K3 的核心不是单纯扩参，而是把 Kimi Delta Attention（KDA）与 Attention Residuals（AttnRes）放进同一套大规模训练系统。KDA 降低百万 token 场景的 KV-cache 与解码压力，AttnRes 让网络按输入选择性聚合前层表示；Moonshot 称后者带来约 1.25× compute advantage，额外推理开销低于 2%。官方还报告 Stable LatentMoE 相对 K2 获得约 2.5× scaling efficiency。

部署门槛仍然很高：MXFP4 weights、MXFP8 activations 的推荐配置为至少 64 个 accelerators。API 定价为 cache hit 输入 $0.30/M tokens、cache miss 输入 $3/M、输出 $15/M；官方称 coding workload 的 cache hit rate 可超过 90%。DeepSWE 1.1 的 67.3 与 BrowseComp 的 90.4 都来自厂商评测，仍需独立复现，但 vLLM 已开始为 KDA-aware prefix caching、MXFP4 MoE kernel、multimodal serving 适配 NVIDIA 与 AMD，说明生态正在把新架构当成生产目标而非论文样机。

在 V8 评测中，官方称 Cyber 版本确认了 55 个独立问题，高于主线 Gemini 3.5 Flash 的 47 个和 Claude Opus 4.6 的 36 个，其中 10 个只被 Cyber 版本发现。更敏感的结果来自内部 red-team：模型在两小时内定位到公共 API 的 RCE 与生产服务的 memory corruption，并生成可绕过 ASLR 与 W^X、可靠率 100% 的 RCE 链。

这些数字来自 Google 自有环境，不能等同于通用安全能力，但已足以说明 frontier coding model 正从“提出可疑点”跨到“构造并验证利用链”。有限试点是合理约束：防守价值在于缩短复现与补丁周期，攻击价值则同样直接。组织若引入类似系统，隔离执行环境、限制目标范围、保留完整审计轨迹和补丁审批，应当与模型能力本身同时设计。

论文围绕 hierarchical parallelism、compute-communication orchestration 与定制 kernel 组织超大模型后训练。作者报告 34.22% MFU，相对其选定的开源 baseline 提升 2.93×；这类结果的价值不只在绝对吞吐，而在于证明非 CUDA 集群也能承载 trillion-scale MoE 的全参数更新，而不是局限于 LoRA 或少量 expert 调整。

配套 10K 条 operation-research 样本使用 solver 验证，模型 zero-shot Pass@1 达到 71.81%，作者称高于 GPT-5.4-mini 3.98 个百分点、比基础 V4 Flash 高 11.27 个百分点。需要留意，MFU 与速度比高度依赖拓扑、baseline 和 workload，跨平台不能直接横比；不过训练系统、可验证数据与任务结果同时披露，使它比单纯“国产算力适配成功”更有工程参考价值。

传统 autoregressive video diffusion 在训练时把历史片段当作固定条件，模型只能学习当前窗口的 denoising，却无法通过梯度纠正“如何生成更适合作为未来 context 的历史”。论文采用两阶段过程：先以 no-grad rollout 生成自身历史，再并行重建 context gradient，把后续误差反传到前序生成。

作者报告该方法改善长视频中的 identity、layout 与 temporal stability，而且训练窗口仍只有 5 秒。这里真正重要的是训练目标与推理分布更一致，而不是简单扩大 context 或堆显存。如果独立复现成立，它可能成为长程生成的通用补丁；但“数分钟”外推对场景类型、运动强度和评价协议非常敏感，仍应结合视频样例与量化指标判断。

项目的重点是把大规模真实机器人数据变得可训练：自动标注流水线描述状态变化与操作过程，随后用两阶段训练把通用视觉语言能力迁移到动作生成。相比只发布一个 checkpoint，这套数据获取与标注机制更接近机器人规模化的核心瓶颈，因为真实轨迹昂贵、噪声高且任务分布碎片化。

作者报告 RoboCasa365 得分 57.6，对比此前 46.6；RoboDojo 为 20.07，对比 13.07。跨 benchmark 的绝对值不能直接说明现实成功率，论文也仍需等代码与 checkpoints 完整落地后验证复现性。它与上期已覆盖的 Xiaomi-Robotics-U0 主题不同：U0 聚焦基础架构，本次更新的增量主要是 100K 小时数据管线与后训练配方。

这次不是简单增加 device flag：custom kernels 被移植到 HIP/Triton，安装器会检测 gfx architecture 并选择 PyTorch、bitsandbytes、llama.cpp ROCm prebuild 与相应 kernel。完整支持范围包括 Radeon RX 7000/9000、Strix Halo、Instinct MI200/MI300/MI350；RDNA 2 目前仅 gfx1030 且只支持 Linux，AMD multi-GPU 也仍以 Linux/RCCL 为主。

在 MI300X 的 Llama-3.1-8B LoRA SFT 测试中，官方报告 2.07 s/step 对比 TRL + FA2 的 2.87 s/step，峰值显存 18.3 GB 对比 24.3 GB；Llama-3.2-3B GRPO steady-state step 为 1.75 秒，对比 2.01 秒。它还通过直接使用 vLLM LoRA path 避免 BF16 权重反复 merge/de-merge 导致的漂移。数据来自合作方测试，但命令、seed、token budget 与 loss curve 条件披露较完整，具备较强复现实用性。

传统流程需要专家为每个时间步做手工标注，完整处理可持续一个月；新系统将 3D semantic volume 的 turnaround 缩短到约 15 分钟，并计划部署在 300 张 A100 上。对同步辐射、材料和生命科学实验而言，这意味着分析速度更接近数据产生速度，研究者可以在实验尚未结束时调整采集策略，而不是数周后才发现数据缺口。

案例还展示了 open weights 的现实优势：模型可在实验室安全边界内做 on-prem fine-tuning 和 inference，不必把敏感或超大体积数据送到外部 API。需要注意，这不是通用 3D foundation model 的公开 benchmark，而是强 domain adaptation 后的系统成果；它的价值在于证明 foundation vision model 可以嵌入高吞吐科学设施的闭环。

scheduled trigger、email trigger、connectors 与 skills 的组合，让 Grok 从交互式对话扩展为后台 job runner。新 conversation 避免历史上下文无限膨胀，持久 thread 则保留跨运行结果，适合日报、监控、信息整理和周期性分析；邮件触发目前面向 SuperGrok 用户。

这种产品能力看似简单，却代表 agent 的基本单位从“消息”变成“有触发器、权限和状态的任务”。风险也随之变化：自动执行会放大错误频率，邮件输入还引入 prompt injection 与身份伪造问题。若连接外部系统，最小权限、触发来源校验、幂等设计和每次运行的可审计记录比 prompt 本身更重要。