进入企业付费结算体系

根据 Baseten 与 OpenAI 的合作安排，企业用户可在 Codex 编程工具中直接调用 Kimi K3 等开源模型，相关调用费用计入企业已有的 OpenAI 采购承诺额度，无需新增供应商采购流程。也就是说，OpenAI 企业用户既可以通过 Codex，也可以通过 Responses API 调用 Kimi K3 等开源模型，从而在相同预算下获得更丰富的 AI 能力组合。

Kimi K3 的能力边界

Kimi K3 由月之暗面开发。官方宣称其是首个参数规模达到 2.8 万亿的开源模型，原生支持视觉能力，并拥有 100 万 Token 的上下文窗口，非常适合执行长时间编程、多文档分析等需要大量上下文支撑的任务。

一同进入该体系的还有智谱 AI 的 GLM 5.3，显示出 OpenAI 企业生态对中国开源模型的接纳正在从单点扩展到多模型并行。

出海与合规安排

在合规层面，Baseten 承诺其提供的所有模型均运行在美国服务器，并对所有提示词实行零数据保留（ZDR）策略。这一安排旨在满足企业客户对数据主权与隐私保护的诉求。

值得关注的是，这并非中国大模型出海的唯一进展。此前不久，亚马逊云科技旗下的大模型服务平台 Amazon Bedrock 已宣布接入 Kimi K3，标志着中国大模型公司首次以收入分成模式向全球头部云厂商输出模型能力。从 Bedrock 的分成合作到进入 OpenAI 企业结算通道，中国开源模型正在以更深层的方式融入全球 AI 基础设施体系。

时延首次压到 5.85 毫秒以内

浪潮信息介绍，SD200 Ultra 的 Token（词元）生成时延首次降至 5.85 毫秒以内，换算成单用户速度为 170 Tokens/s，达到业界平均水平的 5 倍。该机型还支持 10 万亿参数规模的前沿模型在单机运行。

Token 生成时延指大模型每输出一个词元所需的平均时间，是衡量推理响应速度的核心指标之一。这一数字越小，用户等待答案的时间越短。

128 颗本土芯片的紧耦合

SD200 Ultra 基于国产人工智能芯片打造，采用 3D Hyper Mesh 架构，紧耦合 128 颗本土 AI 芯片，提供 8TB 统一编址显存与 64TB 内存。系统采用原生内存语义通信，通信时延低至 0.69 微秒。

它通过全局统一编址、虚拟影子设备映射、跨域地址翻译与路由，实现 GPU 跨主机域的统一寻址访问，构建出百纳秒级的低时延内存语义互连域。借助对称内存技术，SD200 Ultra 首次在基于本土 AI 芯片的超节点上实现 GPU 显存直连，使 GPU 能够直接访问远端显存，官方称 AllReduce（全规约）通信时间降低 3.5 倍。

为 Kimi K3 定制超级算子

针对 Kimi K3 的推理，SD200 Ultra 使用 Kimi K3 构建了超级算子智能体，实现通算融合、Tile 级流水的超级算子，将 KDA、Gated MLA、MoE 中的基础算子进行融合。结果是算子数量降低 10 倍，推理性能提升 3 倍以上。

同期发布的元脑 HC2000 多元算力机组采用 DirectCom 2.0 极速架构，基于高密液冷 AI 整机柜，搭配 MCIS 推理软件栈，可动态匹配计算负载。官方称在同等投资下 Token 产能提升 10 倍。

Agent 时代的两类智算

浪潮将 Agent（智能体）时代的 AI 计算划分为两个方向：能力型智算（Capability AI Compute）支撑突破智能上限，容量型智算（Capacity AI Compute）实现智能的充分供给。

其判断依据是模型规模的一组变化：前沿模型参数已从 DeepSeek R1 的 6710 亿增长到 Kimi K3 的 2.8 万亿，并走向 10 万亿级；上下文长度从 128K 扩展到 1M 以上；Agent 从单体走向成百上千个协同。模型权重、键值缓存（KV Cache）与并发任务规模同步增长，对显存容量、高速互连和并行扩展效率提出更高要求。

复杂 Agent 任务包含大量”推理—工具调用—反馈—重新规划”循环，每一轮时延都会累积。浪潮信息表示，时延已不只是体验指标，还可能影响任务能否及时完成。这类任务往往需要连续运行数小时甚至数天，期间经历大量模型调用、工具调用与数据交互，任何计算、通信或软件故障都可能中断任务。

