[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-kimi-k3-grok-build-code-analysis-zh":3,"article-related-kimi-k3-grok-build-code-analysis-zh":31,"series-model-release-0de8d105-5bda-4eab-8cba-fb6f9515ec78":74},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":23,"views":27,"created_at":28,"published_at":29,"topic_cluster_id":30},"0de8d105-5bda-4eab-8cba-fb6f9515ec78","kimi-k3-grok-build-code-analysis-zh","Kimi K3讀懂82萬行 Grok Build 代碼","\u003Cp data-speakable=\"summary\">Kimi K3 在 82 萬行 Grok Build 代碼分析中解出 XOR 混淆提示詞，顯示它能處理超大程式碼庫。\u003C\u002Fp>\u003Cp>這次實測的重點很直接。作者把約 82 萬行的 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fxai-org\u002Fgrok-build\" target=\"_blank\" rel=\"noopener\">Grok Build\u003C\u002Fa> \u003Ca href=\"\u002Fnews\u002Fthree-step-postgresql-c-to-rust-rewrite-zh\">Rust\u003C\u002Fa> 代碼庫，交給 \u003Ca href=\"https:\u002F\u002Fwww.kimi.com\" target=\"_blank\" rel=\"noopener\">Kimi K3\u003C\u002Fa> 和 \u003Ca href=\"https:\u002F\u002Fopenai.com\" target=\"_blank\" rel=\"noopener\">OpenAI\u003C\u002Fa> 的 GPT 5.6 sol Ultra 一起分析。結果裡最搶眼的，是 K3 把 XOR 混淆的 system prompt 解出來了。\u003C\u002Fp>\u003Cp>這種測法很像真實工作。開發者面對的常常不是乾淨整齊的範例，而是龐大、凌亂、充滿歷史包袱的倉庫。能不能抓出結構、暗線和異常，往往比會不會寫一段示範程式更重要。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>項目\u003C\u002Fth>\u003Cth>數值\u003C\u002Fth>\u003Cth>含義\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>代碼規模\u003C\u002Ftd>\u003Ctd>約 82 萬行\u003C\u002Ftd>\u003Ctd>分析對象是超大 Rust 代碼庫\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>對比模型\u003C\u002Ftd>\u003Ctd>Kimi K3 \u002F GPT 5.6 sol Ultra\u003C\u002Ftd>\u003Ctd>作者做了雙模型全量分析\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>關鍵結果\u003C\u002Ftd>\u003Ctd>XOR 混淆 system prompt\u003C\u002Ftd>\u003Ctd>K3 成功解密隱藏提示詞\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>這次比的不是聊天，是讀大倉庫的耐力\u003C\u002Fh2>\u003Cp>很多模型評測，都在比短題目和固定題庫。這篇實測完全不同。它把一份真實的大型代碼庫丟進去，看模型能不能自己整理出工程脈絡。這種任務很吃上下文管理，也很吃資訊篩選。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784711003170-xiom.png\" alt=\"Kimi K3讀懂82萬行 Grok Build 代碼\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>82 萬行不是小數字。這代表模型不只要看懂函式名稱，還要理解模組切分、呼叫關係、設定流程和錯誤處理。只會摘要 README 的模型，遇到這種材料很快就露餡。\u003C\u002Fp>\u003Cp>對開發者來說，這才是實用能力。你在工作上花最多時間的，通常是接手別人的系統、翻舊碼、找隱藏邏輯。模型如果能先幫你畫出地圖，後面很多事都會快很多。\u003C\u002Fp>\u003Cul>\u003Cli>輸入材料：Grok Build 相關 Rust 代碼，約 82 萬行\u003C\u002Fli>\u003Cli>測試方式：兩款模型做全量分析\u003C\u002Fli>\u003Cli>輸出形式：整理成飛書文檔對比\u003C\u002Fli>\u003Cli>核心看點：能否挖出隱藏實作與工程設計\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>K3 讓人意外的地方\u003C\u002Fh2>\u003Cp>最有意思的點，是 K3 找到了 XOR 混淆後的 system prompt。這代表它不只是在做表層總結，還在追蹤刻意藏起來的線索。對安全分析、逆向工程、提示詞取證來說，這種能力很實際。