传媒行业双周报：Kimi K3开源，国产模型加速迭代渗透

传播文化业《7月游戏版号数量创近三年新高，行业优质供给有望陆续释放》2026.07.25传播文化业《动画电影《八仙！》提档，Kimi K3发布》2026.07.18传播文化业《OpenAI正式推出GPT-5.6系列模型，《Whiteout Survival》《Kingshot》《仗剑传说》等出海表现优异》2026.07.12传播文化业《小红书：头部UGC生态社区望进入变现加速期》2026.07.05传播文化业《可灵融资规模创纪录，Seedance2.5上线在即》2026.07.04 本报告导读： Kimi K3架构革新驱动效率提升，国产模型能力升级；同时CodingAgent场景加速渗透。 投资要点： KimiK3架构革新驱动效率提升。7月28日，月之暗面Moonshot正式宣布Kimi K3全面开源，开放完整模型权重、技术细节和47页技术报告。K3总参数量高达2.88万亿，每个Token激活参数量为1040亿，原生支持100万Token超长上下文窗口。技术报告显示，K3综合表现接近Claude Fable 5和GPT-5.6 Sol，领先其余开源与闭源模型。第三方评测Artificial Analysis的Intelligence Index v4.1榜单上，K3从580个模型里排名第四，拿到57.1分；WebDev Arena上，K3排名第一，拿到1678 Elo，超过Claude Fable 5的1634分，是第一个登顶这个榜单的开源模型；Vals AI的GDP加权行业基准套件上，K3排名第二，39个模型里拿到74.7%的分数，仅次于Claude Fable5。性能突破的同时，价格仅海外模型的一半，BrowseComp上，K3拿到91.2%的最高分，每个任务只花2.03美元，是GPT-5.6 Sol价格的一半。在GDPval-AA v2这项测试上，K3的成本比GPT-5.6 Sol低13%，不到Claude Fable 5成本的四成。Coding+Agent场景加速渗透。过去一年间，随着Anthopic在Coding 技术范式上取得突破进展，Coding Agent在程序员群体实现快速渗透。自年初龙虾出圈后，低门槛的Coding Agent工具在职场人渗透持续加速，据易观千帆，WorkBuddy 6月月活已经达到2097万；而根据Questmobile的数据4月的时候周活仅20万(对应月活约50万)。 风险提示。消费者偏好变化，AI应用进展不及预期。 目录 1.Kimi K3开源，国产模型加速迭代渗透.................................................31.1.Kimi K3架构革新驱动训练效率跃升...............................................31.2.Coding+Agent场景加速渗透............................................................62.一周行业及公司要闻............................................................................72.1.AI/互联网.......................................................................................72.2.电影院线........................................................................................82.3.短视频............................................................................................83.互联网/传媒上市公司公告....................................................................84.行业主要数据更新................................................................................95.风险提示............................................................................................12 1.Kimi K3开源，国产模型加速迭代渗透 上周传媒（申万）指数上涨12.81%，位居31个行业第1名，强于沪深300（下跌1.31%）、深证成指（下跌1.42%），创业板指（下跌3.93%），上证指数（上涨0.47%）、上证中小（下跌0.11%）。过去一年，以Anthopic为代表的头部模型公司通过深耕Coding+Agent领域取得技术领先，并将商业模式建立在闭源API订阅上。随着技术能力泛化，国产模型加速追赶，智谱、Kimi等模型持续迭代。我们认为国产模型开源有望加速应用层创新及企业级AI落地，国内AI模型、基建及应用有望进入螺旋上升周期。建议关注基模能力领先的模型厂商和互联网公司，以及深耕模型生态的相关方，相关标的Minimax、腾讯控股、阿里巴巴、值得买、引力传媒。此外，下半年头部公司重点产品陆续上线，有望带来相关公司27年业绩上修。推荐游戏板块白马公司世纪华通、恺英网络、巨人网络、完美世界、三七互娱、吉比特。 1.1.KimiK3架构革新驱动训练效率跃升 7月28日，月之暗面Moonshot正式宣布Kimi K3全面开源，开放完整模型权重、技术细节和47页技术报告。K3总参数量高达2.88万亿，每个Token激活参数量为1040亿，原生支持100万Token超长上下文窗口。 