发布日期：2026-10-23 ｜ 话题：AI 模型 · Arena · 国产大模型 ｜ 适用读者：开发者、模型观察者

截至 2026 年 10 月 23 日，Arena.ai 的 Code Arena 上出现了 Kibitz 与 Kalmia 两个匿名模型，社区通过分词器特征推测它们分别对应月之暗面（Moonshot AI）的 Kimi K3.1 与阿里巴巴的 Qwen 4。两者都还没有官方模型卡、API 或定价，但已经能在盲测对战中被随机抽到。本文梳理已确认的事实、两条身份线索、成本争议，以及“匿名测试到正式发布”的时间规律。

Kibitz 与 Kalmia 是 2026 年 10 月下旬出现在 Arena.ai Code Arena 的两个匿名模型，社区推测它们分别是 Kimi K3.1 和 Qwen 4 的发布前测试版本。

截至发稿，月之暗面与阿里均未确认代号映射，Arena.ai 也没有公布两者身份。可以确认的是，这两个代号已经进入盲测池，多家追踪账号通过分词器特征给出了同一方向判断。

事件：两个代号，出现在发布前夜

2026 年 10 月 22 日，X 用户 @pengsonal 发帖称，Arena.ai 的 Code Arena 出现两个新匿名模型：Kibitz 与 Kalmia。帖子把它们分别指向 Kimi K3.1 和 Qwen 4，并说明只能通过 Battle 模式随机抽到，不能指定模型。

同日，Gate News 援引 ChainCatcher 与 Max For AI 的报道称，Kimi K3.1 与 Qwen 4 已进入发布前最后阶段，正在 Arena 接受匿名测试，预计本周发布。报道同时强调，身份与日期均未获官方确认。

这条消息传播得快，有两个背景：Kimi K3 与 Qwen3.8-Max 都在 2026 年下半年刚完成一轮旗舰更新；匿名上 Arena 过去多次被证明是“发布前最后一环”。

作品出圈：SVG、网页和可驾驶的 3D 汽车

社区最先转发的不是跑分，而是作品。X 上有人用抽到的匿名模型生成中世纪像素城堡、可驾驶的 3D 汽车和直升机，也有 SVG 与单页网页 demo。

这些任务比“写一个函数”更复杂。模型要同时处理场景绘制、运动逻辑、镜头控制和用户输入，相当于把前端开发、空间建模与交互逻辑压进一次生成。

社区的兴奋点也在这里：如果这些作品来自尚未发布的国产模型，说明它们在长程任务、3D 代码和指令遵循上已经进入第一梯队。有人据此认为 Kibitz 可能创下开源模型新高，也有人把 Kalmia 与 GPT-6.1 Sol Ultra 放在一起比较。

需要强调的是，这些都是单条 demo 与个人体验，不是可复现的基准测试。Arena 的 Battle 模式本身也会带来抽样偏差：用户只能随机抽模型，无法控制对比条件。

线索一：Kimi 的 tokenizer 指纹与 k3.1 配置

Kibitz 与 Kimi 的关联，主要来自两条线索。

第一条是配置泄露。社区有人称，对 Kimi 官方域名下的配置接口发起请求时，返回内容包含切换目标 "to": "k3.1"，随后该配置被撤回。这条信息来自个人帖子，未被官方证实。

第二条是 tokenizer 指纹。AI Tracker Bot 表示，在两次测试中，Kibitz 对 11 个用于识别 Moonshot 模型的特殊 token 都出现乱码，表现与此前测试过的 Kimi 模型一致；来自其他 7 家实验室的模型则能准确复制这些内容。

这类“指纹”不是正式鉴定，但在匿名模型识别里是常见方法。它依赖模型对特定字符串的分词与生成习惯，比单看文风更稳定，也可能被后训练或推理配置干扰。

把时间线拉长，Kimi 的匿名测试有先例：Kimi K3 发布前，代号 Kivine 提前一天出现在 Arena；K3 最终在 2026 年 7 月 16 日发布，参数规模 2.8 万亿，上下文 100 万 token。

线索二：Qwen 4 的架构铺垫已经公开

Qwen 4 的线索更“官方”，但也更间接。

2026 年 8 月 26 日，Qwen 团队发布 Qwen3.8-Flash-Next，并在官方博客中明确把它定义为 Qwen 4 底层架构的实验预览。这个模型采用 Gated DeltaNet 与 Qwen Sparse Attention 的混合注意力，每四层里有三层 GDN、一层 QSA；同时引入 Gated Residual 与 N-gram Embedding。

按官方模型卡，Qwen3.8-Flash-Next 主模型 125B 参数、每 token 激活 6B，另有 51B 的 N-gram 嵌入表；原生上下文 262,144 token，可扩展到 100 万。官方称其训练成本约为上一代 Qwen3.7-Plus 的 1/9。