（本文基于 IT之家及多家媒体报道整理）

分数差一点，价格差一大截

在 Cognition 自己的 FrontierCode 1.1 Main 基准上——这套基准考察的是 AI 写的拉取请求是否真会被人类维护者合并——SWE-2 拿到 50.0%。同一测试中，Anthropic 的 Fable 5.1 为 50.9%，OpenAI 的 GPT-6 Astra 为 53.3%，xAI 的 Grok 4.6 为 48.0%，而 Cognition 的上一代 SWE-1.7 为 42.0%。

也就是说，SWE-2 与 Fable 5.1 只差 0.9 分。Cognition 称，达到这个分数的计算成本比 Fable 5.1 低 64%，部分媒体把多个基准上的节省概括为”最多 70%”。

值得注意的是，SWE-2 是在月之暗面的开源模型 Kimi K3 基础上后训练而来，Kimi K3 的参数规模为 2.8 万亿。Cognition 同时表示，这是首次把强化学习扩展到数万亿参数规模。

便宜的原因：少走弯路

SWE-2 是 Cognition 首个支持”投入档位”的模型，提供 medium、high、max 三档，让使用者按任务难度在成本与智能之间取舍，且三档是在同一次强化学习训练中端到端训出来的，而不是分别训练再拼装。

效率上的变化相当明显。在 FrontierCode 1.1 Main 上，SWE-2 的 medium 档得分高于 SWE-1.7，同时平均少用 58% 的轮次、成本低 81%。更直观的一个数字是：SWE-2 medium 在中位数 18 步之后就做出第一次实质性代码修改，而 SWE-1.7 需要 48 步。

原因并不神秘。SWE-1.7 习惯先把代码库翻个底朝天再动手，这在难题上是优势，在简单任务上就成了过度探索。SWE-2 判断力更强，能更早分辨哪部分代码与当前任务真正相关，于是更快进入实现阶段。按官方说法，最大的效率提升来自”聚焦式探索”。

Cognition 还列出了几条内部测试中观察到的行为差异：SWE-2 更擅长写端到端覆盖的测试，更能抓到回归和边界情况；在常规路径被堵住时更愿意换一条路走，比如某次所需的 MCP 集成不可用，它转而从已获得的 Slack 频道记录里重建了数据；在被质疑时倾向于重新推导结论而不是重复原来的说法。三档之间的风格也有区别，medium 上手快、适合中低难度任务，high 和 max 在复杂任务上规划更多、验证更充分。

但硬骨头上还是被拉开

如果只看上面这些数字，SWE-2 像是一次全面胜利。但 Cognition 在自己的发布里也放出了不利的一面：在难度更高的智能体基准 Terminal-Bench 4 上，SWE-2 只拿到 27.3%，而 Fable 5.1 为 55.8%，GPT-6 Astra 为 57.9%。这不是四舍五入能抹平的差距，它说明 SWE-2 的成本优势在日常编码任务上成立，在最难的智能体任务上还撑不住。

怎么用、多少钱

Cognition 这次没有单独开放 API，也没有公布价格表或模型权重，而是把 SWE-2 直接并入了 Devin 现有的订阅：Pro 及以上档位可以无限使用，起步价每月 20 美元。现有的 Pro、Max 与 Teams 订阅用户有一个月的窗口期，其间 SWE-2 的用量完全不计入配额。

还有一点需要说明：上述所有分数与成本对比都由 Cognition 自行报告，FrontierCode 也是该公司自己的基准，”首次将强化学习扩展到数万亿参数”同样是未经独立验证的说法。对正在 Cursor、GitHub Copilot 与各类编码智能体之间做选择的团队来说，判断依据最终还是要看它在真实代码库里交出来的东西需不需要重写。

图片来源：Cognition 官方博客

两个月，年化收入从 3 亿到 10 亿美元

推动这轮跃升的关键节点是 7 月发布的旗舰模型 Kimi K3。知情人士称，月之暗面的年度经常性收入（ARR）在 8 月突破 10 亿美元，较 6 月的约 3 亿美元增长超过两倍。若年底目标兑现，意味着其年化收入将在半年时间内增长逾 6 倍。

