2026年7月28日 AI 早报｜Kimi K3 开源 2.8T 模型、AI 搜索覆盖率达 43%
月之暗面开源 2.8T 参数 Kimi K3 模型及完整推理栈，Google AI Overviews 覆盖率升至 43%，GitHub Copilot 升级多会话工作区——今日 AI 基础设施的三大变化，对中国软件企业意味着什么？
今天可能是 2026 年 AI 基础设施领域最重要的单日之一：月之暗面把 2.8 万亿参数模型完整开源，不仅放出权重，连高性能推理内核和分布式训练环境都一并给了社区。与此同时，Similarweb 数据显示 Google AI Overviews 搜索结果覆盖率从 15% 飙到 43%——搜索正在从"给链接"变成"给答案"。这两件事叠加，对中国软件企业意味着什么？这篇文章逐一拆解。
1. 月之暗面发布 Kimi K3：2.8T MoE 开源，Day 0 即获 SGLang 推理支持
月之暗面（Moonshot AI）于 7 月 27 日正式发布并开源 Kimi K3，这是业界首个开源的三万亿参数级别模型。K3 不是 K2.5 的简单放大——它在架构层面做了彻底重构。关于 K3 发布后对 AI 编程商业化的实际影响，我们在此前 AIcoding 商业化进入 3T 时代的成本重算 中做过详细拆解。
K3 采用 69 层 KDA 线性注意力与 24 层 MLA（多头潜在注意力）交错的混合架构，总计 93 层。这种设计使 100 万 token 上下文窗口变得可行。专家网络使用 LatentMoE：896 个专家在 3584 维潜在空间中运作，每次通过 top-16 路由选择，激活函数从 SwiGLU 切换为 SiTU。视觉塔也从 MoonViT 升级到全新的 MoonViT3d。
与上一代 K2.5 对比：
| 维度 | Kimi K2.5 | Kimi K3 |
|---|---|---|
| 规模 | 约 1T 参数 | 2.8T 参数 |
| 注意力机制 | 全 MLA，61 层 | 69 层 KDA + 24 层 MLA，93 层 |
| MoE | 384 专家，Top-8 路由 | 896 专家，Top-16 潜在空间路由 |
| 激活函数 | SwiGLU | SiTU |
| 视觉 | MoonViT | MoonViT3d 新堆栈 |
此次开源的彻底程度在业界罕见：除模型权重外，月之暗面同时放出了高性能注意力内核、MoE 通信库和 AgentENV 分布式智能体环境。SGLang 与 Miles 提供 Day 0 推理和 RL 训练支持——单卡 batch-1 解码速度约 113 tok/s，搭配 DSpark 推测解码可达约 423 tok/s。Modal 也同期宣布为 K3 训练了自定义 DFlash 推理内核。（来源：SGLang 团队博客）
一句话：这不是"又一个开源模型"，这是开源社区第一次拿到真正可部署的三万亿参数级推理栈。回顾 K3 从 7 月中旬 首次登顶前端编码榜 到今日完整开源，月之暗面的发布节奏明显在加速。
2. Google AI Overviews 覆盖率升至 43%，搜索范式正在切换
根据 Similarweb 最新报告，Google AI Overviews 在搜索结果中的出现率从一年前的 15% 飙升至 43%。AI Mode 月访问量同期从 1.26 亿增至 2.79 亿。（来源：TechCrunch / Similarweb）
更关键的变化在用户行为：搜索查询长度持续增加，用户正在从"输入 2-3 个关键词"转向"用自然长句向 AI 提问"。也就是说，Google 正在从一个"链接分发器"变成"答案终点站"——用户在搜索结果页就能得到完整回答，不再需要点进网站。
这对出版商的冲击是直接的。引荐流量持续流失，AI 引用虽增长了五倍多，但绝大多数引用不带来点击。Cloudflare 已推出工具让网站主主动屏蔽 AI 爬虫，除非 AI 公司通过其市场付费购买内容访问权。
但也有一线转机：ChatGPT 美国桌面端引荐流量在 5 月 7 日搜索更新后有所改善，网页访问量占比从 2026 年 3 月的 25% 翻倍至 5 月底的近 60%——当 AI 搜索结果中提供更显眼的蓝色链接时，用户确实会点。
3. GitHub Copilot App 正式支持多会话工作区与自动化 PR 审查
GitHub Copilot 应用从"聊天窗口"升级为多会话工作区，这可能是今年开发者工具领域最重要的交互范式变化。（来源：GitHub Blog）
核心能力有三层：
- 项目级会话：每个智能体会话绑定具体项目，自动获取代码库上下文。不再需要手动搜索文件来定位修改位置，只需描述想做的更新，Copilot 自行检查项目、定位相关文件并运行测试验证。
- 多线程并行：可同时开启多个会话处理不同任务——比如一个会话在处理 UI 组件更新，另一个在探索代码库实现方式，互不干扰也不丢失进度。