这套设计的目标很明确：用线性注意力压缩历史，用稀疏注意力做精确检索，再用 N-gram 表把参数容量放到 CPU 内存。它解决的是长上下文 Agent 任务的成本与延迟，而不是单纯堆参数。

2026 年 9 月 22 日，阿里巴巴在云栖大会确认 Qwen 4 正在训练，但没有公布发布日期、参数规模与许可方式。

与 Kibitz 类似，AI Tracker Bot 也对 Kalmia 做了分词器比对，方向指向 Qwen；但公开的 token 细节少于 Kibitz。

因此，Kalmia 与 Qwen 4 的映射目前只有分词器与发布节奏两类间接证据，强度低于 Kibitz 与 Kimi 的关联。

成本争议：1/14 是怎么算出来的

让讨论升温的还有成本。X 用户 ChrisGPT 分享了一组对比：同一个“build what you think you look like in Minecraft”提示词，GPT-6 Astra 用了 5,738 个方块、花费 5.31 美元；Kimi K3.1 用了 13,707 个方块、花费 0.38 美元。

按这组数字，Kimi K3.1 的成本约为对照组的 7%，也就是社区所说的“1/14”。但这是单次任务、单组提示词的结果，不是标准化价格表。

至少有三个变量会影响结论：输出长度不同（13,707 块远多于 5,738 块）、分词器与计费口径不同、Arena 展示的费用指标未必等于官方 API 定价。把它理解为“完成同一类任务的成本信号”比理解为“token 单价”更准确。

发布节奏：匿名测试通常意味着什么

过去两次旗舰发布，匿名测试都出现在官宣前几天。

Kivine 在 2026 年 7 月 15 日被大量讨论，Kimi K3 在 7 月 16 日发布；Kaleb 在 7 月 18 日出现，阿里巴巴在 7 月 19 日公布 Qwen3.8-Max。两次都是“先匿名、后官宣”，间隔不超过两天。

这也是社区当前判断“本周见”的主要依据。但它不是保证：匿名模型可能被撤回、改名，也可能只是内部评测版本，最终不以该代号发布。

截至 2026 年 10 月 23 日，Kimi 开放平台的模型列表仍只有 kimi-k3、kimi-k2.7-code 等已发布型号，没有 K3.1 的 API ID；公开渠道也未见 Qwen 4 的模型卡或权重。换句话说，发布预期成立，发布事实还没有发生。

三个尚未确认的问题

第一，身份映射没有官方确认。Kibitz 与 Kimi、Kalmia 与 Qwen 的对应关系，来自分词器特征、配置泄露与时间线，不是厂商声明。

第二，能力评价缺少可复现基准。3D 场景与 SVG 作品很直观，但提示词、随机种子、重试次数都没有统一，无法直接推导出“全面超越”或“比肩某模型”的结论。

第三，Qwen 4 的形态仍不明确。阿里只确认“正在训练”，没有说明 Qwen 4 是一个模型还是一个家族，也没有公布尺寸、上下文与开源策略。Kalmia 即使属于 Qwen 4，也不能代表整个家族的能力。

对开发者来说，等模型正式上线后，用同一组提示词、同一预算做 A/B，比看单条演示更有意义。七牛云 AI 大模型广场提供多模型统一入口与同屏对比，可用于这类同任务复核。

常见问题

Kibitz 和 Kalmia 能直接用吗？ 不能。它们只出现在 Arena.ai 的盲测对战里，没有公开 API、权重或定价，也不能指定抽取。

Kimi K3.1 什么时候发布？ 官方没有日期。ChainCatcher 援引的报道称“本周”，社区有“周二前”的说法，两者都属于未确认信息。

Qwen 4 已经发布了吗？ 没有。阿里在 2026 年 9 月 22 日确认 Qwen 4 正在训练，但截至 10 月 23 日没有模型卡、权重或 API。

这些 demo 能代表真实水平吗？ 只能作为方向性参考。判断模型能力，需要在固定提示词、固定预算、多次采样下做 A/B，而不是看单条高光作品。

结语

Kibitz 与 Kalmia 的真正意义，可能不在“谁更强”，而在于国产旗舰的发布方式变了：先把模型放进匿名竞技场，让真实用户在不知情的情况下投票，再由社区完成身份拼图，最后才是官方发布会。

这套流程把“发布”提前成了一场持续数天的公开测试，也让信息真空被各种推测填满。对读者来说，最稳妥的做法是区分三类信息：厂商确认的事实、可复现的测试，以及社区基于指纹与时间线的推测。

截至 2026 年 10 月 23 日，前两类仍然很少，第三类正在快速增加。Kimi K3.1 与 Qwen 4 是否会在本周落地，答案只能等官方模型卡。

参考资料