Kimi K3 发布 48 小时，我们让它连续续写了 40 轮小说

先说结论。续写小说这个用途，Kimi K3 比前代 K2.6 强得不含糊：同一套协议下两本书各连写 20 轮， 六个异构 AI 评委、每本书两套甲乙翻转映射的成对盲评，票数合计 21 比 1， 唯一那张反对票还在映射翻转下自相矛盾。代价同样不含糊：思考模式关不掉，每轮平均等 37 到 54 秒； 输出 token 的八成以上是看不见的推理过程，按 ¥100 每百万 token 照常收费； 对白引号约 85% 用了半角，这个病 K2.6 没有，是 K3 新染上的。

7 月 16 日 K3 上线时，我们在GPT-5.6 对 Kimi 的对决文里写过： 任何「K3 吊打谁」的说法都还没有考卷可查。这份考卷 48 小时内补齐了，下面按实测记录的顺序摆数据。

考卷怎么出的

协议照抄九模型横评，一个字没改：同两本书（890 万字传统玄幻，加《后宫·甄嬛传》）， 同一个约 55% 深度的起笔点，同一份上下文说明（就是修掉 Gemini 复读坑的那版终稿， 来龙去脉在文风漂移实验里），同 1.6 万 token 窗口， 每轮产物拼回上下文再写下一轮，连写 20 轮。唯一变量是模型。

基线多花了一道工序。《甄嬛传》场的 K2.6 链直接取横评归档，那条链本来就跑在现行说明上，天然成对； 玄幻场归档的九模型链却全部跑在旧版说明上，直接拿来对比会混进措辞变量， 所以我们用现行说明给 K2.6 重跑了一条玄幻基线。这道工序差点改写故事： 旧说明下 K2.6 的玄幻链第 9 轮曾量出 97.6% 的跨轮逐字重复，现行说明下同一个模型峰值只剩 1.5%。 一句说明措辞就治掉大半复读，这是单链孤证，只记录不下结论； 但拿旧链当靶子等于给 K3 放水。协议诚实是这页所有数字可信度的全部。

评委是六个异构 AI 模型，横跨五家供应商（claude-4.6-sonnet、gemini-3.1-pro-preview、gemini-3.5-flash、 deepseek-v4-pro、qwen3.7-max、glm-5.2），温度 0。敢用 AI 评委有前提： 我们的评审可靠性实验证明过它们做「像不像人」这类绝对判断会系统性翻车， 同题成对的相对判断才是它们够得着的用法，这轮全部是成对判定。 盲评包里的原著参照段严格截取起笔点之前的 6000 字，不让评委看见原著真实的下文。

21 比 1，唯一的反对票自己拆了自己

玄幻场 10 比 0，另有两张无效票，无效得很有画面：claude 评委两次拒绝输出裁决， 顺着盲评包里的小说自己写起了续写。女频场 11 比 1。按 early、mid、late 三个窗口分开数， 票型与总票完全一致，没有「前段谁强、后段谁强」的分裂。

那张反对票值得单讲。deepseek-v4-pro 评委在 2201 号盲评包里选甲，甲对应 K2.6； 到了甲乙翻转的 2203 号包，它还是选甲，这回甲对应 K3。两票放一起是甲位偏好，构不成稳定判断； 其余五个评委跨映射全部一致选 K3。每本书做两套映射，防的就是这种票。

评委给的理由，我们逐条对着链产物做过机械核验。K3 被点名「完美复刻原著短段落、拟声词独立成段及『~~~』标点习惯」， 玄幻链里确实有「轰隆隆~~~」独立成段，这个纹理在九模型横评里只有 GPT-5.6 Terra 复刻过； 「转眼，三人深入第四禁地已有十余年」式的时间跳跃、原著独有的功法法宝专名四到六次自然引用，全部对得上原文。 K2.6 挨的批是「辞藻堆砌」「战斗篇幅长节奏急促」，还有几个评委独立点名反派「去而复返」像剧情倒带： 它的新基线链治好了逐字复读，情节却在绕圈，同一个反派第 9 轮开打、第 11 轮撤走、第 17 轮折返、缠斗到第 19 轮。 K3 同书同起点则一路推进到新的剧情节点；《甄嬛传》场同样线性，从陵容中毒写到字据取证、再写到查封存菊堂， 二十轮没有回头路。

治好的病，数字里看得见

句长变化幅度（CV）是我们量过的第一 AI 指纹：AI 味的典型症状就是句子长短均匀得像流水线。 两本书的原著基准、K3 与同协议 K2.6 基线摆进一张表。

两本书的句 CV 都压过了 K2.6，玄幻链写到后段达到 0.731，逼近原著的 0.837。大白话讲： 它学会了长短句混着来，短句敢单独占一行。K2.6 在玄幻场排第七的主因「比喻密度全场最高」， 到 K3 身上基本消失：女频全链套话密度 0.63，低过原著自己的 1.0； 玄幻链首轮偏高（13.1），随后快速收敛，后半段大段轮次直接是零。

