Kimi K3 在通用基准测试中表现优异，但在网络安全任务上却大幅落后于美国前沿模型。这一反差引发了关于模型能力迁移和蒸馏影响的讨论。
发生了什么
英国人工智能安全研究所与美国人工智能标准与创新中心联合对 Moonshot AI 的 Kimi K3 进行了自动化网络攻击任务测试。在 ExploitBench 基准上，Kimi K3 得分仅为 32%，而美国领先模型达到 76%。更令人担忧的是，Kimi K3 的安全防护措施未能阻止漏洞利用开发或模拟攻击。
为什么重要
这一结果揭示了 Kimi K3 在通用能力与特定安全能力之间的显著脱节。尽管该模型在常规基准测试中表现强劲，但在需要深度理解系统漏洞和攻击技术的任务上却力不从心。分析认为，这种差距可能源于训练数据的局限性——网络安全相关的高质量数据相对稀缺，且模型可能通过知识蒸馏从更强模型中学习，但蒸馏过程往往侧重于通用知识，而忽略了专业领域的细微能力。此外，安全防护的失效表明模型在对抗性场景下的鲁棒性不足，这对于部署在安全敏感场景中的 AI 系统是致命缺陷。
影响与看点
对开发者而言，这一案例警示：通用基准高分不能代表模型在专业领域的能力，尤其是网络安全这类需要精确操作和对抗性思维的领域。行业应推动更全面的评估体系，纳入安全与攻击测试。对用户来说，依赖单一模型处理敏感任务存在风险，可能需要结合专用安全工具或进行额外微调。值得关注的是，蒸馏技术是否在无意中削弱了模型的关键能力？如果是，那么未来模型训练需要更谨慎地平衡通用性与专业性。独立判断：Kimi K3 的网络安全短板并非孤例，它反映了当前大模型在专业领域深度上的普遍局限，而蒸馏可能加剧了这种“偏科”现象。
