外媒：月之暗面发布 Kimi K3 后，花旗和美银证券都把讨论重点放在一个问题上——模型更便宜，是否真的会压低芯片需求。两家机构的判断都偏向否定，认为效率提升反而可能带来更多调用和更高总消耗。

低价模型未必减少资源消耗

花旗认为，Kimi K3更像“杰文斯悖论”的案例。模型越便宜，开发者和企业越可能扩大使用量，智能体任务也会拉长 token 生成链条。这样一来，单次推理成本下降，并不等于整体资源需求下降。

Kimi K3公开价格显示，缓存命中输入价格为每百万 token 0.3 美元，输出价格为每百万 token 15 美元。花旗据此判断，服务器 DDR5 和 eSSD 需求仍可能增加，因为长上下文和智能体任务会推高 KV Cache 占用。

长上下文把压力传到内存

Kimi K3主打 100 万 token 上下文窗口，并采用 Kimi Delta Attention、Attention Residuals 和 Stable LatentMoE 等技术。月之暗面的资料称，这套架构让模型扩展效率达到 K2 的 2.5 倍。

但花旗强调，效率提升不代表推理端压力消失。Kimi K3仍需要多节点集群，超级节点配置超过 64 颗 GPU。对内存厂商来说，真正重要的是模型被调用多少次、每次生成多少 token，以及任务链被拉多长。

竞争加剧反而抬高投入

美银证券则把焦点放在更广泛的 AI 竞争上。该机构认为，如果中国开源模型继续逼近，OpenAI、Anthropic 和 Google 等领先者更可能加大训练和推理投入，而不是缩减算力支出。

美银证券指出，模型差距收窄后，头部公司需要更大训练规模、更重的测试时推理和更快的产品迭代来维持差异化。这意味着 GPU、HBM、高速网络和推理系统仍可能受益。

token 使用量仍在扩张

美银证券还引用 OpenRouter 数据称，模型调用量仍在增长，中国 AI 实验室模型的 token 使用量已超过非中国实验室模型。Ramp 数据也显示，截至 2026 年 6 月，约 55% 的美国企业已付费订阅 AI 模型或工具。

两家机构的共同结论是，Kimi K3的意义不在于“更省算力”，而在于它是否会释放更多工作负载。若低价模型继续扩大使用，受益的可能不是单一模型本身，而是背后的芯片、内存、网络和推理基础设施。