需要厘清的是，年化收入并不等于已经到账的收入。ARR 是按照当前一段时间的收入速度外推一年得出的指标，用于衡量业务运行规模与未来收入潜力。月之暗面目前仍未上市，没有公开经过审计的完整财务数据，因此 10 亿美元与 20 亿美元都应视为知情人士披露的预期口径。

Kimi K3 之所以能迅速转化为商业需求，原因在于性能与成本的双重优势。这款模型拥有 2.8 万亿参数，在编程、复杂推理和长任务处理等测试中表现突出，并在部分第三方基准测试中跻身全球领先模型行列，使用成本却明显低于美国部分顶级竞品。

需求的热度一度超出供给能力。Kimi K3 发布后不久，月之暗面曾因算力不足暂停新的消费者订阅，当时公司表示模型上线后的用户请求量远超预期，现有计算集群接近承载极限。对一家仍在扩张期的公司而言，”需求超过算力供给”本身成为投资者判断其商业化潜力的信号。

从消费者订阅走向云端与企业客户

月之暗面的收入结构正在从单一的消费者订阅，向接口调用、企业服务与海外云平台托管扩展。对于拥有 2.8 万亿参数的 K3 而言，绝大多数企业并不具备自行部署如此规模模型的能力，云平台因此成为重要的商业化渠道。

据报道，公司正与微软、亚马逊和谷歌就 Kimi K3 的云端托管和收入分成进行谈判，希望从相关服务收入中获得最高约 30% 的分成。在企业侧，月之暗面近期组建了工程师团队，帮助亚信科技、金山云控股等客户部署其模型。早期公司主要在程序员与个体创业者中取得突破，如今正寻求规模更大的企业客户以支撑后续增长。

资本市场也在同步升温。月之暗面目前正以约 500 亿美元估值进行新一轮融资，这一估值与智谱目前的市值大致相当。有市场消息称，公司已秘密向香港交易所提交首次公开募股申请，最快可能在今年完成上市。

中国大模型公司的收入座次

横向对比更能看出这轮增长的含金量。MiniMax 披露，今年 8 月其 ARR 达到 8 亿美元；智谱的年化收入在 7 月突破 10 亿美元后，同期进一步升至 16 亿美元。相比之下，月之暗面 8 月约 10 亿美元的体量，已经使其进入中国大模型公司的第一梯队，并成为智谱与 MiniMax 的直接竞争者。

不过放在全球尺度上，中国人工智能开发商在收入规模上仍明显落后于美国的前沿实验室。OpenAI 与 Anthropic 凭借更早的企业级布局，年化收入仍高出数量级。

真正棘手的问题对所有玩家一视同仁：训练和运行前沿模型需要采购大量图形处理器、建设数据中心，并承担巨额电力与推理成本。收入快速增长并不自动等于高利润的商业模式，砸下去的基础设施投入最终能否产生足够回报，仍是投资者长期关注的悬案。

Kimi K3 已经明显改变了月之暗面的增长曲线。接下来的看点在于，这款模型能否持续保持技术领先，以及这波热度能否转化为稳定的企业合同、接口收入和海外云服务收入。

一台笔记本，跑万亿级模型

WASTE 全称 Weight-Aware Streaming Tensor Engine（权重感知流式张量引擎），用 C 语言编写，运行时不依赖任何第三方库，没有 BLAS，没有 ONNX，推理路径里也没有 Python。

它给出的成绩单是：Kimi K3 转换后形成一个 982 GiB 的容器文件，引擎启动的内存下限为 29.05 GB，在 64GB 内存的机器上实测速度为每秒 0.45 到 0.62 个词元。项目文档里贴出的一次实际运行记录显示，回答”意大利的首都是哪里”这个问题，输出 16 个词元耗时 25.78 秒。

这个速度确实慢。但开发者认为，慢不是重点：目前没有找到另一份公开的、在消费级机器上通过磁盘流式运行万亿级模型的演示，而业内记录最完整的 6710 亿参数方案，前提是一台配备 1TB 内存的服务器。

原理：把闲置的权重放回硬盘

这套方案能成立，靠的是混合专家架构的稀疏特性。Kimi K3 每处理一个词元，只会从 896 个路由专家中激活 16 个，实际参与运算的权重约占总量的 4%。绝大部分权重在任一时刻都处于闲置状态，而闲置的权重不需要待在内存里，只需要”能及时取到”。

