Kimi K3 首登 DeepSWE v1.1：开源权重模型挤进前三

2026 年 7 月 16 日，Moonshot AI 发布了 Kimi K3 模型。7 月 17 日，AI 编程智能体基准 DeepSWE 更新到 v1.1 版本，Kimi K3 第一次入榜就拿下了榜单第三名。

DeepSWE 是什么

DeepSWE 是 Datacurve 发布的软件工程基准，专门用来测试大模型作为自主编程智能体（agentic coding）的实际能力。它的几个特点：

• 113 个长周期任务，覆盖 91 个真实代码仓库
• 5 种语言：TypeScript、Go、Python、JavaScript、Rust
• 任务全部从头编写，测试用手写——不存在训练数据污染问题
• agent 在隔离环境里完成开发任务，最终提交的代码会被取出来放进全新容器里跑测试，跟现实开发场景接近

这个评测的难度高于大家更熟悉的 SWE-bench Pro：DeepSWE v1.1 的得分范围从 12% 到 73%，跨度 58 个百分点；SWE-bench Pro 大约只有 30 个百分点的分离度。

Kimi K3 的成绩

DeepSWE v1.1 官方排行榜（2026-07-17 更新），按 Pass@1 排名：

kimi-k3 以 69% 排名整体第三，紧追 claude-fable-5（70%）和 gpt-5.6-sol（73%）。由于 DeepSWE 官方榜单按「每家厂商只取最高一个变体」展示，所以视觉上看 K3 是第 3，完整榜单里 OpenAI 有 gpt-5.6-terra、luna 等多个变体也排进前列，但都属于同一代 GPT-5.6。

K3 的成本是另一个看点。$4.65 一道题，只有 claude-fable-5 的五分之一，是 gpt-5.6-sol 的一半左右。在 67% 以上得分的第一梯队里，K3 是最便宜的。

Token 与步骤效率

DeepSWE 还公布了两项能反映模型工作方式的指标：输出 token 数量和 agent 步骤数。把完整数据列出来：

GPT-5.6 Sol 是典型的少步高效：61 步、60k token 拿到 73%，单步信息密度最高。Claude Fable 5 用了接近两倍的 token（119k）和更多步骤（88），换来 70% 的分数。

K3 走的是另一条路线：81k token（比 CF5 少三分之一），但步骤数偏多（98 步）。K3 倾向于把任务拆成更多轮次，每轮的输出更精简。代价是更多的工具调用开销，收益是单次决策的错误更容易被下一轮纠正。最终 $4.65 的单题成本只有 CF5 的五分之一，token 效率（得分/token）反而更高。

gemini-3.5-flash 烧了 276k token 只拿到 37%，token 效率垫底。claude-sonnet-5 更夸张，214k token 加 268 步只换回 54%，典型的暴力堆算力但走不对路。

开源权重的背景

K3 这次最大的标签是「开源权重模型达到前沿性能」。这里有几个时间节点需要厘清：

• 7 月 16 日：Moonshot 发布 Kimi K3，开放 API 访问
• 7 月 27 日：完整模型权重公开发布（多家媒体包括 VentureBeat、SiliconAngle、theaidude 已确认这个时间点）

也就是说，截至本文发布时，K3 的权重还未正式放出。Moonshot 自家 blog 也承认「整体性能仍落后于最强的闭源模型 Claude Fable 5 和 GPT-5.6 Sol」。第三方独立评测 DeepSWE 的结果印证了这个说法——K3 确实接近前沿但还差几个百分点。

K3 延续 K2 系列的 Modified MIT 许可证，2.8 万亿参数，100 万 token 上下文窗口。架构上引入了两个新设计：

• Kimi Delta Attention：混合线性注意力机制
• Attention Residuals：残差连接的直接替代品，Moonshot 称其在不同规模上都能带来稳定增益

这两项技术此前已在 GitHub 上作为公开研究发布。

K2 到 K3 的跃迁

榜单最后一行有个细节：kimi-k2.7-code 只有 31%，排名垫底。这是 K3 的前代编程专用模型。同一个公司在 DeepSWE 上从 31% 涨到 69%，38 个百分点的跨度，是整个榜单里最大的代际提升。

横向看，国产开源模型里 glm-5.2 是 44%，K3 直接拉开了 25 个百分点的距离。如果只看 DeepSWE 这一个基准，K3 是目前最强的开源权重编程模型。

这个成绩意味着什么

DeepSWE 跑的是真实代码仓库的修改任务，不是算法题或填充代码片段。它测试的是模型在一个完整 agent 框架下、面对陌生大型代码库时，能不能定位问题、写出可用的 patch、并让测试通过。得分接近 70% 意味着三道题里能独立解决两道。

过去开源模型和闭源模型在这个维度上的差距比较明显。DeepSeek、Llama、Kimi K2 系列在 SWE-bench 类基准上往往落后闭源 15-20 个百分点。K3 把这个差距压到了 4 个百分点以内（vs GPT-5.6-Sol）和 1 个百分点（vs Claude Fable 5）。

开源权重模型的真正价值在于可本地部署、可微调、可审计。K3 权重 7 月 27 日放出后，开发者能自行验证 benchmark 数据，也能基于它做定制化。但 2.8T 参数对推理硬件的要求极高，普通团队想自己跑起来不现实，实际落地还得依赖 Moonshot 的 API 或第三方托管。

7 月 27 日权重放出之后才是真正的验证窗口。在那之前，DeepSWE 这个第三方独立评测是目前最可信的成绩单。

参考来源：

• DeepSWE v1.1 官方博客：https://deepswe.datacurve.ai/blog/deepswe-v1-1
• Moonshot Kimi K3 发布：https://x.com/datacurve/status/2078189882707730535