在给定的选项中，错误的说法是：**C:即使没有k值，依然可以建立KNN模型**。

### 分析：

1. **A: k值属于超参数**
- **正确**。在KNN算法中，k值是一个需要预先设定的超参数，它决定了用于预测的邻居数量。选择合适的k值对模型的性能至关重要。

2. **B: k 代表的是距离需要分类的测试点 x 最近的 k 个样本点**
- **正确**。k值确实表示用于分类或回归预测的最近邻样本的数量。KNN算法通过找出测试点最近的k个样本点的标签来进行预测。

3. **C: 即使没有k值，依然可以建立KNN模型**
- **错误**。KNN模型的核心即在于选择k个邻居，因此没有k值就无法定义邻居的数量，进而无法进行预测。

4. **D: k值对KNN算法极为重要**
- **正确**。k值直接影响算法的结果：k过小可能导致模型过拟合，而k过大可能导致模型欠拟合。

### 总结：
KNN算法的关键在于如何选择合适的k值，没有k值就无法确定邻居数量，因此选项C是错误的。K值的选择是KNN模型中至关重要的步骤，直接影响其预测性能。