。
技术报告还引用了截至 2026 年 7 月 23 日的第三方结果。K3 在 Artificial Analysis Intelligence Index v4.1 中得分 57.1，在 580 个模型中排名第四；在 Vals Index 中得分 74.7，在 39 个模型中排名第二；在 WebDev Arena 上以 1678 Elo 排名第一。由于竞技场和第三方榜单会持续更新，这些名次只能代表报告记录时的状态。
团队也强调了成本效率。按照报告中的测算，K3 在 BrowseComp 上以每项任务约 2.03 美元取得 91.2 分，成本约为 GPT-5.6 Sol 的一半，并显著低于最大推理强度下的 Claude 模型。不过，这些成本来自内部运行结果、公开 API 定价和外部图表的组合，不同模型使用的智能体框架与运行配置也不完全相同，因此不能直接视为统一硬件环境下的推理成本对比。
K3 的评测还存在其他可比性限制。不同模型分别运行在 Kimi Code、Claude Code 或 Codex 等不同框架中，最终成绩实际测量的是模型、系统提示、工具接口和上下文管理共同组成的系统。Claude Fable 5 的部分结果包含回退行为，GPT-5.6 Sol 的部分结果可能受到安全机制影响；K3 的主要成绩则使用 max 推理强度和温度 1.0。
部分结果来自 Kimi 团队内部基准，包括 Kimi Code Bench、长期智能体体验、深度研究、金融工作和网页开发等。此类评测能够补充公开基准未覆盖的场景，但仍需要更多第三方复现。
技术报告也没有披露完整的预训练 Token 数量、各数据领域的详细比例、总训练计算量、完整集群规模、训练时间和总成本，也没有给出系统性的基准去污染说明。报告提出的 2.5 倍扩展效率由多项改变共同产生，但缺少足够细致的组件级消融实验。完整权重已经开放，并不意味着外部研究机构能够完全复现其训练过程。
从技术路线看，Kimi K3 的主要意义并不是单项算法取得决定性突破，而是把 3T 级稀疏模型、混合长上下文注意力、原生多模态、长程智能体强化学习和生产级服务系统同时整合到一个模型中。KDA、MLA、Muon、LatentMoE 和推测解码等组件大多有明确的前序工作，K3 的核心工作在于针对超大规模模型重新修改这些方法，并完成从训练到部署的联合优化。 | 6 |
| 16 | 与 K2 相比，K3 的层数从 61 层增加到 93 层，总参数量从 1.04 万亿增加到 2.78 万亿，激活参数从 326 亿增加到 1042 亿。路由专家数量由 384 个增加到 896 个，每个 Token 激活的专家数量由 8 个增加到 16 个，共享专家由 1 个增加到 2 个，注意力头则从 64 个增加到 96 个。
K3 的隐藏层维度仍然保持在 7168，没有通过继续扩大模型宽度来完成扩展。它主要增加了网络深度、专家数量和每个 Token 实际调用的专家容量。这意味着“2.8 万亿参数”代表模型可容纳的总体参数规模，而不是每次推理都需要执行全部参数。每个 Token 实际运行的是约 1042 亿参数，但这一激活规模本身仍然相当于一个大型稠密模型。
Kimi K3 的注意力结构采用 Kimi Delta Attention 与 Gated MLA 混合设计。每个主要模块由三层 KDA 和一层 Gated MLA 组成，完整模型共包含 69 层 KDA 和 24 层 MLA。KDA 使用固定大小的递归状态保存历史信息，避免像标准注意力一样为所有历史 Token 持续保存完整的键值缓存，主要负责处理长序列；MLA 则周期性执行全局注意力，保留任意 Token 之间的直接交互能力。
这意味着 K3 并不是一款完全依赖线性注意力的模型。KDA 可以控制百万上下文下的缓存增长，但 24 层 MLA 的缓存仍然会随着序列长度增加。K3 的设计更接近一种折中方案：多数层使用适合超长序列的递归注意力，少数层保留完整全局交互，以减少纯线性注意力在复杂信息检索和全局关联上的能力损失。
K3 的 MLA 层没有使用 RoPE 等显式位置编码，而是依赖前置 KDA 层产生的位置和时序信息。这样做可以避免扩展上下文时重新调整 RoPE 基频或执行位置插值。不过，百万 Token 能力并不是仅依靠 NoPE 自动获得的。K3 在训练中仍采用了分阶段上下文课程，窗口先从 8000 Token 扩展到 6.4 万 Token，随后在冷却训练阶段继续扩展到 25.6 万和 100 万 Token。
由于自然存在的百万 Token 高质量文档和视频数量有限，团队还合成了一批长上下文数据，将多个文档、图像和子任务重新组合，使答案必须依赖分散在完整上下文中的信息。报告强调，仅增加输入长度并不能让模型真正形成长距离能力，训练数据必须迫使模型跨越完整上下文进行检索和推理。
