Kimi K3.1 与 Qwen 4 现身盲测，成本仅为竞品 1/14

据 Woofun AI 消息，（原 ）编程对战平台近期出现两款匿名模型 与 ，引发社区对月之暗面 与阿里 即将发布的强烈预期。厂商在正式发布前常以匿名代号投放盲测，通过真实用户投票评估模型表现。当前迹象表明，这两款新模型已在底层架构与成本控制上展现出显著优势，可能成为国产大模型技术演进的关键节点。社区通过多维度测试与代码分析，逐步还原其身份特征与技术路径，揭示出中国 AI 实验室在长上下文处理、空间建模及指令遵循能力上的最新突破。

从实际生成效果来看，Kibitz 与 Kalmia 在复杂场景构建中表现出惊人的协调能力。用户在 X 平台上通过反复测试，利用这两款模型生成了 SVG 图形、动态网页以及可交互的 3D 场景。例如，在 "build what you think you look like in Minecraft" 指令下，Kibitz 成功构建了中世纪像素城堡，而 Kalmia 则生成了 3D 可驾驶汽车模型。

此外，两者还共同完成了直升机场景的构建。此类任务要求模型同步处理场景绘制、运动逻辑、镜头调度及用户输入，相当于一次性整合前端开发、空间建模与交互逻辑。这一过程为观察模型的前端开发能力、空间表达能力及指令遵循精度提供了直观窗口。社区普遍惊叹于其生成质量，认为 Kibitz 有望刷新开源模型的性能纪录，而 Kalmia 的表现甚至被认为可比肩 。

值得注意的是，成本优势同样显著。Woofun AI 整理数据显示，Kibitz 在执行相同任务时，Token 成本仅为 的 1/14，这一价格差异可能极大影响其在商业落地中的竞争力。

关于 Kimi K3.1 的身份确认，多条线索已形成完整证据链。前天，AI 社区有人披露了对 Kimi 官方域名下配置接口的请求记录，返回内容中包含切换目标 "to": "k3.1" 等字段，表明产品端已准备进行 K3.1 会话切换。

尽管该配置当晚被撤回，但这一短暂暴露足以引发关注。另一关键证据来自模型处理特殊字符串时留下的 "指纹"。 在两次测试中发现，Kibitz 对 11 个用于识别 模型的特殊 token 均出现乱码，这一表现与该账号此前测试的 Kimi 模型完全一致。相比之下，来自其他 7 家 AI 实验室的模型均能准确复制这些内容。

这种独特的错误模式进一步强化了 Kibitz 与 Kimi 的关联。通常，匿名上 Arena 是新模型发布的最后一环。回顾历史，Kimi K3 发布前，代号 的模型提前数天现身；Qwen3.8-Max 发布前，代号 仅提前一天出现。按照这一节奏，Kibitz 与 Kalmia 的现身预示着正式发布的临近。

对于 Qwen 4 的技术方向，已有公开架构探索作为铺垫。8 月份发布的 在官方模型卡中被明确定位为 Qwen 4 底层架构的实验预览。该模型引入了结合 Gated DeltaNet 与 Qwen Sparse Attention 的混合注意力机制、门控残差连接，以及 N-gram Embedding。其中，Qwen Sparse Attention 以小块为单位选择需处理的内容，旨在降低长上下文延迟；N-gram Embedding 则利用短词元序列进行索引，为模型扩展参数提供计算开销较低、便于卸载存储的路径。这些设计分别探索了长上下文处理、跨层信息传递与参数扩展的效率。