对一家印度健康科技公司来说，把用户的血糖和睡眠数据送去境外跑一次 AI 推理，不是成本问题，是合规红线。现在，Moonshot AI 的 Kimi K3 在 Amazon Bedrock 上多了一个选择：推理可以只发生在印度境内。
AWS 官方博客宣布，Amazon Bedrock 新增 Kimi K3 的印度境内推理（in-country inference）。调用 profile ID in.moonshotai.kimi-k3，推理处理被限定在孟买（ap-south-1）和海得拉巴（ap-south-2）两个 AWS Region。与此同时，全球 profile global.moonshotai.kimi-k3 仍然保留，被官方推荐用于大多数场景——成本最低、覆盖最广。
这看似只是 Region 选项表里多了一行，背后却是开放权重模型进入企业主流工作流的一个标志性动作。
一个 Region 选项，为什么值得 AWS 专门写博客
Kimi K3 是 Moonshot AI 于 2026 年 7 月 16 日发布的多模态开放权重基础模型，2.8 万亿参数、100 万 token 上下文窗口，原生支持视觉输入。Moonshot 称其发布即达到前沿级编码能力与通用智能体能力，也是迄今最大的开放权重模型之一。
这样一个以长上下文、长时编码和智能体任务见长的模型，此前在 Bedrock 上已经可以通过全球和美国地理推理 profile 调用。印度选项的意义不在"能不能用"，而在"数据能不能留下"。
AWS 的跨区推理（cross-Region inference）是全托管的：数据在 Region 之间加密传输，始终走在 AWS 网络内部，不经过公网，也不需要客户自己搭建多 Region 的 VPC 基础设施。而地理跨区推理（Geographic cross-Region inference）进一步把处理限制在指定地理边界内——美国、欧盟、亚太、日本、澳大利亚等地理区域各有对应 profile，专门服务有数据驻留和合规监管要求的组织。
印度，正是数据本地化监管最严格的市场之一。
数据驻留：开放模型的"入场券"，不是可选项
企业采用 AI 的最大障碍，往往不是模型不够强，而是数据不敢给。在金融、医疗、政务这些场景里，数据出境本身就等于项目终止。
所以 AWS 没有替客户做选择，而是把选择权交出去：你要最低成本，用全球 profile；你要数据不出境，用地理 profile。调用哪个 profile，就决定了哪些目标 Region 有资格处理你的请求。响应里还会带上 additionalEventData.inferenceRegion 字段，实际推理发生在哪个 Region，一清二楚，可审计。
这就是为什么 Ultrahuman 能把 Kimi K3 直接用在生产环境。这家班加罗尔公司的 AI 健康与 wellness 助手 Jade，每天要处理超过 14,000 次对话，用通俗语言回答用户问题，依据的是每个人自己的 Ring 指环数据和连续血糖监测数据。工程副总裁 Aditya Patawari 的说法很直白："通过已经在用的 API 接入一个领先的开放权重模型，健康数据留在 AWS 内，孟买作为 fallback Region。"
对一家处理健康数据的印度公司来说，这句话的分量比任何基准测试都重。
成本与性能：prompt caching 打中了长对话的七寸
Ultrahuman 给出的数字更有说服力：开启 prompt caching 之后，LLM 成本降低 80%，多轮对话速度提升 85%。
这个组合拳打得很准。健康助手的对话是典型的多轮、长上下文场景——用户的体征数据、历史记录、个性化偏好要反复带入。prompt caching 复用了这些重复上下文，既省钱又提速。Kimi K3 也是 Bedrock 上首个支持显式 prompt caching 的开放权重模型。对每天上万次对话的产品来说，80% 的成本降幅不是优化项，是商业模式能否跑通的分界线。
这也解释了为什么长上下文模型和地理推理会绑在一起落地。100 万 token 的上下文窗口让"把用户全部历史数据塞进一次调用"成为可能，而 prompt caching 让这种用法在经济上可承受，地理 profile 则让它合规。三者缺一不可。
本地化能力：不止是数据不出境，还要看得懂本地文档
AWS 这篇博客真正花篇幅演示的用例，是读取扫描的印地语文档、提取结构化数据，再用 Hinglish——印地语和英语的混用——回答后续问题。
这是印度金融服务和公共部门的高频刚需：KYC 表单、水电账单、各类证件需要数字化。Kimi K3 可以直接读取并推理含多语言文本的图像，不需要单独的 OCR 服务，也不需要翻译服务。对本地开发者来说，一套 API 就能解决"读图、理解、多语问答"的完整链条。示例代码已经开源在 AWS 的 sample 仓库里。
这件事的潜台词是：开放模型要拿下新兴市场，光有参数规模不够，还得能处理当地语言、当地文档、当地的混合表达习惯。
AWS 的算盘：把热门开放模型变成"合规水电煤"
把 Kimi K3 这样的中国开放权重模型拉进 Bedrock，再配上地理推理、prompt caching、零数据留存和统一的安全边界，AWS 在下一盘清晰的棋。
开放权重模型的优势是可控、可审计、可自托管；Bedrock 的优势是企业级安全边界、全球基础设施和托管运维。两者结合，客户既能享受开放模型的灵活性和成本优势，又不需要放弃企业级治理。AWS 称，数据在 Bedrock 的数据边界内处理，不会共享给模型提供方，也不会被用来训练底层模型。
此前，AWS 已经为 Claude 等模型推出日本等地区的地理推理 profile。现在轮到 Kimi K3。每多一个支持地理推理的热门模型，AWS 就多一批原本因为数据驻留而犹豫的企业客户；对 Moonshot AI 来说，进入 Bedrock 只是第一步，让印度、日本、欧洲的客户能在本地合规地调用，才是真正打开企业市场。
结论与展望
这场合作的赢家是双向的。Moonshot AI 拿到的是企业市场的合规通道，AWS 拿到的是开放模型生态的完整性。而真正的信号是：大模型竞争的重心，正在从"谁的参数更多"转向"谁能在客户的合规边界里跑得最便宜、最顺手"。
接下来值得盯两个方向：一是 AWS 会不会把地理推理扩展到更多新兴市场和更多开放模型，二是 Kimi K3 的开放权重生态能不能在自托管场景里复现 Bedrock 上的成本优势。前者决定市场边界，后者决定技术话语权。
开放模型的竞争，早就不是参数表的比拼。谁能把数据留在客户境内、把成本压进客户预算、把能力嵌进客户工作流，谁才真正拿到了企业市场的门票。
快报