来源：讯兔科技Rabyte

　　北京时间 7 月 17 日，月之暗面发布 Kimi K3。

　　这是一个总参数量达2.8万亿、原生支持视觉理解、上下文窗口达100万token的MoE模型。月之暗面称，它是首个迈入“3 万亿参数级”的开放模型；完整模型权重计划于7月27日前发布。

　　参数很大，基准成绩也很亮眼。但对金融投研人来说，更关心的是：

　　“放进真实的金融投研工作流里，Kimi K3到底能不能打？”

　　我们第一时间拿到内测资格后，用iRaB（Investment Research Agent Benchmark，投研实战评测体系）跑完了101 个真实任务，结果如下：

　　Kimi K3以0.649分位列总榜第二，与头部闭源模型处于同一梯队；平均单任务成本为1.54美元，约为榜首模型的36%。

　　完整榜单：irab.rabyte.cn/leaderboard

　　iRaB x KIMI K3

　　投研能力第一梯队！K3的3大关注点

　　01/Kimi K3已经进入投研能力第一梯队

　　Kimi K3得分 0.649，距离榜首 GPT-5.6 Sol 仅差 0.017。第三名的分差仅为 0.004，从统计意义上看，两者处于同一水平线。但排名所传递的信号依然清楚：在iRaB这套真实投研任务中，Kimi K3 已经能够与领先闭源模型正面竞争。

　　从分项表现看，它在数据质量、时效性感知、分析深度和需求覆盖度等维度均表现突出，相较 Kimi K2.7 Code 和 Kimi K2.6 也有明显提升。

　　02/ 成本优势非常突出

　　Kimi K3的平均单任务成本为 1.54 美元相当于 GPT-5.6 Sol 的 36%

　　换句话说，在本次测试的价格与配置下，同样预算可运行约 2.8 倍于 GPT-5.6 Sol 的任务量。

　　对于需要批量开展公司研究、数据更新或监控任务的团队，这种差异会直接影响 Agent 能否规模化落地。

　　03/ 开放权重带来了另一层想象空间

　　过去，开放模型常被概括为“够用、便宜”；Kimi K3 展示出的则是另一种可能：能力进入第一梯队，同时保留开放权重带来的部署弹性。

　　月之暗面表示，完整模型权重计划于 7 月 27 日前发布。在权重、许可证和部署方案正式落地后，金融机构还可进一步评估私有化部署、数据不出域和内部系统集成的可行性。

　　需要强调的是，2.8 万亿总参数也意味着部署门槛不会低。“开放权重”不等于“低成本本地部署”，最终仍要看模型量化、推理框架和硬件方案。

　　iRaB x KIMI K3

　　2个真实案例：模型能不能把投研任务真正做完整？

　　总分之外，具体任务更能说明模型的能力边界。下面选取两个切片：一个考验财务口径识别和估值可视化，一个考验公告检索、条件筛选与全市场数据覆盖。

　　案例1 ：复盘东方财富 2012—2020 年的财务与估值数据，并交付一份 HTML 研究页面

　　提示词没有要求模型特别检查财务口径，也没有指定估值数据必须使用月频。Kimi K3 出现了两个值得注意的主动行为。

　　01/主动识别并提示收入统计口径变化

　　东方财富在 2015 年收购西藏同信证券，此后年报中的营业总收入口径包含并表的证券业务收入。若忽略这一变化，直接跨年比较或计算部分指标，结论就可能失真。

　　Kimi K3在结果中主动提示了这一口径变化：

　　Kimi K3 输出：主动提示 2015 年起营业总收入因并表证券业务发生口径变化

　　相比之下，部分模型没有意识到口径变化，进而给出了错误或容易误导的净利率结果：

　　对照模型在本次任务中的输出：未充分区分营业总收入与营业收入的统计口径，导致净利率结果出现偏差。

　　在本题参评模型中，这种未经提示、主动检查财务口径的行为并不常见。它反映的不只是信息检索能力，更是模型是否具备基本的研究审慎性。

　　02/ 主动获取月频估值数据，并选择对数坐标

　　题目只要求绘制 PE（市盈率）和 PS（市销率）曲线，并未指定数据频率。

　　Kimi K3没有停留在稀疏的年度数据，而是主动获取月频数据，并为 PE 使用对数坐标，以处理 2013—2014 年因利润基数过低产生的极端值。页面还支持在时间轴上筛选区间。

　　Kimi K3输出：采用月频数据展示 PE-TTM 与 PS-TTM，并以对数坐标处理 PE 极端值，支持时间区间筛选。

　　相比之下，部分模型只使用年度数据，并以线性坐标展示跨越多个数量级的 PE。数据点过少，再叠加极端值对坐标轴的拉伸，正常估值区间的变化几乎无法辨认。

　　对照模型在本次任务中的输出：仅使用年度数据且未采用对数坐标，估值曲线的有效信息被明显压缩。

　　案例2 ：统计下已经披露2026年中报预告的上市公司，盈利增速超50%的有哪些

　　01/数量多，不代表筛选条件执行正确

　　这个问题看似简单，实际想要做准确，对于A股市场的数据敏感度要求很高。需要Agent充分全面捕捉业绩预告的公司公告，并准确计算业绩增速进行筛选。

　　我们先看某款被称为海外 SOTA 的 Coding 模型。它返回了 636 家公司，并给出了行业统计，但进一步检查发现，其中包含约 180 家“扭亏为盈”的公司。

　　对照模型在本次任务中的输出：返回 636 家公司，其中包含约 180 家“扭亏为盈”公司。

　　“扭亏为盈”当然意味着盈利状况显著改善，但上一期净利润为负时，不能直接将其等同于常规意义上的“同比增长 50% 以上”。如果不先定义规则，筛选结果就会被明显放大。

