Kimi K3投研能力首发实测！现已搭载AlphaEngineee

月之暗面的最新旗舰模型 Kimi K3 终于正式亮相了。

K3的完整权重将在7月27日之前开源，核心参数方面，参数量高达2.8万亿，上下文窗口为百万token。同时，它采用MoE架构，在896个专家中高效激活16个，扩展效率较上一代模型提升2.5倍。

AlphaEngine 团队基于自建的 IRB 投研基准进行了系统测评，结论如下：

图：AlphaEngine IRB投研能力测评结果

（1）深度测评 Kimi K3 投研能力的真实段位

IRB（Investment Research Benchmark）是熵简科技AI团队持续维护的投研能力评测体系。它的题源不是教科书习题，而是从真实投研工作中沉淀下来的高难度案例——那些让分析师犯过错、让模型反复翻车的问题。

目前 IRB 覆盖财务建模、时序归因、口径核验、情景推演等核心领域，采用多裁判双盲评分机制。

本次测评中，Kimi K3 与 GPT-5.5、OPUS-4.8、Claude Fable 5、DeepSeek V4 等模型同题作答，统一评分。

从分数分布来看，K3 的优势主要集中在四个方向：时效纪律、证据边界、前提纠错、策略整合。这四项对 GPT-5.5 和 OPUS-4.8 均形成 15 分以上的领先；在长上下文建模和历史复盘上，K3 与 Fable 5 处于同一水平线。

图：IRB 8大维度测评比分

值得注意的是，K3在推理链条的关键节点上表现出更强的纪律性：

• 新旧证据冲突时，锚定最新事实，不被过期数据拉偏结论；
• 信息不充分时，标注证据缺口，不用幻觉填补因果链；
• 用户前提有误时，先核验再作答，不顺着错误数字往下跑；
• 多机构观点分歧时，提取共识并标注分歧，不用模糊共识回避矛盾。

下面选取 4 道代表性题目，具体展示 K3 在这些关键节点上与其他模型的差异。

题目一：天孚通信盘中大跌归因（考察信息不足时的证据边界）

题面：请解释今天上午光通信板块内部的盘中分化：天孚通信跌近 10%，而中际旭创、新易盛只是小幅回调。造成这种差异的可能原因有哪些？

这是一道典型的日内事件归因题，上下文并没有直接给出天孚通信的独立利空实锤证据，模型必须在信息不充分的情况下给出归因。Kimi K3（88.3分）的做法是先承认没有看到天孚通信的实锤个股利空，然后再用三条可复核的间接证据（估值溢价、资金结构、板块轮动）搭建合理归因框架。它没有为了回答完整而编造不存在的事实。

其他模型的典型失败模式：

• 盘中异动题最怕模型为了讲圆故事而编事实。

K3 的价值在于：

这正是买方研究员面对突发事件时最基本的纪律：你可以有假设，但不能把假设包装成事实。

题目二：三季度债市资金面时效判断（考察数据冲突时的推理纪律）

题面：请分析三季度债券市场的行情走势，并梳理目前市场上的主流判断以及各方观点中最主要的分歧点。

这是一道典型的推理纪律题，上下文中旧证据和新证据同时存在，模型必须判断哪个代表当前市场状态，而不是简单平均所有材料。Kimi K3（94.3分）抓住了 DR001 从极端低位回升至 1.35%-1.40% 区间这一最新数据，明确区分资金面边际收敛和流动性全面收紧的差异，让结论锚定在最新事实上，而不是被旧的低利率数据拉偏。

其他模型的典型失败模式：

• 这道题真正考察的不是固收知识点，而是模型能不能在新旧证据冲突时，让最新事实决定结论方向。

强模型不是把所有材料平均引用，而是判断证据的来源和准确性。

题目三：东阳光药净利润率前提纠错

题面：东阳光药半年报显示净利润率只有 0.76%，请帮我分析一下利润率为什么这么低，主要受哪些因素影响？

这是一道错误前提纠错题，用户问题中的0.76%净利润率本身可能存在口径错误或计算偏差，模型不能顺着这个数字直接编原因。Kimi K3（92.3分）没有直接沿着净利润率只有0.76%去编解释，而是先回溯半年报原始数据，发现归母净利润实际为亏损，0.76%可能来自不同口径（如少数股东损益调整后的总利润率），随后才在纠正口径的基础上解释公司经营状况。

其他模型的典型失败模式：

• 强模型不会顺着错误前提跑，而是会先核验问题是否成立，再解释经营原因。

这个动作看起来简单，但实际上大多数模型都做不到。

题目四：A股牛市阶段与配置框架，多机构分歧下的策略整合

题面：请你详细阐述一下 A 股牛市通常经历哪些阶段，各阶段的主导风格和资产配置思路分别是什么；另外，请结合市场上的多家机构存在分歧的观点，分析当前市场更接近牛市的哪一阶段。

