让 Kimi K3 写个动画引擎,4 天就交了 5 件成品

前几天在 GitHub 上刷到一个项目叫 play-video，说是一个交互动画出片引擎，从代码到出片命令全是 AI 写的。我有点不信，就 clone 下来跑了一遍。

跑完之后我信了。5 个场景，每个都能动，每个都有配乐，鼠标划过去画面里的东西还会”受惊”。我把它录成了 GIF 放在下面，你可以直接看到效果。

然后我去翻了它的提交记录，发现这个项目从创建到现在只有 4 天，28 次提交，大约 5000 行代码。用的模型是 Kimi K3，就是月之暗面刚开源的那个 2.8 万亿参数的模型。

下面先看动画，再聊我读代码时注意到的一些事。

燕返

这是我最喜欢的一个。一张横线稿纸浮在画面里，上面写满手写信。一条红鲤从纸下游过来，字迹就开始变，一个字变成一只墨燕，跟着鲤鱼盘旋飞出纸面。飞了一圈之后，燕子一只只飞回来，落回原来的位置，重新变成字。

鼠标划过去的时候，纸上的燕子会受惊飞起来，过一会儿又落回去。我反复试了好几次，每次飞起来的轨迹都不一样，但录出来的视频每次都一模一样。这就是引擎做的事，后面细说。

星火星座

这个场景本身没什么故事。指尖划过，星火聚拢，散开，再聚成星座。10 秒就结束了。

但我把它放在第二位说，是因为它是引擎的验证场景。意思是，如果这个能跑通，说明确定性渲染、音画同步、出片管线全都通了。它是其他四个场景的地基。作者第一个做的不是这个，但它的存在说明引擎不是后来硬套上去的，是从一开始就验证过的。

提线木偶

这个场景的交互最直接。鼠标一动，木偶就被提起来，荡，甩飞。鼠标一停，线一松，木偶垂回去，不动了。

不需要任何文字说明，手放到鼠标上就懂。14 秒。

打字机 × 飞鸟

38 次击键，38 只燕子。每按一下，一只燕子从打字机上飞起来，嘴里叼着一根红线，把一个字母送上纸面。敲完一整句，纸面上落满一行字，天上飞过一群燕。

22 秒。我看了三遍，每次都在想，这个场景的配乐是怎么做的。打字机每响一下，正好一只鸟飞起来，声音和画面对得严丝合缝。后来读代码才知道，它们本来就是同一个触发点。

Control

最长的一个，26 秒。画面里铺着一张五线谱，音符安静地躺在上面。鼠标一划，音符像被吓到了，变成鸟散开，被线牵着到处飞。手一停，鸟儿慢慢飞回来，重新变成音符，落回谱子上。

这个场景把交互和叙事揉在了一起。你既是观众也是演奏者，你制造了混乱，也等来了恢复。五个场景里我觉得它完成度最高。

你可能觉得，这不就是用 p5.js 画个动画然后录屏嘛。我一开始也这么想。但读了代码之后发现，问题在于:交互式动画每次玩都不一样，鼠标划快划慢画面都不同，你怎么把它变成一个固定的视频？

引擎用了三层办法。第一层，随机数种子写死。build 函数里调一次 randomSeed，之后每行代码里 random 的调用顺序就锁定了画面。第二层，鼠标的移动轨迹提前编成一张时间表，一个数组，每一帧走到哪个坐标都定好了，渲染的时候照着走。第三层，两套时钟。你在浏览器里玩的时候走 requestAnimationFrame，帧率取决于你的屏幕;渲染的时候按固定的 1/30 秒一步一步推进，跟帧率无关。

三层叠在一起，同一条轨迹永远渲染出同一个视频。我试过，同一个 record.html 跑两遍，输出文件 hash 一样。

配乐是我觉得最聪明的地方。所有音效都只调一个函数，叫 emit。你在浏览器里玩的时候，这个函数用 Web Audio 立刻播放;渲染的时候它不播放，而是把时间戳记下来，之后用 Python 离线合成一段完整的配乐，再和视频混在一起。画面上的动作和配乐来自同一个触发点，所以永远对得上。打字机响一下，正好一只鸟飞起来，不是巧合，是同一个事件。

引擎里内置了 13 种合成音效。拨弦、打字机击键、扑翼、燕鸣、水流。每种音效在 JS 和 Python 里各写了一份，必须完全对齐。这是个隐患，以后加音效忘了同步就会出问题，但目前 13 种都对得上。

