Kimi K3 是什麼？2.8 萬億參數開源大模型核心規格
2026 年 7 月 16 日，月之暗面發布 Kimi K3——2.8 萬億（2.8T）參數的稀疏混合專家（MoE）模型，超越此前紀錄保持者 DeepSeek V4 Pro（1.6T）近 75%，是小米開源模型（1.02T）的 2.7 倍，是阿里（397B）的 7 倍有餘。低調上線與巨大體量形成鮮明對比：一份技術部落格、一個定價頁面、一個可立刻呼叫的模型 ID kimi-k3。
K3 採用 896 個專家、每次推理啟用 16 個（稀疏度 1.8%）；配合 100 萬 token 超長上下文（約等於一次性讀完 5 本《紅樓夢》全文）及原生視覺理解，專為複雜程式設計、長文件推理與知識工作設計。一句話總結：開源的、可原生理解圖像與影片的、擁有超長記憶的重量級程式設計 AI，價格比 Claude Opus 4.8 便宜 40%，完整權重將於 7 月 27 日對外開源。
規模衝擊：DeepSeek 崛起後月之暗面市場份額一度大幅縮水，K3 是戰略反擊——過去 12 個月 Kimi 系列有 9 個月佔據開源模型規模上限。
發布時機：恰在 2026 世界人工智慧大會（WAIC）開幕前夜，7 月 17–20 日預計更多發布。
商業化爆發：截至 2026 年 6 月 ARR 突破 3 億美元，今年內完成第 6 輪融資，投前估值 315 億美元；API 收入佔七成以上，海外付費使用者成長 400%。
長上下文痛點：傳統全注意力在百萬 token 下 KV 快取記憶體呈毀滅性成長，K3 的 KDA 機制正是為此而生。
程式設計 Agent 需求：SWE Marathon 等長時程程式碼任務需要模型在數小時工作階段中保持上下文連貫，1M 視窗 + 快取命中 90%+ 是核心賣點。
| 參數 | 數值 |
|---|---|
| 總參數量 | 2.8 萬億（全球最大開源模型） |
| 架構 | KDA + AttnRes + Stable LatentMoE |
| 啟用專家 | 16 / 896（稀疏 MoE，1.8%） |
| 上下文視窗 | 1,048,576 tokens（1M） |
| 輸入模態 | 文字、圖像、影片 |
| 推理模式 | Always-on max effort（low/high 後續更新） |
| 開源權重 | 2026 年 7 月 27 日 Hugging Face |
Kimi K3 架構創新與基準測試：KDA、AttnRes 與 Stable LatentMoE
Kimi Delta Attention（KDA）是混合線性注意力機制：以 3:1 比例交替線性注意力層與全注意力層——3 個線性層處理局部結構（計算廉價），1 個全注意力層保留全域資訊流。結果：KV 快取記憶體減少高達 75%，百萬 token 上下文下解碼速度提升高達 6.3 倍，短/長上下文與強化學習擴展場景均超越純全注意力基線。
Attention Residuals（AttnRes）改造深度維度殘差連接：標準殘差會稀釋早期層關鍵表徵；AttnRes 引入選擇性檢索，模型可跨越深度直接拉取更早層高價值表徵，帶來約 25% 訓練效率提升，額外計算開銷不足 2%。
Stable LatentMoE在 896 專家 / 16 啟用的極端稀疏度下穩定訓練，配套技術如下：
| 技術 | 作用 |
|---|---|
| Quantile Balancing | 從路由器得分分位數直接推導專家分配，消除啟發式超參 |
| Per-Head Muon | 針對每個注意力頭獨立最佳化，使大規模訓練更自適應 |
| Sigmoid Tanh Unit（SiTU） | 改進啟用函數控制 |
| Gated MLA | 提升注意力選擇性 |
綜合以上創新，K3 相較 Kimi K2 整體擴展效率提升約 2.5 倍。月之暗面自報基準數據如下（不同模型使用各自推理 harness，獨立第三方復現仍在進行）：
| 基準測試 | Kimi K3 | Claude Fable 5 | GPT-5.6 Sol | Claude Opus 4.8 | GLM-5.2 |
|---|---|---|---|---|---|
| DeepSWE | 67.5 | 70.0 | 73.0 | 59.0 | 46.2 |