WASTE 的做法是把模型主干常驻内存，专家权重留在硬盘上，并按特定布局排列——每条专家记录按 4KiB 对齐，门控、上投影、下投影三个矩阵相邻存放，因此路由到一个专家只需要一次读取操作，而不是三次。剩余内存全部用作有界的专家缓存。

真正拉开差距的优化有两项。一是把专家读取与算术运算重叠执行，收益约 1.6 倍。二是”抢跑”：下一层的专家编号本来要等隐藏状态算出来才知道，但路由器本身是常驻内存的，于是引擎在每层结束时，直接用当前层的隐藏状态去跑下一层的路由器，提前把它点名的专家取回来。这个提前一个残差块的猜测，排名第一的命中率为 92%，前六名合计 81%，把缓存命中率从 14% 拉到 38%，而总读取字节数完全不变。

专家权重采用残差矢量量化存储，三级 256 条目码本作用于 8 维向量，平均每个权重 3.00 比特；模型主干则保持 4 比特和 8 比特精度。开发者试过把主干也压到 3 比特，结果输出直接崩溃。

硬盘速度决定一切

文档反复强调，存储速度不是细节问题。处理一个词元需要读取 17GB 的专家数据，走内部固态硬盘的实测带宽是每秒 12.78GB，模型能流畅串起来；换成 USB 外置硬盘只有每秒 0.94GB，同一个词元要等 13 秒。结论很直接：外置硬盘只用来下载，转换后的容器必须放在机器内置的 NVMe 上。

内存预算也存在反直觉的现象。在 64GB 的机器上，46GB 预算跑出 0.53 到 0.55 词元每秒，是曲线最高点；而预算调到 52GB 时结果在 0.04 到 0.46 之间剧烈跳动，完全不可复现；调到 58GB 更是稳定跌到 0.02 至 0.03。原因不是缓存失效，而是引擎虽然守住了自己的预算，机器整体却已经放不下，操作系统开始换页。

对于不想拿出一整块 TB 级硬盘的人，同一套引擎和格式可以运行 Kimi-Linear-48B，容器只有 19GB，内存门槛 1.87GB，速度能到每秒 10.7 个词元。

意义在哪

开发者对项目名字的解释是：每一个由云端服务生成的词元都被付费了两次，一次是账单，一次是数据中心的电费——而那个模型本可以（勉强、别扭但确实可以）跑在已经摆在桌上的硬件里。

这套方案指向的场景很明确：一个前沿规模的模型，回答问题时不需要联网，没有按词元计费的账单，也没有任何数据离开本机。对于”这些数据不能发给外部接口”的场合，差别就是能做和不能做。

作为验证对象的 Kimi K3 于 7 月 27 日由月之暗面公开权重，总参数量 2.8 万亿，支持 100 万词元上下文与原生视觉理解，是目前参数规模最大的开放权重模型。WASTE 项目方称，引擎和格式本身并不特别针对 K3，选它只是因为它是当下最难啃的一块骨头——能流式跑通 2.78 万亿参数，跑 480 亿参数自然轻松。

来源：GitHub 开源项目 sqliteai/waste 项目文档、Hacker News；Kimi K3 参数信息来自月之暗面官方发布

更能说明热度的是平台的临场反应。据《科创板日报》报道，Kimi K3 上线后，API 请求量远超超算互联网平台的预期。为了满足不同层次用户的需求，平台在原有按量计费的基础上，紧急推出了「Token Plan」包月订阅模式，采用精细化积分计费，并兼容主流终端与 AI 编程工具。一款开源模型逼得国家级算力平台连夜加推套餐，这样的场面并不多见。

全球最大开源模型，全链条开放

Kimi K3 的分量确实够重。它采用混合专家（MoE）架构，总参数量达到 2.8 万亿，约为前代 K2.5 的 3 倍，是目前全球参数规模最大的开源大模型。本次开源采用修改版 MIT 许可证，覆盖模型权重、技术报告，以及支撑 K3 训练的三项底层基础设施技术：MoonEP、FlashKDA 和 AgentEnv。

这三项技术是 K3 在算力受限条件下实现高效训练的核心支撑。按官方介绍，MoonEP 是专为超大规模细粒度 MoE 打造的高性能通信库；FlashKDA 是 Kimi Delta 注意力机制的高性能算子实现，在英伟达 H20 芯片上预填充速度较基线提升 1.72 至 2.22 倍；AgentEnv 则是联合 KVCache.ai 开发的智能体沙箱系统，支持环境快照、恢复与分叉，用于大规模多智能体并行训练。