- Canvas 预览 + 自动合并：通过
/create-canvas命令在浏览器画布中直接预览应用，点选 UI 元素即可作为下一个请求的上下文。自动合并功能则监控 PR 审查流程、处理反馈和合并冲突。
这套组合意味着 AI 编程从"帮你写一行代码"演进到了"帮你管理整条开发流水线"。多个线程并行、可视化预览、自动 PR 合入——这套工作流一旦跑通，单人开发效率的提升不是百分比级的，是数量级。
4. SSI 与 Nvidia 达成长期合作：数十亿美元 + Vera Rubin GPU
Ilya Sutskever 创立的 Safe Superintelligence（SSI）宣布与 Nvidia 达成长期战略合作。交易涉及数十亿美元级投资，以及 Nvidia 下一代 Vera Rubin GPU 平台的优先使用权。SSI 的计算资源将因此提升一个数量级。
SSI 团队的独特之处在于完全不涉足商业产品——他们只做一件事：安全超智能。Ilya 此前多次公开表态，认为当前 scaling law 路线遇到的瓶颈不是算力不够，而是缺乏在安全约束下高效利用算力的方法论。这次与 Nvidia 联手，本质上是在用硬件优势争取方法论突破的时间窗口。
5. Open Secure AI Alliance 成立：Nvidia 牵头，三大模型商集体缺席
NVIDIA 联合 Microsoft、Hugging Face、IBM 等数十家机构成立 Open Secure AI Alliance，旨在建立开放的 AI 安全标准和治理框架。一个显眼的细节：OpenAI、Google、Anthropic 三家头部模型厂商均未加入。
这形成了一个微妙的格局：拥有算力话语权的 Nvidia 在拉拢中间层（Hugging Face、云厂商）和应用层企业，而模型厂商选择了另起炉灶或观望。对下游企业来说，这意味着"AI 安全"正在分裂为两条路线——一条由硬件/平台厂商主导的"开放安全"，一条由模型厂商各自定义的"私有安全"。选边站的压力迟早会传导到企业采购决策上。
对中国软件开发企业的三重影响
第一，推理成本门槛大幅降低。 Kimi K3 的完整开源栈意味着企业不再需要为私有化部署大模型支付天价授权费。2.8T 参数模型在 SGLang 上单卡 113 tok/s 跑起来，搭配推测解码 423 tok/s——这个性能水平足够支撑大多数 B 端场景。过去"买不起、用不起"的大模型能力，现在变成了"部署即用"。
第二，SEO 策略必须重写。 Google AI Overviews 覆盖率 43% 且仍在上升，传统靠"写文章→等排名→拿流量"的套路正在失效。AI 从你的网站抓取信息后直接回答用户，你连一次点击都拿不到。应对方向有两个：一是优化结构化数据（FAQPage / HowTo schema），让 AI 引文更倾向引用你的内容；二是把高价值内容放在付费墙或登录墙后——Cloudflare 已经给出了技术路线。
第三，开发工具范式在变，交付速度的基准线在抬高。 GitHub Copilot 的多会话工作区不是孤例——这是整个行业的方向。对软件外包企业而言，客户对"快速交付"的预期会越来越高，因为 AI 工具已经让个人开发者的产出翻了几倍。跟不上这波工具升级的团队，不是因为技术不行被淘汰，而是因为速度不够。
常见问题
问：Kimi K3 开源后，企业私有化部署的成本大概多少？
答：K3 完整模型需要约 2.8T 参数在推理时加载，单卡（如 H200 级别）可跑 batch-1 解码约 113 tok/s。对于中等并发场景，4-8 卡即可支撑。相比此前同等规模的闭源模型 API 调用成本（按 token 计费），私有化部署的回本周期通常在 3-6 个月。
问：Google AI Overviews 覆盖率 43% 意味着什么？对 SEO 的具体影响？
答：意味着近一半的搜索查询中，用户看到的第一屏已经被 AI 生成的答案占据。传统的"争取排名第一"策略正在被"争取被 AI 引用"替代。被 AI 引用不等于被点击——需要配合结构化数据标记和内容权威度建设，才能让 AI 给出的引用链接真正转化为流量。
问：Open Secure AI Alliance 和我有什么关系？
答：短期内直接影响不大，但中期看，AI 安全标准的分裂会导致合规成本上升。如果你的客户是出海企业或跨国公司，未来可能需要同时满足"开放安全"和"私有安全"两套标准。建议在技术选型时关注联盟成员的产品兼容性。
问：GitHub Copilot 多会话工作区适合什么规模的团队？
答：单人开发者收益最大——可以同时推进多个任务线程而不丢失上下文。中小团队（5-20 人）收益同样显著，自动化 PR 审查可以省掉至少 30% 的 code review 时间。大团队需要先解决权限和代码库访问控制问题。