\u003C\u002Fp>\u003Cp>如果模型只能列出目錄和模組名稱，那輸出通常很像流水帳。它看起來完整，實際上沒有多少洞察。能解密混淆內容，表示它在模式辨識和異常抓取上，已經有不錯的表現。\u003C\u002Fp>\u003Cp>這裡可以借一個業界共識。\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\" target=\"_blank\" rel=\"noopener\">Anthropic\u003C\u002Fa> 執行長 Dario Amodei 曾說過：\u003C\u002Fp>\u003Cblockquote>“I think one of the most important things for AI is to be able to understand and reason about code.” — Dario Amodei\u003C\u002Fblockquote>\u003Cp>這句話放在這次實測裡很合適。理解代碼，不是把函式翻成白話。它要抓到工程意圖、邊界條件和隱藏限制。K3 這次最有價值的地方，就是它確實往這個方向走了一步。\u003C\u002Fp>\u003Cp>當然，單次實測不能代表全部。這種帶有人為挑選材料的測試，可能會放大某個模型的長處。不過它仍然提供了明確訊號：\u003Ca href=\"\u002Ftag\u002F長上下文\">長上下文\u003C\u002Fa>和大規模代碼理解，已經不是只有少數國際模型能碰的題目。\u003C\u002Fp>\u003Ch2>和 GPT 5.6 sol Ultra 比，差別在哪\u003C\u002Fh2>\u003Cp>作者沒有公開完整逐項分數，但從敘述看，重點不在誰答對更多小題，而在誰挖得更深。\u003Ca href=\"https:\u002F\u002Fopenai.com\" target=\"_blank\" rel=\"noopener\">GPT 5.6 sol Ultra\u003C\u002Fa> 也參與了全量分析，代表這不是小樣本試跑，而是同場處理重負載材料。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784710984412-dkg6.png\" alt=\"Kimi K3讀懂82萬行 Grok Build 代碼\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這種比較方式，比單看 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa> 更接近真實工作。開發者真正需要的，通常是幾種能力一起出現：\u003C\u002Fp>\u003Cul>\u003Cli>快速建立整個代碼庫的結構圖\u003C\u002Fli>\u003Cli>抓住隱藏邏輯和異常實作\u003C\u002Fli>\u003Cli>把零散發現整理成可復核文檔\u003C\u002Fli>\u003Cli>在長文檔裡維持穩定資訊密度\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果把大模型當成代碼審計助手，後兩項尤其重要。會看見不夠，還要會寫出來。最後交付給團隊的，通常是一份能直接討論、能繼續追問的分析文檔。\u003C\u002Fp>\u003Cp>從這個角度看，Kimi K3 比較像一個能先做勘查的分析員。它不只是回答問題，而是在幫你縮短第一輪摸底的時間。這對大型團隊尤其有用。\u003C\u002Fp>\u003Ch2>這對開發者的實際意義\u003C\u002Fh2>\u003Cp>如果你是工程師，這條消息值得看。大模型正在從寫程式\u003Ca href=\"\u002Fnews\u002Fai-agent-tool-landscape-report-2026-07-zh\">工具\u003C\u002Fa>，走向讀程式工具。前者大家已經看膩了，後者才更接近生產環境。\u003C\u002Fp>\u003Cp>對國產模型來說，K3 這次讓人記住的不是口號，而是一個很硬的事實：它能處理真實世界裡那種又長、又亂、又有很多暗線的材料。這種能力若能穩定下來，會直接影響幾個場景。\u003C\u002Fp>\u003Cul>\u003Cli>代碼審計和安全排查\u003C\u002Fli>\u003Cli>遺留系統接手和文檔補全\u003C\u002Fli>\u003Cli>大型倉庫的模組梳理\u003C\u002Fli>\u003Cli>逆向分析和提示詞取證\u003C\u002Fli>\u003C\u002Ful>\u003Cp>我會把這次實測看成訊號，不是終局。它告訴我們，模型競爭已經不只是在聊天體驗上比手感，而是在比誰更像真正能進倉庫幹活的分析員。\u003C\u002Fp>\u003Cp>如果 Kimi K3 後續還能在更多真實專案裡維持這種資訊密度，它就不只是聊天模型。它會\u003Ca href=\"\u002Fnews\u002Fproject-glasswing-ai-security-layer-zh\">變成\u003C\u002Fa>很多團隊的第一輪代碼偵察工具。接下來最值得追的，是它在不同語言、不同倉庫、不同雜訊條件下，能不能維持同樣表現。\u003C\u002Fp>\u003Ch2>台灣團隊可以怎麼看這件事\u003C\u002Fh2>\u003Cp>台灣很多軟體團隊的現況很像。人少、系統舊、文件缺。這時候最缺的不是再多一個會講話的模型，而是一個真的能讀懂倉庫的工具。K3 這次的表現，剛好踩在這個痛點上。\u003C\u002Fp>\u003Cp>尤其在維運、資安、資料平台和內部工具開發場景，模型如果能先完成初步盤點，工程師就能把時間放在決策和修正，而不是從零翻資料。這種效率差異很實際，不用包裝成什麼神話。\u003C\u002Fp>\u003Cp>我自己的判斷很簡單。接下來評估模型時，別只看它能不能寫 demo。