在模型深度方向，K3 引入了 Attention Residuals。传统残差连接会把此前所有层的信息持续压缩到同一个隐藏状态中，随着模型加深，早期信息可能被逐渐覆盖。Attention Residuals 把不同层的输出视为可以被后续层选择读取的信息源，让模型能够从嵌入层和此前模块中动态选择所需表示。
考虑到完整保存 93 层输出会带来较高内存和通信开销，K3 使用了分块版本的 Block Attention Residuals。模型将不同层划分为多个模块，模块内部先汇总信息，模块之间再执行选择性读取。这种设计试图在深层信息流和实际训练成本之间取得平衡。
在混合专家部分，K3 使用 Stable LatentMoE。模型共有 896 个路由专家，每个 Token 选择其中 16 个专家，同时保留两个全宽度共享专家。路由分支会先把 7168 维隐藏状态投影到 3584 维潜在空间，再执行专家计算，之后重新映射回完整隐藏维度。
这一设计降低了同时激活大量专家所需的通信量和权重读取成本，但也会引入训练稳定性问题。为此，K3 在专家聚合后增加 RMSNorm，并提出 SiTU-GLU 激活函数，对门控分支和上投影分支进行平滑限幅。按照报告给出的参数设置，单个输出坐标的理论幅度上限为 100，用于减少超大激活值和低精度计算溢出的风险。
团队还提出 Quantile Balancing，用于解决近 900 个专家之间的负载不均衡问题。传统方法通常按照专家过载或闲置情况，以固定步长逐渐修正路由偏置。Quantile Balancing 则根据全局路由分数的分位数直接计算下一步偏置，使每个专家接收的 Token 数尽量接近目标负载。
对于大规模 MoE 模型，专家负载平衡不仅影响模型训练，还直接决定集群利用率。只要部分专家持续过载，其他 GPU 就可能等待最慢的设备完成计算。K3 使用全局直方图近似计算分位数，从而避免收集数百万 Token 的完整路由分数，同时保持较低的通信成本。
报告称，架构、训练数据、优化器和训练配方的联合改进，使 K3 相比 K2 获得约 2.5 倍的整体扩展效率。这里的“2.5 倍”指的是在验证损失与训练计算量的拟合曲线上，达到相近验证损失所需的计算量有所下降，并不代表 K3 的推理速度比 K2 快 2.5 倍，也不意味着所有下游任务的单位成本都提高了相同比例。
这项结果还是多种改动共同产生的，包括 KDA、Attention Residuals、Stable LatentMoE、训练数据调整、Per-Head Muon 优化器以及超参数重新搜索。报告没有提供足够完整的逐项消融实验，因此目前无法明确判断每项技术分别贡献了多少。
Kimi K3 同时是一款原生多模态模型。其视觉编码器 MoonViT-V2 共有 27 层，参数量约为 4.01 亿。与先训练语言模型、再连接一个已经完成对比学习的视觉编码器不同，MoonViT-V2 从头开始参与统一的下一 Token 预测训练，文本、图像和视频数据共同进入同一个模型骨干。
团队表示，使用 SigLIP 初始化的视觉编码器在联合训练中出现了更高且更频繁的梯度尖峰，而从头训练的 MoonViT-V2 更加稳定，并在视觉评测中取得相近结果。K3 的图像和视频使用同一套视觉参数，视频注意力被拆分为空间和时间两个方向。模型还通过像素重排，将视觉 Token 数量缩减到原来的四分之一，最高可处理 3584×3584 分辨率的输入。
K3 的后训练过程由监督微调、强化学习和多教师在线蒸馏组成。团队分别在通用任务、通用智能体和编码智能体三个领域训练策略，每个领域再训练 low、high 和 max 三种推理强度，总计形成九个教师模型，最后通过 Multi-Teacher On-Policy Distillation 合并到一个统一模型中。
不同推理强度并不是简单调整最大输出长度。训练系统会根据冷启动模型为每个问题估计基础预算，超过预算的轨迹会受到负奖励。团队先训练预算较高的 max 模型，再逐步压缩预算，得到 high 和 low 版本。因此，不同推理强度在一定程度上代表经过强化学习形成的不同行为策略，而不只是服务端设置的 Token 上限。
为了训练持续数百甚至数千次工具调用的智能体任务，K3 使用了部分轨迹生成机制。系统不再等待所有强化学习轨迹全部结束，而是在一定比例的任务完成后先开始更新模型，其余任务暂停并在后续训练迭代中继续执行。一条超长任务可以跨越多个训练周期，代价是部分数据会变得陈旧，因此训练算法会限制每次策略更新幅度。
K3 的强化学习环境没有绑定单一智能体框架。团队将工具接口、系统提示、上下文管理、记忆、技能和子智能体等能力拆分成可组合模块，可以模拟 Kimi Code、Claude Code、Codex、OpenClaw 和 Hermes 等不同运行方式。这样做的目的，是减少模型对特定工具名称、提示格式和上下文压缩方法的依赖。