| Program Bench | 77.8 | 76.8 | 77.6 | 71.9 | 63.7 |
| Terminal Bench 2.1 | 88.3 | 84.6 | 88.8 | 84.6 | 82.7 |
| FrontierSWE | 81.2 | 86.6 | 71.3 | 66.7 | 67.3 |
| SWE Marathon | 42.0 | 35.0 | 39.0 | 40.0 | 13.0 |
| BrowseComp | 91.2 | 88.0 | 90.4 | 84.3 | — |
| Automation Bench | 30.8 | 29.1 | 29.7 | 27.2 | 12.9 |
| GPQA-Diamond | 93.5 | 92.6 | 94.1 | 91.0 | 91.2 |
| MMMU-Pro（視覺） | 81.6 | 81.2 | 83.0 | 78.9 | — |
| OmniDocBench | 91.1 | 89.8 | 85.8 | 87.9 | — |
SWE Marathon 專門測試持續性長程式碼工作——K3 以 42.0 大幅領先排名第一；Artificial Analysis Intelligence Index v4.1 中 K3 以 57.1 分排名第四，緊隨 Claude Fable 5（59.9）與 GPT-5.6 Sol（58.9）之後，差距僅 2.8 分。
Kimi K3 定價多少？與 Claude、GPT、DeepSeek 成本對比
K3 標準價與 Claude Sonnet 5 持平（$3/$15 per 1M tokens），但提供 5 倍上下文視窗（1M vs 200K）。快取命中價格低至 $0.30/M（標準價 1/10），月之暗面報告程式設計場景快取命中率超過 90%，實際有效輸入成本極低；OpenRouter 7 日加權平均證實有效輸入成本約 $0.55/M。
| 模型 | 輸入（$/M） | 輸出（$/M） | 快取命中輸入 | 上下文 |
|---|---|---|---|---|
| Kimi K3 | $3.00 | $15.00 | $0.30 | 1M |
| Claude Sonnet 5 | $3.00（促銷 $2） | $15.00（促銷 $10） | — | 200K |
| Claude Opus 4.8 | $5.00 | $25.00 | — | 200K |
| GPT-5.5 | $5.00 | $30.00 | — | 400K |
| DeepSeek V4 Pro | $1.74 | $3.48 | $0.145 | 128K |
| Kimi K2.6 | $0.95 | $4.00 | $0.16 | 256K |
相較 Claude Opus 4.8，K3 在多項基準上更優，輸入成本僅 60%、輸出成本僅 40%。中國大陸 API 定價：輸入 ¥20/M、輸出 ¥100/M、快取命中 ¥2/M；消費者版在 Kimi.com 免費帳號即可使用，預付費方案 ¥199 起（優惠截至 8 月 11 日）。
如何立即使用 Kimi K3？四種接入方式與六步 Runbook
Kimi 網頁/App（最簡單）：造訪 kimi.com，註冊帳號（支援 Google 帳號），K3 預設以最大推理力度執行，無需信用卡。
取得 API Key：在 platform.kimi.ai 註冊開發者帳號，建立 API Key 並儲值。
設定 OpenAI 相容用戶端：設定 base_url="https://api.moonshot.ai/v1"，模型 ID 為 kimi-k3。
OpenRouter 接入：模型 ID moonshotai/kimi-k3，Moonshot 官方定價無額外加價，完整 1M 上下文。
啟用 Prompt Caching：程式設計工作流設定對話路由快取鍵，利用 90%+ 快取命中率降低實際輸入成本至約 $0.55/M。
標記 7 月 27 日：完整模型權重將在 Hugging Face 開放，MXFP4/NVFP4 量化版與 vLLM、SGLang 預計 Day-0 支援；生產部署需 64+ 加速卡超節點。
