2.8万亿参数的 Kimi K3：给律所采购添了个开源选项

100万token上下文、2.8万亿参数、原生视觉能力——7月，月之暗面发布Kimi K3。联合早报援引彭博社报道称，这款模型在多项基准测试中表现接近OpenAI和Anthropic的头部模型，并在网页开发任务相关的Arena排行榜上拿到较高名次。市场上又讨论起中美前沿模型的差距，律所、企业法务和法律科技公司的采购清单上，也多了一个新选项。

月之暗面官方博客称，K3主要面向长周期编程、知识工作及推理任务；同时坦承用户体验和最强闭源模型仍有差距，并提醒开发者：如果应用要求智能代理在明确范围内行动，得通过系统提示词或AGENTS.md设置更清晰的行为约束。这些参数和能力都来自厂商披露，还要结合独立测试和具体业务场景来评估。

排行榜分数换不来合同审查

通用基准衡量的是编程、推理或问答，很难直接映射到法律业务的可靠性——合同审查、诉讼材料整理、尽职调查摘要、法律检索和账单分析，用的数据、输出要求和责任链条都不一样。法律团队除了看模型能力，还得明确三件事：模型能读哪些资料、能做哪些操作、输出由谁复核。

长上下文和代理能力让模型能啃下大案卷、合同组或内部知识库，但操作半径越大，出错半径也越大。模型在没有授权边界的情况下生成结论、调用工具或推进流程，可能牵涉客户保密、内部权限和专业责任。部署因此要配上访问控制、操作日志、人工复核和异常处置机制，光靠提示词约束不够。

开放权重改写采购结构

联合早报此前把Kimi K3称为全球规模较大的开源模型之一，并援引相关信息称其性能接近美国前沿模型。开放权重路线可能改变法律科技市场的采购结构：律所和企业法务除了用少数闭源服务，还可以按数据敏感程度、部署成本和业务负载，把部分任务交给本地或专有环境中的模型处理。

但换一种部署方式不等于风险自动消失。采购闭源模型时，审查重点通常有数据处理规则、保密承诺、审计能力、服务连续性和供应商责任；用开放模型则还要查许可证、部署和推理服务主体、微调数据来源、安全更新和输出留痕。本地部署减少了数据外传风险，系统运维、权限配置和二次训练却会带来新的责任环节。

国内模型能力跟上来之后，法律科技产品的竞争也可能转到另一层：法规、案例、合同模板、内部法律意见和审批记录能不能被准确整理，检索结果能不能回到原始依据，人工复核能不能嵌进流程。只接一个通用模型，很难形成稳定优势。

“蒸馏”争议写进了采购合同

K3发布期间，“模型蒸馏”争议同样受到关注。联合早报相关报道提到，中国官员对有关炒作作出回应。现有公开信息还不足以对具体争议作出法律定性，但训练数据来源、模型输出相似性、商业秘密和许可边界，已经是前沿模型竞争里的现实议题。

落到采购层面：企业可以在合同里要求供应商说明训练和微调数据的合规安排，明确客户数据会不会被用于后续训练，并约定第三方知识产权索赔、争议输出处理和日志导出机制。模型一旦用于合同生成、案件策略分析、客户文件处理或知识库问答，这些条款和服务价格、性能指标一样重要。

现实的约束在于，供应商对训练数据的披露通常受商业秘密限制，采购方未必拿得到完整的数据清单。合同审查还得盯住数据治理说明、权利保证、审计材料和赔偿安排，并按不同任务控制模型的使用范围。

别拿国别和榜单当决定性依据

K3的发布既不支持法律团队马上替换现有模型，也证明不了国内模型已在所有法律场景取得优势。比较审慎的做法，是别把供应商国别、品牌或单一排行榜当成决定性依据，改为按任务分别测：法律检索看引文准确性、原文可追溯性和法规时效；合同审查看对企业模板、交易背景和风险偏好的理解；诉讼材料分析查时间线、证据对应关系和不确定性提示；面向员工或客户的法务入口，还要测权限控制、转人工机制和日志完整性。测试集要包含实际业务里的边界案例，并保留人工评估记录。

多模型、多供应商、多种部署方式并存之后，法律 AI 采购会更像一项长期的技术和合规管理工作——性能仍是硬指标，但相关报道、权限范围、人工复核和责任承担，要在上线前定好，并在每次模型更新后重新过一遍。

相关报道

• 联合早报：彭博：月之暗面新模型打破美国领先中国 AI 固有认知
• Kimi / Moonshot AI：Kimi K3 Tech Blog: Open Frontier Intelligence
• 联合早报：月之暗面发布全球最大规模开源模型Kimi K3
• 联合早报：月暗新模型搅动市场 中国官员斥炒作“蒸馏”将适得其反