一句话看懂：英国和美国的 AI 安全机构联合测试发现，Moonshot AI（月之暗面）的最新模型 Kimi K3 在漏洞利用和网络攻击模拟任务中，能力远不如美国头部闭源模型，且几乎没有任何安全防护阻拦。其较差的表现恰恰印证了外界对“知识蒸馏”削弱模型底层能力的猜测。
事件核心：发生了什么
英国 AI 安全研究所（AISI）与美国 AI 标准与创新中心（CAISI）联合发布了针对 Kimi K3 的进攻性网络安全能力评估。测试使用了两个专业基准：
1. ExploitBench 漏洞利用测试：基于 Chrome V8 引擎中 41 个 2023 年后的漏洞进行评分。美国领先闭源模型平均得分 76.2%，Kimi K3 仅拿到 32.2%，略高于中国另一款开源模型 GLM-5.2 的 24.4%。在最致命的“任意代码执行”级别上，美国模型成功完成了 20 次，而 Kimi K3 一次都没有达到。
2. “The Last Ones”网络攻击模拟：该测试构建了一个包含约 20 台主机的复杂企业网络攻击路径（共 32 步）。Kimi K3 平均只推进到第 17 步，而美国领先模型能达到第 28.5 步。尽管 Kimi K3 在 10 次尝试中有 1 次完成了全程，但可靠性极低。报告指出，“Kimi K3 有能力在指示下对脆弱的小型企业系统进行自主攻击。”值得注意的是，该模型在测试过程中几乎未对利用代码开发或网络攻击请求进行任何阻拦。
为什么重要
这次测试结果目前市场上对 Moonshot AI 的“知识蒸馏”指控提供了有力侧面印证。知识蒸馏通常指利用更强模型输出去训练轻量模型，虽然能快速复制能力，但往往会牺牲模型对复杂逻辑和底层安全边界的理解。Kimi K3 在低难度漏洞上的尚可表现与高难度“任意代码执行”的零完成率形成了明显断层。
此外，测试揭示了一个结构性差距：中国模型的网络安全能力虽然在持续提升，但与美国闭源前沿模型的代差仍然显著。CAISI 基于 ELO 评分的时间序列分析显示，自 2025 年初以来，中美模型之间的能力差距未见明显缩小。AISI 警告称，开源模型不断增强的网络攻击能力正构成“持续性且不可逆的滥用风险”。
对用户/开发者/创作者的影响
对于 AI 应用开发者：如果企业计划将 Kimi K3 引入需要处理敏感代码或网络安全评估的工具链，该模型目前缺乏基本的攻防安全护栏，直接集成可能带来合规与责任风险。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对于大模型使用者：这一测试从侧面说明，依赖第三方评测榜单（如普通问答、数学、编程能力）选型可能不够全面。在对安全性或复杂逻辑推理有较高要求的场景下，具体的安全科目测试结果远比综合排名更有参考价值。
对于了解行业动态的从业者：“蒸馏”策略能快速拉平可用性，但在专业垂直任务上可能会暴露出原生能力不足。这说明单纯追求模型参数或响应速度，并不等同于模型真正理解了安全和逻辑层级。
值得关注的后续
第一，Moonshot AI 是否会对 Kimi K3 的安全护栏进行针对性加强，或在其后续版本中补足缺失的漏洞利用阶段。第二，这次联合测试是否会推动中国模型开发者在训练或蒸馏流程中纳入更多攻防对抗数据，以及相关评测是否会成为国内大模型选型的新标尺。第三，AISI 强调“开源模型风险不可逆”，包括美国在内的监管机构是否会因此对权重开放模型施加更严格的出口或使用限制，值得持续关注。