在架构层面，K3 结合 Stable LatentMoE 框架，可以在 896 个专家中高效激活 16 个，再加上训练方法和数据配方的优化，整体规模化训练效率相比 K2 提升约 2.5 倍。

半小时登顶，产业链「零日适配」

开源消息放出后，全球开发者社区的反应相当激烈。Hugging Face 首席执行官 Clem Delangue 公开表示，Kimi K3 上线仅 30 分钟便收获超过 4000 个点赞，登顶平台趋势榜榜首，创下 Hugging Face 成立以来最快的发布增长纪录；上线前半小时，已有近 3700 名开发者在排队等待下载。

产业链的跟进速度同样罕见。中国市场方面，华为昇腾 CANN 宣布昇腾 950 全系列、Atlas A3 产品完成 Kimi K3 部署适配；阿里云真武 M890 超节点实例实现首日适配，千问 AI 平台与阿里云百炼后续也将上线 Kimi K3 的 API。海外方面，Nebius、Baseten、Fireworks 等主流 AI 基础设施厂商均宣布首日完成适配，Nebius 更是评价 Kimi K3 为「首个达到前沿性能水平的开放权重模型」。

国家级算力平台入场意味着什么

国家超算互联网此次的快速跟进，对开发者是实打实的利好。此前想跑通一个万亿级参数模型，要么自建昂贵的 GPU 集群，要么依赖海外云服务；现在通过国家级算力平台，下载、部署、API 调用一站式打通，新推出的包月订阅还让中小团队能以更可控的成本用上顶级开源模型。

对月之暗面而言，这也是商业化提速的一环。该公司总裁张予彤此前披露，K3 发布后企业年度经常性收入（ARR）实现数倍增长，6 月中旬已突破 3 亿美元；其新一轮融资也已启动，投前估值涨至 315 亿美元。开源模型、国家算力、云厂商三方合流，Kimi K3 的这波热度，恐怕还要持续一段时间。

来源：36氪《超算互联网AI社区上线Kimi K3相关模型及API调用服务》、科创板日报、每日经济新闻

2.8万亿参数背后的技术账

Kimi K3 采用混合专家（MoE）架构，总参数量高达 2.8 万亿，内置 896 个路由专家，每个 token 仅激活其中 16 个。这意味着虽然参数规模惊人，但单次推理的实际计算量只是总参数的一小部分，兼顾了规模与效率。

模型的另外几项核心规格同样抢眼：上下文窗口达到 100 万 token（精确值为 1,048,576），可以直接处理整个代码库或超长文档；原生支持视觉能力，文本、图片、视频输入共用同一个模型，无需外挂视觉适配器。

支撑这些能力的是两项架构创新——Kimi Delta Attention（KDA）混合线性注意力和 Attention Residuals（注意力残差）。官方技术报告显示，与上一代 K2 相比，K3 的参数规模扩大约 3 倍，整体扩展效率反而提升了约 2.5 倍。

除模型权重外，月之暗面还同步开源了三项训练基础设施：面向超大规模 MoE 的高性能通信库 MoonEP、KDA 高性能算子 FlashKDA（在英伟达 H20 上预填充速度较基线提升 1.72 至 2.22 倍），以及与 KVCache.ai 合作开发的智能体沙箱系统 AgentEnv。

海外平台为何抢着上架

Telnyx 在发布说明中列出了接入 Kimi K3 的理由：可配置的推理强度（低、高、最大三档）、函数调用与 JSON 结构化输出、默认开启的提示词前缀缓存——这些都是构建智能体应用的关键能力。在 Telnyx 平台上，K3 与 Kimi K2.6、GLM-5.2-FP8、MiniMax M3 等模型并列可选。

Telnyx 还给出了一个耐人寻味的判断：AI 行业的竞争优势，正在从「谁能造出最聪明的模型」转向「谁掌握决定每个请求跑在哪里的基础设施」，而 K3 的出现恰恰说明，模型侧的问题正在被开源力量解决。该公司认为，K3 在编程、推理和智能体任务的基准测试中已能与海外头部闭源模型正面竞争，「开源与前沿实验室的差距没有想象中大，某些场景甚至已经追平」。