from openai import OpenAI
client = OpenAI(
api_key="your_moonshot_api_key",
base_url="https://api.moonshot.ai/v1"
)
response = client.chat.completions.create(
model="kimi-k3",
messages=[{"role": "user", "content": "幫我分析這段程式碼..."}]
)
開源時間表：7 月 17–20 日 WAIC 預計更多發布 → 7 月 27 日 K3 完整權重開源，將成為首個超 2 萬億參數級別的可下載開源權重。
Kimi K3 怎麼選？場景矩陣與可引用技術數據
| 場景 | 推薦模型 | 原因 |
|---|---|---|
| 持續性長程式碼任務 | Kimi K3 | SWE Marathon 基準第一，1M 上下文最長 |
| 複雜 Repo 級別修 Bug | Claude Fable 5 | FrontierSWE 86.6 大幅領先 |
| 終端/工具鏈密集型 Agent | GPT-5.6 Sol | Terminal Bench 2.1 與 Coding Agent Index 領先 |
| 超長文件/多模態理解 | Kimi K3 | OmniDocBench 91.1 第一，原生視覺 + 1M 上下文 |
| 成本敏感場景 | DeepSeek V4 Pro | 輸出僅 $3.48/M，遠低於 K3 |
| 開源自部署（7/27 後） | Kimi K3 | 最強開源權重，MXFP4 量化友好 |
參數量級：2.8T，超越 DeepSeek V4 Pro（1.6T）近 75%，迄今最大可下載開源模型（7/27 後）。
KDA 效率：KV 快取 -75%、百萬 token 解碼 +6.3×、訓練擴展效率 +2.5×（vs K2）。
Intelligence Index：Artificial Analysis v4.1 得分 57.1，開源模型中最高，與閉源旗艦差距 2.8 分。
注意：上述基準為月之暗面自報數據，K3 用 Kimi Code、GPT 用 Codex、Claude 用 Claude Code 各自 harness；獨立第三方復現仍在進行中，請作方向性參考。
Kimi K3 不是參數堆砌的面子工程——KDA、AttnRes、Stable LatentMoE 是真實工程創新，在程式設計長任務與文件理解等賽道對標乃至超越部分閉源旗艦。純 API 呼叫雖可快速起步，但本地 Mac 在長時間 Kimi Code Agent 迴圈中常遇記憶體壓力與 IDE 常駐開銷；雲端虛擬機又存在 Metal 相容性損耗。對於需要 7×24 穩定執行程式設計 Agent、並行 dev server 與推理常駐的工程團隊，MESHLAUNCH 的 Mac Mini 雲端裸金屬租用通常是更優解：獨占 Apple Silicon、按天/週/月彈性下單，更適合 iOS CI/CD 與 AI Agent 自動化生產環境。
參考資料：Moonshot AI 官方部落格 · Kimi API Platform 文件 · Artificial Analysis · OpenRouter 定價頁 · VentureBeat · SCMP
可以。在 kimi.com 註冊免費帳號即可使用 K3。API 呼叫需付費（$3/$15 per 1M tokens）。預算規劃可參考 租賃價格頁。
完整權重將於 2026 年 7 月 27 日在 Hugging Face 開放。生產級部署需要 64 張以上加速卡的超節點，消費級本地部署不現實。模型以 MXFP4 權重 + MXFP8 啟用訓練，量化友好。
K3 參數量近兩倍、上下文大 8 倍、程式設計與文件理解基準更強；DeepSeek V4 Pro 輸出僅 $3.48/M，成本敏感場景更優。詳見 幫助中心 相關說明。
對一次性分析完整程式碼庫、處理長篇法律/研究文件、以及多輪 Agent 長記憶場景非常實用；flat 定價無長度附加費，配合 90%+ 快取命中率實際成本可控。
月之暗面表示 low 和 high 力度模式將在後續更新中推出，目前僅 max 模式可用。