你更該看它能不能讀 10 萬行、50 萬行、80 萬行代碼，還能不能把重點講清楚。這才是接近真實價值的測法。\u003C\u002Fp>\u003Cp>如果你要做團隊內部測試，可以直接拿一個舊倉庫試試。先讓模型畫架構，再讓它找風險點，最後看它能不能把結果整理成可追蹤的清單。這比看宣傳頁面有用太多。\u003C\u002Fp>\u003Ch2>接下來該盯什麼\u003C\u002Fh2>\u003Cp>下一步，我會看三件事。第一，是 Kimi K3 在更多代碼庫上的穩定度。第二，是它在不同語言上的表現，尤其是 Python、Go 和 \u003Ca href=\"\u002Ftag\u002Ftypescript\">TypeScript\u003C\u002Fa>。第三，是它能不能把分析結果做成更可靠的工作流。\u003C\u002Fp>\u003Cp>如果它只是偶爾抓到亮點，那還不夠。真正有用的模型，得能在多次測試裡維持同樣的資訊密度，還要能讓工程師快速驗證。這才是團隊會願意反覆使用的原因。\u003C\u002Fp>\u003Cp>接下來最值得做的事很簡單：把你手上的一個中大型倉庫，丟給模型做一次完整盤點。看它能不能找到你早就忘掉的邏輯、過時設定和隱藏風險。答案通常會比你想像得更誠實。\u003C\u002Fp>","Kimi K3 在 82 萬行 Grok Build 代碼分析中解出 XOR 混淆提示詞，顯示它在長上下文與大規模程式碼理解上有實戰價值。","zhuanlan.zhihu.com","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2061787696230577762",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784711003170-xiom.png","model-release","zh","c86c8542-080b-4df4-84ac-bf1ef19cf3de",[17,18,19,20,21,22],"Kimi K3","Grok Build","XOR 混淆","大規模代碼分析","LLM 讀代碼","Rust",[24,25,26],"Kimi K3 在 82 萬行 Grok Build 代碼分析中解出 XOR 混淆的 system prompt。","這次測試重點是大倉庫理解能力，不是一般聊天或短題目表現。","對開發者來說，能讀懂大型代碼庫的模型，比只會寫 demo 的模型更實用。",0,"2026-07-22T09:02:38.007579+00:00","2026-07-22T09:02:37.987+00:00","365bf91d-2f2a-40b8-8744-200f9f0b2531",{"tags":32,"relatedLang":33,"relatedPosts":37},[],{"id":15,"slug":34,"title":35,"language":36},"kimi-k3-820k-rust-codebase-test-en","Kimi K3 handles an 820k-line Rust codebase","en",[38,44,50,56,62,68],{"id":39,"slug":40,"title":41,"cover_image":42,"image_url":42,"created_at":43,"category":13},"98e69dcf-3061-407f-b821-e37370180463","gpt-5-6-three-variants-lower-token-costs-zh","GPT-5.6 三版本登場，Token 成本更低","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784282584596-z26c.png","2026-07-17T10:02:36.272941+00:00",{"id":45,"slug":46,"title":47,"cover_image":48,"image_url":48,"created_at":49,"category":13},"0b89c453-80d5-4b7e-b183-d274c1907a0b","gpt-56-sol-terra-luna-digitalocean-ai-zh","GPT-5.6 三模型上線 DigitalOcean","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784273583159-7xfk.png","2026-07-17T07:32:36.367538+00:00",{"id":51,"slug":52,"title":53,"cover_image":54,"image_url":54,"created_at":55,"category":13},"735a41dd-c91a-4599-81fd-e429f84d39ba","grok-4-5-rise-five-numbers-zh","Grok 4.5 的上升靠這 5 個數字","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784235775330-7uyg.png","2026-07-16T21:02:31.759856+00:00",{"id":57,"slug":58,"title":59,"cover_image":60,"image_url":60,"created_at":61,"category":13},"dfad8ae3-1fd4-4167-ad8e-66afba6f0355","grok-4-5-one-prompt-agent-work-zh","Grok 4.5 