生态连锁反应已经出现

开源发布后，产业链反应迅速：阿里云千问平台宣布上线 K3；华为昇腾完成「零日适配」，这是首个在中国自研芯片上跑通的开放 3 万亿级模型。投行也给出了评价——摩根士丹利称，Kimi K3 证明中国大模型在规模、性能、定价三个层面实现了全方位追赶；高盛则认为，中国开源模型的智能水平已达到全球大规模普及的临界点。

不过，「开源」不等于「人人可用」。2.8 万亿参数的体量意味着本地部署门槛极高，仅加载模型就需要至少 10 张 GB300 级别的 GPU。也正因如此，K3 上线后不久便因算力紧张暂停了新用户订阅——对绝大多数开发者而言，通过云平台调用 API 仍是现实的选择，这也解释了海外推理平台为何急于第一时间上架。

来源：Telnyx 官方发布说明、Hacker News、Pandaily、腾讯新闻

性能逼近全球最强模型

Kimi K3 的综合能力在多项基准测试中表现突出。在 GDPval-AA v2 测试中——该测试覆盖 44 个职业和 9 大行业的真实任务——Kimi K3 以 1687 分排名第三，仅次于 Anthropic 的 Claude Fable 5 Max（1815 分）和 OpenAI 的 GPT-5.6 Sol Max（1747.8 分）。

在长时程知识工作的专项测试 AA-Briefcase 中，K3 甚至以 1527 分超越了 GPT-5.6 Sol Max（1495 分），跃居第二。更令人瞩目的是，在需要长时程高难度信息检索的 BrowseComp 基准测试中，K3 取得了 91.2 分（满分 100 分）的最优成绩。

在真实任务自动化测试中，Kimi K3 在 8 项基准测试中有 4 项排名第一，包括 Automation Bench、SpreadsheetBench 2 和 BrowseComp 等。

值得注意的是，UC Berkeley 开发的 AI 评测平台 Arena 发布的数据显示，K3 在前端代码竞技榜中以 1679 分登顶，超越了 Claude Fable 5。

技术架构突破

Kimi K3 采用了月之暗面内部自研的两项关键架构创新：Kimi Delta Attention（一种混合线性注意力机制）和 Attention Residuals（残差连接的替代方案，能在模型规模扩大时提供更稳定的性能提升）。这两项技术此前都已在 GitHub 上作为开源研究发布。

模型拥有 100 万 token 的上下文窗口、原生视觉理解能力，以及始终开启的推理模式（”thinking mode”）。在百万 token 场景下，解码速度最高可提升 6.3 倍。

API 和定价

Kimi K3 的 API 兼容 OpenAI SDK，降低了开发者的集成门槛。定价方面，输入 tokens 为每百万 3 美元，输出 tokens 为每百万 15 美元，缓存输入 tokens 仅为每百万 0.30 美元——性能接近顶级闭源模型，但定价仅为 Anthropic Opus 4.8 的一半左右。

权重计划于 2026 年 7 月 27 日公开发布。用户也可直接访问 kimi.com 免费体验这款模型。

行业意义

月之暗面的 K3 发布时机恰逢 2026 年世界人工智能大会在上海举办。此前，中国开源模型通常被认为落后于美国顶尖模型半年以上。K3 的表现正在挑战这一认知。

开源模型社区的普遍反应是：”开源模型不再落后西方闭源模型六个月了。”这意味着开源 AI 运动正在经历一个转折点——在模型能力接近的情况下，开源模型的可定制性和低成本优势将更加突出。

相关新闻：Anthropic 15 亿美元版权和解获法院批准

2026 年 7 月 20 日，旧金山联邦法院正式批准了 AI 公司 Anthropic 与作者群体之间的 15 亿美元版权集体诉讼和解协议。这是美国版权诉讼史上最大的和解金额。

该诉讼指控 Anthropic 在训练 Claude 模型时，未经授权使用了约 48 万部版权作品。此前主审法官 William Alsup 已裁定，用版权作品训练 AI 模型属于”合理使用”，但 Anthropic 从盗版网站下载并存储数百万册图书的行为本身违法。Anthropic 最终选择和解，避免了陪审团审判可能开出的更高罚单。

根据协议，95% 以上的权利人已认领赔偿，每部作品平均获赔约 3000 美元。

信息来源：MIT Technology Review、Reuters、VentureBeat、钛媒体