三种长程失效模式的体检同样干净。跨轮 12-gram 逐字重复，K3 玄幻链峰值 6.8%（第 10 轮，其余轮次接近零）， 女频链峰值 1.0%：没有从头复读，没有中途卡死，没有尾段回卷。 K2.6 在横评里的「整段自我复制」标签，这一代没有复发。

三个如实的坑

第一个，半角引号。K3 两本书约 85% 的对白用了英文直引号，玄幻场 39 对半角对 9 对全角，女频场 52 对 8。 这是 GLM-5.2 档案里那个顽疾的同款，而 K2.6 恰恰没有此病， 升级把它带了进来。它还顺手骗过我们只认全角的检测正则：全角口径下两条链的对话率只剩 4% 上下， 人工修正口径后是 20.4% 和 38.9%。提示词里加引号约束值得一试，但按 GLM 那边的经验，别指望一句话根治。

第二个，「我」写得太密。女频场 K3 的第一人称密度每千字 16.2 次，原著是 9.0，接近 1.8 倍； 方向与 Grok 4.5 在同一本书上的「过疏」正好相反。读第一人称限知视角的书，这一笔要留心。

第三个，慢与贵。K3 当前只有满档思考一个档位，关不掉：输出 token 的 81% 到 86% 是推理过程， 可见正文每轮只有 250 字上下，而账单按输出全量计。跑之前我们按这个配置悲观预估过单链一到三小时， 实际墙钟 12.4 分钟和 17.9 分钟，好于预期；但单轮 37 到 54 秒的等待，在阅读器里按下续写按钮时是真实的。 实测平均一段约三毛钱，K2.6 干同样的活不到一毛。

一枚专名彩蛋：景仁宫

K3 在《甄嬛传》链里把「存菊堂」用对了 14 次，这个宫名是小说原设，全书出现 52 次。 但写到皇后居所，它落笔是「景仁宫」。景仁宫是电视剧的设定，小说全书只出现过 1 次， 流潋紫笔下的皇后住所是昭阳殿与凤仪宫那套体系。底层记忆微偏电视剧， 与九模型横评时撞见的「寿康宫对颐宁宫」同族；用一个专名探出模型读的是哪一版《甄嬛传》， 这套测法在专名探针一篇里写成了方法论。

1M 窗口没参战

顺带管理一个预期：这场 21 比 1 全程发生在 1.6 万 token 的窗口里，与 K3 的 1M 上下文没有关系。 窗口解决「装得下」，不解决「以谁为基准」，把整本书塞进去也不会让续写自动变像， 五档对照实验的账我们在 1M 军备竞赛一篇（暂只有英文版）里算过： 装满一次 K3 的窗口，光输入就约 ¥21。

K3 站在哪，以及这场实验的账本

留余地的措辞，按数据边界来。与原著结构画像的综合距离（越小越贴）：玄幻场 K3 是 0.388， 那场的冠军 DeepSeek V4 Flash 是 0.356；女频场 K3 是 0.396，那场的冠军 V4 Pro 是 0.280。 两场都进了第一梯队的区间，两场都没有越过冠军。本轮成对盲评只做了 K3 对 K2.6， 与 DeepSeek 双档没有面对面，评委形态也与九模型榜不同（那边是全排序，这边是成对判定）， 跨榜只能靠结构指标间接换算。所以「K3 全场第几」我们还写不出来，能负责任写下的是： 它从 K2.6 的中下游位置，一步跨进了与冠军同区间的地带。成对对决在排期中；等对决之前想细看两家的对表与成本账，K3 对 DeepSeek 的对表篇单独展开了， 对决跑完名次会一并更新进选型页。

账本与边界：K3 侧 41 次请求（含连通探针与空回复重试）实付 ¥12.21，两条链 20/20 零中断。 规格与价格按官方文档与定价页（2026-07-18 核实）： 2026 年 7 月 16 日发布，1M token 窗口全程平价，输入未命中缓存 ¥20、命中 ¥2、输出 ¥100 每百万 token。 局限照抄实验记录：每本书一条链、单一起笔点，与横评里各模型的条件一致，但 n=1 就是 n=1。

K2.6 工作流篇里欠过一句账： 「K3 我们还没跑过双盲续写链，这篇对它只有价格、没有判断。」现在有判断了。 至于要不要为它把正在读的书换模型，别抄我们的结论：K2.6 升 K3 的三类账按用户类型把差价和思考税拆开了， 通用的盲测流程在模型更新决策笔记里——同一段开头新旧各续三段，盲着读完再翻牌。