讓一個提示詞跑完整個工作流","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784232197736-yho5.png","2026-07-16T20:02:54.058039+00:00",{"id":63,"slug":64,"title":65,"cover_image":66,"image_url":66,"created_at":67,"category":13},"910cf077-b134-47fd-b9f1-34432cf40ad6","kimi-api-quickstart-k27-code-highspeed-zh","Kimi API 快速上手加入 K2.7 Code 與 Highspeed","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784190787891-mhqq.png","2026-07-16T08:32:41.137799+00:00",{"id":69,"slug":70,"title":71,"cover_image":72,"image_url":72,"created_at":73,"category":13},"24de8ca9-18d2-4ef4-9e5c-0a0ed2b79469","chatgpt-gpt-live-voice-upgrade-zh","ChatGPT語音換上GPT-Live，順多了","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784160181308-zki4.png","2026-07-16T00:02:40.834392+00:00",[75,80,85,90,95,100,105,110,115,120],{"id":76,"slug":77,"title":78,"created_at":79},"58b64033-7eb6-49b9-9aab-01cf8ae1b2f2","nvidia-rubin-six-chips-one-ai-supercomputer-zh","NVIDIA Rubin 把六顆晶片塞進 AI 機櫃","2026-03-26T07:18:45.861277+00:00",{"id":81,"slug":82,"title":83,"created_at":84},"0dcc2c61-c2a6-480d-adb8-dd225fc68914","march-2026-ai-model-news-what-mattered-zh","2026 年 3 月 AI 模型新聞重點","2026-03-26T07:32:08.386348+00:00",{"id":86,"slug":87,"title":88,"created_at":89},"214ab08b-5ce5-4b5c-8b72-47619d8675dd","why-small-models-are-winning-on-device-ai-zh","小模型為何吃下裝置端 AI","2026-03-26T07:36:30.488966+00:00",{"id":91,"slug":92,"title":93,"created_at":94},"785624b2-0355-4b82-adc3-de5e45eecd88","midjourney-v8-faster-images-higher-costs-zh","Midjourney V8 變快了，也變貴了","2026-03-26T07:52:03.562971+00:00",{"id":96,"slug":97,"title":98,"created_at":99},"9e1044b4-946d-47fe-9e2a-c2ee032e1164","xiaomi-mimo-v2-pro-1t-moe-agents-zh","小米 MiMo-V2-Pro 登場：1T MoE 模型","2026-03-28T03:06:19.002353+00:00",{"id":101,"slug":102,"title":103,"created_at":104},"c4b6186f-bd84-4598-997e-c6e31d543c0d","cursor-composer-2-agentic-coding-model-zh","Cursor Composer 2 走向代理式寫碼","2026-03-28T03:13:06.422716+00:00",{"id":106,"slug":107,"title":108,"created_at":109},"e112e76f-ec3b-408f-810e-e93ae21a888a","apple-siri-gemini-distilled-models-zh","Apple Siri 牽手 Gemini 的真相","2026-03-29T04:52:57.886544+00:00",{"id":111,"slug":112,"title":113,"created_at":114},"c679b51f-194a-463b-87fc-7695256ff752","mimo-v2-pro-vs-omni-vs-flash-2026-zh","MiMo V2 Pro、Omni、Flash 怎麼選","2026-04-02T01:18:43.576128+00:00",{"id":116,"slug":117,"title":118,"created_at":119},"3b988fd7-6749-4f01-ba25-c0ad7486dc31","z-ai-glm-5v-turbo-design2code-claude-zh","GLM-5V-Turbo 在 Design2Code 贏了…","2026-04-02T04:03:36.31741+00:00",{"id":121,"slug":122,"title":123,"created_at":124},"975a7aef-030e-41a6-9401-1c6a342be68e","april-2026-ai-model-releases-zh","2026年4月 AI 模型更新追蹤","2026-04-02T08:45:33.308563+00:00"]