Kimi K3 安全强势但可靠性受疑

围绕 Kimi K3 的最新实测反馈出现明显分化。一类帖子认为，它在安全基准和安全修复任务上表现非常强，甚至体现出接近 SOTA 的能力；另一类帖子则质疑它在更广泛知识工作中的可靠性，问题集中在幻觉、统计推理错误和置信度校准上。对考虑把模型用于企业场景或高风险流程的人来说，这种“执行强、但稳定性仍待验证”的组合值得特别关注。

安全任务表现突出

@cramforce 表示，他用 Kimi K3 跑某个安全基准时得到了 SOTA 级结果，并补充说，一些更强的“fable class”模型因为不愿意做安全相关工作，没有纳入这轮讨论；在他的测试里，Kimi K3 的召回率接近 Codex/GPT。

另据 @SumitGup 转发的说法，在处理一份软件安全问题报告时，Codex 和 Fable 因“cyber guardrails”没有把问题全部修完，而 Kimi K3 完成了全部修复。该帖据此判断，在安全与修复类任务中，限制更少、执行更直接的模型，可能会占到优势。

可靠性与校准争议

与上述正面反馈并行，@evilsocket 提到，有评论认为 Kimi K3 虽然纸面指标很强，但幻觉率达到 51%，高于 K2.6 系列的 39%。@iruletheworldmo 则转述 Emollick 的提醒称，Kimi K3 Max 在复杂统计审计中出现了多处错误，包括统计方法误用和部分内容处理不当；他进一步判断，K3 在设计类任务上或许还可以，但在更广泛的知识工作中仍然存疑。

@ruthstarkman 还提到另一类问题：Kimi K3 能识别风险点，但给出的置信度高于实际应有水平。这意味着它未必完全看不到问题，真正的风险在于“说得太笃定”。综合这些帖子，Kimi K3 目前更像是一款在某些安全执行任务上很亮眼、但在事实可靠性和自我校准方面仍需继续观察的模型。

2026-07-17 ~ 2026-07-19 · 5 条相关

事件全程(共 18 集)→

一手来源