文档末尾有一份踩坑清单，8 条。我挑几个说。hyperframes 渲染器会把 HTML 扁平化，所有相对路径全部 404，症状是渲染出全白视频，日志报 Sub-composition timelines not registered。p5 加载字体只认 ttf，喂 woff2 会卡在 Loading 永远不出图。headless Chrome 跑完 dump 不退出，得强杀进程。这些坑不是写文档的时候编的，是真踩过，而且踩完能把症状和根因都说清楚。

这个项目从第一行代码到最后一条出片命令，全是 Kimi K3 写的。我翻了它的 git log,4 天 28 次提交，能看到一个很清楚的工作节奏。

7 月 18 号，第一天。它没有从某个场景开始堆代码，而是先做完了 Control 这个 26 秒的场景，然后立刻把通用部分抽出来变成引擎。engine 目录、scenes 目录、tools 目录，都是第一天建的。同时接好了 Vercel 部署。先做一个完整的东西跑通，再把公共部分抽象出来。这个节奏，说老实话，比我见过的一些人类工程师还好。

接下来三天，打字机、画廊首页、提线木偶、燕返，一个接一个上线。其中燕返这个场景，光燕子的画法就改了大约 20 版。我挨个翻了 commit message:最早是一笔弯刀墨痕，后来变成镰翼叉尾剪影，再变成椋鸟群结构，又试了骨骼链红鲤，中间还做了一次架构级重构，叫”可逆粒子编译器”。做完发现效果不对，果断回退，最后落在俯视图双翼对称挥翅。

改了 20 版，最后还敢推翻重来。这种长链条的自我修正，是这一代模型和上一代真正不一样的地方。以前的模型改两版就回不去了，越改越偏。

7 月 17 号发布的，WAIC 2026 前夕。月之暗面同时开源了，Apache 2.0，可以商用。

几个数字。总参数 2.8 万亿，目前全球最大的开源模型。但每次推理只激活大约 100 亿参数，这是 MoE 架构，稀疏激活，2.8 万亿是知识量，不是推理成本。上下文窗口 100 万 token，大概两部《三体》的量。原生支持视觉理解，能看图。马斯克在公开渠道给它点了赞。

长文本一直是 Kimi 的强项。K3 在此基础上加了一个注意力聚焦机制，不是把所有文字一股脑塞进去，而是自动找重点，跨章节建关联。短板也补了：第三方实测里，K3 在 HumanEval 代码生成上比 K2 涨了 22 个百分点，数学推理进了国产第一梯队。

第三方实测数据，不是官方基准，但趋势应该靠谱。

回到这个项目。引擎接口怎么设计、13 种音效在 JS 和 Python 两端怎么对齐、4 天 28 次提交怎么保持上下文一致，这些活儿光有代码能力不够，还得有足够长的上下文窗口才能记住前面做过什么。K3 这两样都有。

2.8 万亿参数的模型，自己部署的话光模型文件就超过 5TB，至少 8 张 H100。对绝大多数团队来说，直接调 API 是唯一现实的路。

共绩算力的大模型云服务已经上线了 K3，模型 ID 是 moonshotai/kimi-k3,和 GLM、DeepSeek、Qwen 放在一起。几个数：服务可用率 99.99%,延迟 69 毫秒，纯按量计费，没有订阅费，请求不记录不存储。

调用方式和标准 OpenAI SDK 一样，改两行就能跑：

from openai import OpenAI

client = OpenAI(
    base_url="见 console.suanli.cn/models",
    api_key="控制台获取",
)

resp = client.chat.completions.create(
    model="moonshotai/kimi-k3",
    messages=[{
        "role": "user",
        "content": "帮我设计一个 p5.js 交互动画引擎，要求确定性渲染，音画同源配乐"
    }],
    max_tokens=8192,
)
print(resp.choices[0].message.content)

共绩算力本身是清华系团队做的，国内首个专注 AI 推理的 Serverless GPU 平台。整合全国闲置算力，RTX 4090 实例低到 1.98 元一小时，按毫秒计费。也就是说你既可以调 API 用 K3，也可以租 GPU 跑自己的活儿，比如这种 ffmpeg 出片管线，同一个平台搞定。

跑完这个项目我有个感受。评测一个模型，跑分是一种方式，但更直接的是看它能不能做成一个完整的东西。这个项目把一个足够复杂的真实任务交给 K3，它交出来的是一套能跑的引擎，5 件作品，还有一份踩坑清单。

如果你想试试，去共绩算力控制台搜 Kimi K3，接进自己的工作流，从一个真实需求开始就行了。

项目地址:github.com/gnipbao/play-video

模型体验:console.suanli.cn/models