Kimi K3测评：一直吹国模的作者这次泼冷水

背景

随着国产大模型持续迭代，Kimi 推出了最新旗舰模型 K3（Kimi K3），并提供了配套的 CLI 工具（kimi-cli）和自动化工作流（kimi work）。此前作者一直对国产模型持积极态度，但在实际使用中发现了 K3 在工具链（Harness）上的严重问题，以及较高的配额消耗，认为其表现远未达到预期。与此同时，作者还测试了 Grok 4.5 在 Cursor 和 Grok Build 中的表现，并对比了 Claude Code、ZCode 等工具的实测结果。

核心内容

原文主要围绕三部分展开：Kimi K3 的 Harness 问题、配额与成本、以及 Grok 4.5 的体验对比。

Harness 问题：Kimi 的 Harness（任务执行框架）存在重大缺陷，完全无法发挥 K3 模型应有的水平。具体表现为，无论是使用 kimi-cli 还是 kimi work，其表现与耗时完全一致，远不及 Claude Code 或 ZCode。作者质疑 Kimi 在 Harness 的设计上“照着抄还不会”，认为如果非要自研，那么 Claude Code、OpenCode、Grok Build 走过的弯路 Kimi 都得再走一遍。

配额与成本：作者使用 Moderato 套餐进行测试，在 5 小时配额内，各工具的消耗如下：

• kimi-cli：5%
• kimi work：5%
• ZCode（启动了子代理）：32%
• Claude Code：10%

结论：K3 使用成本非常高昂。

Grok 4.5 体验：Grok 4.5 在 Cursor 或 Grok Build 中都表现稳定，输出全部使用自然语言（说人话），无错别字。速度快到几乎看不到思考过程，stream 输出极快（“像窜稀一样”）。Grok Build 的 TUI（终端用户界面）非常有品味，视觉和操作手感是全新体验。但价格并不便宜，目前感觉便宜是因为 Cursor 有 4 倍额度优惠，Grok 有免费试用。一旦恢复原价，Cursor Pro 将难以使用。

测试结果（后端）：

• K3 Max 通过 kimi-cli / kimi work 的表现等同于 Opus 4.6：能发现并解决表面问题，能发现深层问题但不会自动修改，只能提示用户手动修改。Harness 问题严重。
• K3 Max 通过 Claude Code / ZCode 的表现得 100 分，等同于 GPT 5.5 xhigh：能解决表面问题，解决深层问题且改动代码量比 GPT 5.4 少、比 Gemini 3.1 多，还能发现所引用库的 bug 并在本地业务代码中优雅规避，不修改库文件。Claude Code 用时 2 分 7 秒，非常快；ZCode 开启子代理进行代码库全面扫描，用时 9 分 56 秒。
• Grok 4.5 High 在 Cursor Max / Grok Build 中表现也得 100 分，等同于 GPT 5.5 xhigh（能力描述同 K3 Max + Claude Code/ZCode）。用时不到 2 分钟（未开 fast 模式），是所有测试中最快的。

文中还提到从 3 月开始的测试记录，但未展开细节（“click for more details”）。

关键要点

• Kimi K3 的 Harness 是最大短板，kimi-cli 和 kimi work 表现相同，远低于 Claude Code 和 ZCode，作者质疑其设计合理性。
• 在同等配额下，K3 消耗（5%）远低于 ZCode（32%）和 Claude Code（10%），但实际上 K3 的 Harness 无法展现模型能力，导致性价比极低。
• Grok 4.5 在速度和稳定性上表现突出，输出质量高，Grok Build 的 TUI 体验获得好评。
• Grok 4.5 的实际成本并不低，当前的低价体验依赖优惠和免费额度。
• 通过更换 Harness（如使用 Claude Code 或 ZCode），K3 Max 模型能力可得到充分发挥，评分从“同 Opus 4.6”跃升至“同 GPT 5.5 xhigh”。
• Claude Code 和 ZCode 在处理深层问题时均能发现并优雅规避库的 bug，且代码改动量适中。
• Grok 4.5 在同类测试中速度最快（<2分钟），且无需开启 fast 模式。

意义与影响

该测评揭示了当前国产大模型在模型能力之外的一个重要短板：工具链（Harness）的成熟度。即使模型本身（K3 Max）通过优化框架（如 Claude Code）能够达到顶尖水平，但如果官方配套的 CLI 和工作流无法有效利用模型能力，用户体验将大打折扣。这对 Kimi 的工程团队提出了明确要求——必须优化 Harness 设计，否则将难以与 Claude Code、Grok Build 等成熟工具竞争。

同时，Grok 4.5 的表现在速度、稳定性、用户体验上树立了新的标杆，但高昂的实际成本（尤其是恢复原价后）可能限制其普及。对于开发者和团队而言，选择工具时应同时考虑模型能力、工具链效率以及实际成本，而非仅关注模型基准测试分数。

此外，作者作为长期支持国产模型的用户，此次“泼冷水”也反映出理性评价的重要性：不应因情感偏向而忽视产品的实际缺陷。国产模型需要在工程化、工具生态上持续投入，才能真正提升生产力。