这是一道多框架整合题。不同机构对牛市阶段的划分标准、对当前市场定位、对配置方向的建议各不相同，模型需要在多元观点中提取共识、标注分歧、并给出可执行的当下配置建议。Kimi K3（88.3分）把牛市阶段压成估值修复→资金正反馈→盈利兑现三段框架，并清晰标注当前市场处于哪个阶段的判断依据。更重要的是，它把抽象的阶段判断落到了具体的配置动作：当前应加配什么、减配什么、观察什么信号确认阶段切换。

其他模型的典型失败模式：

• 策略题不是背教科书阶段论，而是在多家机构观点冲突时，把分歧压成一个当前可执行的投资动作。

此外，IRB测试集中还有若干有意思的测评结果，篇幅有限无法一一阐述。

图：IRB测评结果（部分）

（2）Kimi K3 的核心差异化能力：不是“知道更多”，而是“纪律更强”

通过 4 道题的横向对比，K3 的优势可以提炼为两个核心能力维度：

大多数模型面对长上下文时，倾向于平均引用所有材料，不区分新旧。K3 的做法不同：它会判断哪条证据代表最新市场状态，并让最新事实决定结论方向。债市资金面题中，它识别出 DR001 最新数据已经回升，没有被旧的极低利率拉偏方向。隔膜题中，它以 2025 年行业盈利底部为锚，而不是用 2023 年旧数据外推。这种时效意识在其他模型中极为罕见。K3 在时效纪律上对 GPT-5.5 和 OPUS-4.8 领先超过 25 分。

在投研场景中，比说错更危险的是编对了格式但事实不存在。K3 在多道题中展现出鲜明的边界意识：天孚通信题中主动承认没有看到实锤利空；隔膜题中区分上下文有支撑的数据和模型推算的假设；比索题中标注关键数据缺口。相比之下，GPT-5.5 和部分模型在证据不足时大量编造具体事件、公司回应和数据，输出看起来流畅完整但事实基础为零的分析。

（3）客观边界：K3 仍有提升空间的领域

一份真诚的测评不应只讲优势。

在两道典型题目上，K3 虽然表现优秀，但暴露了可以继续打磨的方向。

题目五：Wynn Macau Q4 业绩点评（当季回顾扎实，前瞻性跟踪框架待补强）

题面：Draft a Q4 earnings update for Wynn Macau, including actual vs consensus comparison, property-by-property operating performance, VIP/mass mix changes, and key follow-up points for upcoming quarters.

K3 得分 95.7 分，在所有参评模型中最高。它完整覆盖了题面的每一项要求，包括actual vs consensus 比较、分物业收入拆分、VIP 与大众赌收结构变化、运营效率指标，最终输出了一篇高完成度的当季 earnings update。但与 Fable 5 对比，差距体现在二阶跟踪框架上。K3 更像一份优秀的当季业绩回顾，数据完整、结构清晰、结论准确。Fable 5 则在此基础上多做了一层：它把成本中枢上移趋势、市场份额空窗期、以及后续季度需要验证的具体指标串成一条前瞻性跟踪链条。换句话说，K3 回答的是这个季度怎么样，Fable 5 还多回答了下一个季度盯什么、什么时候需要改变观点。

题目六：东山精密分部估值（能建模，但市值隐含验证不够深）

题面：作为一名专业投资者，请对东山精密进行 SOTP 分部估值：本体业务和索尔思光电分别如何定价？800G、1.6T 光模块、光芯片等产品线分别贡献多少收入和利润？

K3 得分 90.3 分，成功搭出 SOTP 框架。先把主业和索尔思拆开，再继续拆到索尔思内部的产品线，用出货量 × ASP → 收入 → 利润 → 估值倍数的推理链条完成建模。但与顶尖表现对比，差距体现在市值隐含预期的逆向验证上。K3 的模型是正向搭建的：从产品线收入往上推估值。但 Fable 5 在正向建模之外，还做了一步逆向验证。它把当前市值拆回去，指出市场大致已在交易 2026 年利润兑现，真正的分歧在 2027 年能否做到 150-200 亿元利润，以及光芯片外售能否成为独立估值增量。这种正向搭模型 + 逆向验市值的双向校验，是研究中相对成熟的估值做法。K3 已经能完成前半段，但从能建模到能用模型解释市场定价之间，还有一步进化空间。

总结一下，K3 在纪律性维度（时效、抗幻觉、纠错）上已达到全球第一梯队，在建模深度和前瞻性框架上仍有向顶尖模型学习的空间。这恰恰说明 K3 的提升路径清晰，这是从优秀分析师到资深研究员之间的最后一公里。

（4）立即体验 Kimi K3 带来的全新 AI 投研体验

对于AlphaEngine用户来说，现在就可以亲身体验Kimi K3的威力。在桌面端，只需在AlphaClaw的模型选择界面切换至Kimi K3，点击添加模型，选择Kimi即可。

此外，还可以绑定微信，随时随地通过微信与Kimi K3交流。