　　这说明大范围筛选任务不能只看模型“找到了多少家公司”，还要检查它是否准确理解并执行了财务条件。

　　02/ Kimi K3的筛选逻辑更准确，但数据覆盖仍有缺口

　　Kimi K3的表现更好：它主动排除了“扭亏为盈”的公司，筛出 503 家盈利增速超 50% 的公司，并按照申万一级行业进行了统计。无论是条件理解、结果组织还是行业分类，准确度都明显更高。

　　Kimi K3输出：排除“扭亏为盈”后筛出 503 家公司，并汇总申万一级行业分布。

　　可以看到K3比前述的模型表现更优越，剔除了“扭亏”的公司。选出了503家增速>=50%的公司。按照申万一级行业的分类，统计的也比较准确。

　　但 Kimi K3也并非没有瑕疵。真正的正确答案是 519 家，它还少了 16 家。进一步检查发现，这 16 家全部来自科创板——Kimi K3 在查询数据时，系统性遗漏了整个科创板。

　　错误复核：Kimi K3 的原始查询系统性遗漏科创板，导致 16 家公司未被纳入。

　　另一个参评海外模型则正确覆盖了全部 A 股板块。也就是说，Kimi K3在筛选逻辑上表现较好，但在数据源覆盖和查询完整性上仍有改进空间。

　　这个案例比“完全答对”更有代表性：Kimi K3 已经能够处理复杂的财务筛选规则，定量分析和结果组织能力也明显进步；但面对全市场扫描任务，数据是否找全仍可能成为比推理本身更关键的瓶颈

　　两个案例呈现了 Kimi K3 更真实的能力边界，即它已经能够主动识别财务口径变化、选择更合适的数据频率与可视化方式，也能处理相对复杂的筛选逻辑；但在全市场数据覆盖上，仍小概率出现系统性遗漏。对投研 Agent 而言，模型的分析能力只是基础，稳定的数据源、可追溯的处理过程和必要的结果复核，仍是走向生产环境不可或缺的一环。

　　说明：案例截图保留了模型运行时的原始时间标记；相关数量以复核结果为准。

　　iRaB x KIMI K3

　　我们从K3看到的另一个信号

　　仅凭一套评测，当然不能断言某个模型在所有金融场景中都优于另一个模型。但 Kimi K3 的这次表现仍然释放了一个清晰信号：

　　开放模型在专业、复杂、长链条的投研任务中，已经开始与头部闭源模型同台竞争。

　　更重要的是，它不是单纯用低价换能力。在iRaB中，Kimi K3同时给出了第一梯队的得分和显著的成本优势。待完整权重发布后，它在私有化部署与数据安全方面的实际价值也值得继续观察。

　　这也是我们坚持建设iRaB的原因：厂商自评提供的是参考，真实工作流中的表现才是答案。

　　新模型还会不断出现。iRaB会继续用真实任务，给出可复核、可比较的实测结果。

　　iRaB x KIMI K3

　　关于iRaB

　　01/ 投研Agent的新标尺

　　iRaB全称为Investment Research Agent Benchmark，由讯兔科技联合上海交通大学、复旦大学共同研究，并经来自国泰海通证券非银&金融科技团队、中信建投计算机团队、天风证券计算机团队、国金证券计算机&科技团队、华创证券金融团队、光大证券资产配置团队等机构研究团队参与研发、评测并定稿。

　　区别于传统偏问答、轻任务的评测方式，iRaB任务源自一线真实投研场景，评测标准基于行业用户反馈打磨而成，可同时评估大模型的基础能力与投研Agent在工具调用、任务拆解、推理纠错和闭环决策等方面的实战能力。iRaB已同步发布技术报告、数据集、评测标准、自动评测系统及Leaderboard，旨在推动投研Agent能力从演示走向实战，从主观判断走向可度量、可比较、可迭代。

　　02/ iRaB为什么要用真实任务测模型？

　　模型发布时，厂商通常会公布一系列数学、代码和知识类基准成绩。这些指标能帮助我们理解模型的能力边界，却不完全等同于真实工作表现。

　　金融投研尤其如此。

　　一个可用的投研 Agent，不仅要“答对问题”，还要能够自主检索可靠数据、识别财务口径变化、理解时效性、完成计算和可视化，并最终交付可以继续使用的研究成果。

　　iRaB就是为这些真实工作流设计的。

　　首版iRaB包含 101个典型投研任务，覆盖：

• 个股与行业深度研究

• 事件分析与机制拆解

• 宏观研究

• 筛股与策略回测

• 行业 Skill 制作

• 多模态交互与成果交付

　　资产类别则包括股票、债券、黄金、外汇、期货和 REITs 等。我们评估的不是模型会不会“聊金融”，而是它能否把一项投研工作真正做完。

　　iRaB x KIMI K3

　　写在最后

　　没有评测，创新只是争论；有了标尺，行业才能加速。

　　iRaB希望成为连接模型厂商、金融机构、科研机构和开发者的开放平台，通过真实任务验证AI能力边界，推动金融AI生态共同发展。诚邀更多行业伙伴参与，共同探索AI在金融专业场景中的应用边界。

　　完整榜单：irab.rabyte.cn/leaderboard

　　说明：Kimi K3 的参数、上下文窗口及权重发布计划来自月之暗面官方技术博客；iRaB排名、成本与案例结论来自本次评测，数据截至 2026 年 7 月 17 日。模型表现受版本、推理配置、工具环境及价格变化影响。本文不构成投资建议。