训练任务覆盖复杂搜索、专业知识工作、软件工程、GPU 内核优化、网页开发、视觉推理、长期个人助理和自主执行任务。个人助理环境模拟了 Gmail、Notion、Slack 和 Canvas 等应用，一条轨迹可以跨越多个模拟日期，包含数千次工具调用和数百万累计上下文 Token。
K3 的基础设施部分是技术报告中信息最集中的内容之一。团队为 KDA 开发了 FlashKDA 内核和 KDA Context Parallelism，将长序列拆分到不同设备，同时只交换固定大小的递归状态，而不是随上下文长度增长的完整键值块。
MoE 训练则使用 MoonEP 动态复制少量专家，使每个专家并行设备接收完全相同数量的 Token。负载固定后，专家计算可以使用静态形状，减少主机同步和内存碎片，并实现更直接的零拷贝通信。团队还通过激活量化、重新计算、CPU 卸载、跨流水线设备远程卸载等方式，控制 2.8 万亿参数模型的训练内存。
面向百万 Token 智能体强化学习，团队开发了基于 Firecracker microVM 的 AgentENV。该系统支持暂停、恢复、分叉和快照，最低检查点延迟约为 133 毫秒，恢复延迟约为 49 毫秒。报告称，在 K3 的训练和评估过程中，共创建了超过 5100 万个沙箱，涉及约 150 万种环境镜像。
在线推理方面，K3 必须同时管理 KDA 固定状态和 MLA 键值缓存。团队将两类缓存放入统一的分页存储池，并把物理缓存块与前缀哈希粒度分离。即使物理块包含数千 Token，前缀仍可以按 512 Token 边界复用，从而减少长对话和编码任务中重复执行前缀计算的成本。
K3 从监督微调阶段开始对 MoE 专家权重执行 MXFP4 量化感知训练，专家输入激活使用 MXFP8，注意力、共享专家和路由器等模块则保持更高精度。强化学习生成和训练使用相同的量化方式，以减少训练和实际部署之间的精度差异。预训练中的多 Token 预测层还被改造成 EAGLE-3 风格的草稿模型，用于推测解码加速。 | 6 907 |
| 17 | 韩国KOSPI指数跌超8%，触发熔断机制，暂停交易20分钟。 | 6 981 |
| 18 | 受中国推进光刻机国产化影响 阿斯麦等芯片股应声暴跌
受媒体报道中国企业计划小规模量产国产深紫外（DUV）光刻机影响，资本市场对阿斯麦（ASML）丢失中国市场份额的担忧加剧。阿斯麦在阿姆斯特丹上市的股票在午盘交易中应声下跌逾8%，并引发多只半导体相关股票跟跌，反映出投资者对海外芯片设备巨头业绩前景的忧虑。
中国市场近年占阿斯麦总销售额的三成左右，为该公司的重要收入来源。尽管受限于美方出口管制，阿斯麦高管此前已预期对华销售将有所下滑，但中国本土硬件替代的加速推进，无疑给阿斯麦等企业的长期业务表现与股票估值带来了更显著的下行压力。
来源：WSJ | 409 |
| 19 | 中国开始量产国产 DUV 芯片制造工具，本土芯片产业迎来突破
The Information报道称，一家中国国资背景的企业已开始制造 DUV 光刻机。这家总部位于上海的公司整合了来自其他中国企业的浸没式 DUV 研发团队，其中包括国资背景的初创企业上海宇量昇科技有限公司。
这家上海公司计划今年制造约五台DUV光刻机，并在2027年生产约20台。知情人士称，这些DUV系统计划于今年交付给中国本土芯片制造商，包括中芯国际、华虹半导体和存储芯片制造商长鑫存储。
▎Source | 7 414 |
| 20 | 月之暗面正式发布 Kimi K3 模型权重
月之暗面已在 Hugging Face 正式发布 Kimi K3 的完整模型权重，兑现了此前“最晚于 7 月 27 日开放权重”的承诺。配套的模型代码、技术报告和部署说明也已同步公开。
Kimi K3 采用混合专家架构，总参数量为 2.8 万亿，每次推理激活约 1040 亿参数。模型包含 896 个专家，每个 Token 选择其中 16 个专家，支持最高 100 万 Token 上下文，并具备原生图像理解能力。官方发布的是经过量化感知训练的 MXFP4 权重，Hugging Face 仓库总体积约为 1.56 TB。
官方目前推荐通过 vLLM、SGLang 或 TokenSpeed 部署 Kimi K3。由于模型规模较大，月之暗面建议使用包含至少 64 个加速器的超节点配置，这意味着个人用户和普通工作站基本无法直接运行完整模型。
Kimi K3 采用专门制定的 Kimi K3 License，而非 MIT、Apache 2.0 等常见开源许可证。该许可证允许使用、修改、微调、部署和分发模型，但对规模较大的模型服务商设置了额外商业条款。例如，相关企业连续 12 个月总收入超过 2000 万美元时，使用 Kimi K3 提供模型服务需要与月之暗面另行签订协议。 | 7 544 |