性能表现优越，价格仅海外模型一半。技术报告显示，K3综合表现接近Claude Fable 5和GPT-5.6 Sol，领先其余开源与闭源模型。第三方评测Artificial Analysis的Intelligence Index v4.1榜单上，K3从580个模型里排名第四，拿到57.1分；WebDev Arena上，K3排名第一，拿到1678 Elo，超过Claude Fable 5的1634分，是第一个登顶这个榜单的开源模型；Vals AI的GDP加权行业基准套件上，K3排名第二，39个模型里拿到74.7%的分数，仅次于Claude Fable 5。性能突破的同时，价格仅海外模型的一 半，BrowseComp上，K3拿到91.2%的最高分，每个任务只花2.03美元，是GPT-5.6 Sol价格的一半。在GDPval-AA v2这项测试上，K3的成本比GPT-5.6Sol低13%，不到Claude Fable 5成本的四成。 资料来源：Kimi，公众号量子位 资料来源：Kimi K3模型在参数规模较K2扩大近3倍的前提下，实现训练效率提升约2.5倍，核心驱动力源于三大底层架构革新：（1）KDA混合线性注意力机制，有效破解超长序列的内存瓶颈；（2）Attention Residuals跨层特征传递机制，缓解深层网络信息衰减；（3）Stable LatentMoE稀疏专家路由架构，在896路专家网络中实现训练稳定性与负载均衡。后训练阶段采用"三领域×三强度"专家蒸馏策略，配合统一白盒强化学习环境，进一步释放模型潜 能。 资料来源：Kimi，公众号AINLP 注 意 力 机 制：KDA混 合线 性注意力 ，实现成 本优化 。K3采用KDA（Kernelized Decomposed Attention）混合线性注意力机制，将长序列注意力与负责完整上下文关联的Gated MLA（Multi-Layer Attention）按3:1比例混合部署。传统全局自注意力机制的计算复杂度与序列长度呈平方关系（O(n²)），序列越长，显存占用与计算开销呈指数级攀升，构成制约大模型上下文能力的核心瓶颈。KDA通过核化分解将注意力计算复杂度降至线性级别（O(n)），显著降低超长序列场景下的内存占用；Gated MLA则保留对全局上下文的精准关联能力。二者协同，在保障长文本理解精度的同时，实现算力成本的大幅优化。 信 息 传 递：Attention Residuals机 制缓解深层网络信息 损耗。K3引入Attention Residuals机制，允许当前层跨级直接读取此前所有层的特征表示。传统残差连接（Residual Connection）采用"逐层接力"式信息传递，即前一层输出原封不动叠加至当前层。随着网络深度增加，浅层特征细节在逐层传递中被不断压缩稀释，导致深层网络对原始输入信息的感知能力衰减。K3每一层在计算过程中执行"跨层注意力检索"，从前面所有层的输出中动态筛选对当前层计算真正有价值的特征信息，而非简单叠加。相当于为深层网络建立"直达通道"，有效保留浅层细节信息，提升深层网络的表征能力与梯度传播效率。 专家路由：实现超大规模稀疏专家稳定训练。K3采用Stable LatentMoE结构，并引入Quantile Balancing（分位数均衡）机制。传统MoE架构中，专家路由常出现"马太效应"——部分专家负载过高，部分专家长期闲置，导致训练不稳定、专家能力分化，严重制约模型性能。Stable LatentMoE为包含896路专家网络的稀疏MoE（Mixture of Experts）架构，每层仅激活16个专家（激活率约1.8%），在保持模型容量的同时控制推理成本。此外引入Quantile Balancing（分位数均衡）机制。每步训练过程中，系统实时统计当前批次中各专家的实际被选中频次与理论期望频次，对负载不足的专 家动态上调其路由分数，提升其在下一步被选中的概率。通过持续的"忙闲调节"，快速拉平专家间的负载差距，确保896个专家网络在极度稀疏激活条件下仍能保持训练稳定性与能力均衡发育。 资料来源：Kimi，公众号量子位 后训练阶段：K3的后训练体系涵盖SFT（监督微调）、强化学习（RL）及Multi-Teacher On-Policy Distillation（多教师在线策略蒸馏）三大环节。专家模型分域训练：将训练任务划分为推理、通用Agent、编程Agent三大领域，每个领域配置低、中、高三档推理强度，共训练出9个专项专家模型。多教师在线策略蒸馏：以9个专家模型为教师，通过On-PolicyDistillation将多领域能力整合至单一模型。模型在不同场景下模仿对 应专家的输出分布，并设置差异化奖励函数，实现知识的有效迁移与融合。统一白盒强化学习环境：构建主动式训练环境，动态调整工具接口、提示词模板、上下文管理策略、技能模块、记忆机制及Agent Harness等要素，通过环境变量的持续扰动与增量训练，进一步提升模型的泛化能力与任务 适应性。 1.2.Coding+Agent场景加速渗透 Coding+Agent能力加速渗透。K3模型通过注意力机制、信息传递、专家路由三大底层架构的系统性革新，在参数规模大幅扩张的同时实现训 练效率的显著提升。长周期工程编码能力使得K3可以在极低人工干预条件下，支撑长时间工程开发任务，能够解析大型代码仓库、编排和调度终端工具；应用场景覆盖GPU内核优化、编译器开发、视觉闭环游戏开发、CAD设计乃至芯片设计。此外依托原生多模态架构，Kimi K3可实现端到端知识工作，完成深度调研，输出交互式可视化图表、组件与数据看板，同时支持动态视觉设计与视频编辑，可实现完整的任务调研、可视化、多媒体创作等Agent任务链条闭环。 以办公Agent为例，过去一年见Coding Agent在程序员群体持续渗透，自年初龙虾出圈后，低门槛的工具在职场人渗透持续加速，据易观千帆，Work