Kimi 半年三次道歉：模型越强，生意却越难做？

文 | Tech星球，作者 | 华卫

AI 公司，天天靠重置额度救火。

10月底，OpenAI 再次调整了额度规则，回应的是用户对Pro 200 套餐额度被削减的吐槽。一句“收了大家友善的反馈”后，Codex 负责人 Tibo宣布，所有 Pro 以及 Business Premium 套餐的使用限额翻倍。社区里，为此欢呼不断。

类似的事情，近日也发生在 Kimi 身上，但画风似乎更加“惨烈”。

月之暗面旗下的新模型 Kimi K3.1 Pro 上线不到 12 个小时，争议就接踵而至。一边被海外博主发帖曝光，其提供宣传模板还要求推广时藏起付费合作标签；另一边，是用户对额度快速消耗的集中抱怨：任务刚运行没多久，就发现已经接近使用上限了。

两天后，月之暗面就 K3.1 Pro 的限流和不必要的额度消耗公开致歉，为所有套餐订阅者一次性恢复 25% 的月度额度，并表示将减少不必要的子 Agent 调用和输出长度。

虽然这是 Kimi在半年内的第三次道歉。但这场“额度事故”，并没有就此真正翻篇。

“额度黑洞”，还在继续

在国产大模型中，Kimi 一直是个特别的存在。凭借长文本处理和文本创作能力，它不仅积累了一批忠实用户，也有能力在全球前沿模型的竞争中，与拥有庞大算力和资金储备的海外大厂正面交锋。

但从今年以来，对于其订阅套餐告罄太快的吐槽就没有停止过。“没钱的用不起，有钱的用海外模型更有性价比。”有AI重度用户表示，同样的价格，Kimi 提供的额度远不如 GPT 和 Claude。还有用户拿其他模型作对比：“199充值DeepSeek够用一个月，付给Kimi只能用一天。”

对这批用户来说，大模型并不是一个偶尔打开的聊天工具，而是一个嵌入日常工作流程的生产力产品。因此，他们在额度消耗上的体感十分直观。

K3.1 Pro 上线后，这种矛盾变得更加突出。新模型在代码、长程任务和3D建模等能力上都迎来一波明显升级，市场反响也相当积极。Artificial Analysis给出的智能指数是55分，位列全球第四，成为榜单里得分最高的开源权重模型。第三方评测机构ModelCompare甚至因该模型的出现表示，“中美AI差距从数月缩减到仅剩31天”。

单看API定价，Kimi依然在努力维持国产模型一贯的成本优势，K3.1 Pro较上一代下调约三分之一，输入从每百万Token 20元降至13元，输出从100元降至68元。可对于购买订阅套餐的用户来说，模型能力提升了，真正使用时却需要更加谨慎地计算额度。

一位Kimi的长期订阅者对比后发现，虽然单价低了，但新模型完成单个任务消耗的Token变多了，算下来整体成本差不多。根据Artificial Analysis 的测试，K3.1 Pro完成整套 Intelligence Index 累计输出约 1.5 亿 Token，而参与测试模型的中位数只有 8700 万 Token。换算下来，K3.1 Pro 的Token输出量比中位水平高出约 72%。

实际任务案例更加触目惊心。社区里，一名订阅了Kimi 199元套餐的用户只发送了一句“审查项目架构”的指令，K3.1 Pro拉起了5个子Agent，十几分钟后5小时额度窗口即告用满。面对经典的“鹈鹕骑单车”考题，K3.1 Pro生成了1小时47分钟，消耗掉87%的5小时额度。

更麻烦的是，额度补偿也没能完全平息用户的不适。这几天，不断有用户反映，Kimi现在有额度也用不了。

“Kimi正在高峰期，请稍后再试或升级会员加速。”即便花了钱买订阅，这句让人抓狂的提示，仍多次出现在大批用户的聊天框内。其中，还不乏已经因额度不够升级过一次套餐的用户。

Kimi 把模型推向了更高的能力上限，但随之带给用户的已经不只是额度消耗问题，还有高峰期服务能力与付费权益之间的落差。

“不敢给够”，Kimi 开始动记忆了？

为了缓解额度压力，Kimi似乎开始调整曾经最引以为傲的记忆功能。8月10日，Kimi在没有提前通知用户的情况下更新记忆架构，引入会消耗付费额度的“梦境记忆”机制，会在后台自动读取对话内容并写入记忆库。

现在，多位用户爆料称，Kimi的记忆空间这几天无法正常加载，疑是官方正在升级和修改记忆机制。目前表现为，新版记忆倾向于将过去的记忆指令统一归纳，提炼成用户偏好，而不是像此前一样逐条执行记忆内容了。好处是，Token消耗可能会更少。但代价是，原本更细致的记忆能力也会受到影响。

不过，这终究只能缓解一部分消耗。Kimi面临的成本问题，首先来自模型本身。

K3.1 Pro 是一款 3 万亿级参数模型，此前业内流传的 K3 系列架构信息显示，其模型规模约为 2.8T 参数，激活参数约为 104B。相较来说，一些参数规模相对更小、激活效率更高的模型，在成本的工程控制上更有优势。DeepSeek、智谱等厂商都在通过模型架构和推理工程优化，寻找能力与成本之间更合适的平衡点。

