Kimi K3在英美联合安全评测中被甩开整整一倍，这组数字比任何蒸馏辩白都更有说服力。英国AI安全研究所与美国AI标准与创新中心把月之暗面的新模型扔进ExploitBench这个专门衡量真实漏洞利用能力的基准，结果K3只拿到32.2%。而Anthropic等美国前沿模型拿下76.2%，差距大到已经不能用“各有侧重”来打圆场。连智谱GLM-5.2的24.4%都比它更符合“追赶者”的预期——K3在能力榜单上刷出的高分，进了这套实战靶场就现了原形。
蒸馏嫌疑正是这组数据背后最刺眼的那根刺。通用推理基准可以把分数偷渡过来，但面对实际攻击链路、权限提升和横向移动这类硬核安全任务，简化过的训练信号明显撑不住场面。安全评估长期被智能分数绑架，好像一个模型在数学题上多对了两道就能自动变得更可靠，可漏洞利用能力不会通过蒸馏被继承，它需要模型对系统底层有颗粒度级的理解，那恰好是轻量化训练链条最容易被切掉的脉络。英美机构这次挑的靶场相当刁钻，它不考模型会不会写安全建议，只考察它能否在给定环境中完成真正的攻击步骤，K3的表现说明月之暗面的能力尚有明显断层。
开源模型的安全人设是该被敲打一下了。当社区还在用对齐声明和红队报告给模型披上安全斗篷时，硬指标已经撕开了一道口子：你在通用基准上接近天花板，不等于你在真实对抗场景里能守住底线。此次联合评估把蒸馏嫌疑和实战安全脱节同时推到台面上，对于整个行业而言，这比任何一张基准榜单都更值得刻进路线图里。