其次是复杂任务带来的推理消耗。Kimi K3.1 Pro 默认全程开启思考模式，会输出更长的思考链和更多中间推导内容。长上下文会增加输入处理的计算开销，复杂推理和多轮 Agent 调用也会进一步推高总消耗。一个 Agent 任务如果需要多次调用模型、运行多个子 Agent，再进行反复检查和修改，最终消耗的资源可能远远超过用户直观感受到的那一次提问。

对 Kimi 来说，真正需要证明的，或许不是自己能否把模型参数继续做大，而是在能力升级的同时把推理效率也做上去的水平。一位关注Kimi的开发者表示，与其一味参与高端模型的竞争，Kimi或许更应该投入资源研发更轻量、更高效的模型。

这不是Kimi一家的问题。

所有以固定月费提供前沿模型服务的厂商，都面临同一个结构性张力：模型能力的提升往往伴随着推理侧开销的同步甚至超线性增长，而订阅价格是刚性的、用户预期是“付了钱就该够用”的。区别在于，有的公司把Token效率做成了产品能力的一部分，有的公司把能力突破做成了品牌资产，而订阅用户被夹在中间，为“强大智能”支付了超出预期的运行时成本。

此外，月之暗面的算力资源严重依赖外部供给。彭博社曾报道称，其与阿里巴巴存在算力协议，可使用约2万枚英伟达芯片组成的集群，相关算力占月之暗面整体运算资源的相当大一部分。此前，K3在发布后48小时内，Kimi因GPU容量逼近上限暂停了新订阅。

当一个公司的算力本身处于紧张状态，向C端订阅用户开放慷慨额度，在财务上是不理性的。

国产模型们，应该赚谁的钱？

如果一家公司的算力供给有限，就必须决定一个现实问题：把资源优先投向哪里？训练和迭代下一代模型、投入面向大量个人用户的实时推理服务、保障开发者 API 的调用需求，还是给订阅用户提供更充裕的额度？

不同选择背后，对应的是不同的商业化优先级。Kimi 的额度争议，也暴露出月之暗面在算力约束下对C端订阅的真实定位。

2026年8月至9月，多家媒体报道月之暗面与微软、亚马逊、谷歌谈判，计划将K3上架Azure、AWS和Google Cloud，并从这些平台销售K3服务产生的收入中抽取最高30%的分成。此外，K3的开源许可不是标准MIT协议，而是月之暗面自拟的条款：年营收超过2000万美元的MaaS托管方须另行签署商业授权协议。

这两件事放在一起，能看出月之暗面正在探索一条不同于单纯经营 C 端订阅的商业路径：相比自建大规模C端推理基础设施，把模型能力优先“批发”给拥有算力和分发渠道的云厂商，远比“零售”给数百万订阅用户更符合其资源情况。

而当C 端订阅更多承担用户入口、产品反馈和模型能力展示的角色，而非最主要的收入来源，那么它的额度池可能就与用户期待有所不同。

当前，国产大模型公司也都在寻找各自更适合的赚钱方式。

DeepSeek 的竞争力，很大程度上来自模型能力、推理效率与开放生态的结合，目前收入几乎全部来自模型API调用收费，对话机器人App仍保持免费、无广告。据The Information报道，DeepSeek年化营收运行率已突破10亿美元，较数月前不足5亿美元的数字翻了一番有余。CEO梁文锋在近期投资者会议上明确表示，API价格上调并未造成客户流失，用户需求依旧强劲。

智谱则在经历商业模式转型，从依赖本地化部署转向API订阅服务。2026年上半年财报显示，智谱开放平台及API业务收入占比达86.5%，同比增长2735.7%，而本地化部署收入占比从84.8%降至13.5%。这一变化背后，Coding 需求的爆发是重要推动力。

以海外ToC产品起家的MiniMax ，在尝试拓宽商业化边界。除了持续布局模型、API 和面向个人用户的产品，它也在加大 B 端市场开拓力度，将能力延伸至视频生成，以及 Agent、Reasoning、Coding 等方向。其思路是让模型能力进入更多企业和开发者场景，避免收入过度依赖单一产品或客户群体。

相比这些模型公司的直接变现路径，互联网巨头还有另一种优势：它们已经拥有成熟的产品矩阵、用户规模和企业客户资源，可以把大模型嵌入既有生态，再通过产品增值和企业服务寻找收入。例如，腾讯正在尝试用大模型改造旗下产品和办公场景。微信、企业微信等产品陆续接入元宝、混元和 DeepSeek 等模型能力，WorkBuddy 等 AI 办公智能体也在加速拓展用户。

阿里在整合 QoderWork、MuleRun、悟空等产品能力后，推出一站式企业级通用 Agent 平台千问办公。在 9 月的云栖大会上，钉钉完成商业版本升级，在保留免费标准版的基础上，新增 AI 基础版、AI 高级版、AI 尊享版和 AI 旗舰版四个付费版本，并全面接入千问办公能力。

只靠低价和流量换不了长久生意，模型能力可以不断向上突破，用户的付费意愿却不会无限增长。真正的问题是，每家公司能否找到与自身技术能力、算力资源和市场位置相匹配的商业模式。

站在成本悬崖边上的，远不止Kimi一家。