Kimi K3 是什么？2.8 万亿参数开源大模型核心规格
2026 年 7 月 16 日，月之暗面发布 Kimi K3——2.8 万亿（2.8T）参数的稀疏混合专家（MoE）模型，超越此前纪录保持者 DeepSeek V4 Pro（1.6T）近 75%，是小米开源模型（1.02T）的 2.7 倍，是阿里（397B）的 7 倍有余。低调上线与巨大体量形成鲜明对比：一份技术博客、一个定价页面、一个可立刻调用的模型 ID kimi-k3。
K3 采用 896 个专家、每次推理激活 16 个（稀疏度 1.8%）；配合 100 万 token 超长上下文（约等于一次性读完 5 本《红楼梦》全文）及原生视觉理解，专为复杂编程、长文档推理与知识工作设计。一句话总结：开源的、可原生理解图像与视频的、拥有超长记忆的重量级编程 AI，价格比 Claude Opus 4.8 便宜 40%，完整权重将于 7 月 27 日对外开源。
规模冲击：DeepSeek 崛起后月之暗面市场份额一度大幅缩水，K3 是战略反击——过去 12 个月 Kimi 系列有 9 个月占据开源模型规模上限。
发布时机：恰在 2026 世界人工智能大会（WAIC）开幕前夜，7 月 17–20 日预计更多发布。
商业化爆发：截至 2026 年 6 月 ARR 突破 3 亿美元，今年内完成第 6 轮融资，投前估值 315 亿美元；API 收入占七成以上，海外付费用户增长 400%。
长上下文痛点：传统全注意力在百万 token 下 KV 缓存内存呈毁灭性增长，K3 的 KDA 机制正是为此而生。
编程 Agent 需求：SWE Marathon 等长时程代码任务需要模型在数小时会话中保持上下文连贯，1M 窗口 + 缓存命中 90%+ 是核心卖点。
| 参数 | 数值 |
|---|---|
| 总参数量 | 2.8 万亿（全球最大开源模型） |
| 架构 | KDA + AttnRes + Stable LatentMoE |
| 激活专家 | 16 / 896（稀疏 MoE，1.8%） |
| 上下文窗口 | 1,048,576 tokens（1M） |
| 输入模态 | 文本、图像、视频 |
| 推理模式 | Always-on max effort（low/high 后续更新） |
| 开源权重 | 2026 年 7 月 27 日 Hugging Face |
Kimi K3 架构创新与基准测试：KDA、AttnRes 与 Stable LatentMoE
Kimi Delta Attention（KDA）是混合线性注意力机制：以 3:1 比例交替线性注意力层与全注意力层——3 个线性层处理局部结构（计算廉价），1 个全注意力层保留全局信息流。结果：KV 缓存内存减少高达 75%，百万 token 上下文下解码速度提升高达 6.3 倍，短/长上下文与强化学习扩展场景均超越纯全注意力基线。
Attention Residuals（AttnRes）改造深度维度残差连接：标准残差会稀释早期层关键表征；AttnRes 引入选择性检索，模型可跨越深度直接拉取更早层高价值表征，带来约 25% 训练效率提升，额外计算开销不足 2%。
Stable LatentMoE在 896 专家 / 16 激活的极端稀疏度下稳定训练，配套技术如下：
| 技术 | 作用 |
|---|---|
| Quantile Balancing | 从路由器得分分位数直接推导专家分配，消除启发式超参 |
| Per-Head Muon | 针对每个注意力头独立优化，使大规模训练更自适应 |
| Sigmoid Tanh Unit（SiTU） | 改进激活函数控制 |
| Gated MLA | 提升注意力选择性 |
综合以上创新，K3 相较 Kimi K2 整体扩展效率提升约 2.5 倍。月之暗面自报基准数据如下（不同模型使用各自推理 harness，独立第三方复现仍在进行）：
| 基准测试 | 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（视觉） | 81.6 | 81.2 | 83.0 | 78.9 | — |
| OmniDocBench | 91.1 | 89.8 | 85.8 | 87.9 | — |
SWE Marathon 专门测试持续性长代码工作——K3 以 42.0 大幅领先排名第一；Artificial Analysis Intelligence Index v4.1 中 K3 以 57.1 分排名第四，紧随 Claude Fable 5（59.9）与 GPT-5.6 Sol（58.9）之后，差距仅 2.8 分。
Kimi K3 定价多少？与 Claude、GPT、DeepSeek 成本对比
K3 标准价与 Claude Sonnet 5 持平（$3/$15 per 1M tokens），但提供 5 倍上下文窗口（1M vs 200K）。缓存命中价格低至 $0.30/M（标准价 1/10），月之暗面报告编程场景缓存命中率超过 90%，实际有效输入成本极低；OpenRouter 7 日加权平均证实有效输入成本约 $0.55/M。
| 模型 | 输入（$/M） | 输出（$/M） | 缓存命中输入 | 上下文 |
|---|---|---|---|---|
| Kimi K3 | $3.00 | $15.00 | $0.30 | 1M |
| Claude Sonnet 5 | $3.00（促销 $2） | $15.00（促销 $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 |
相较 Claude Opus 4.8，K3 在多项基准上更优，输入成本仅 60%、输出成本仅 40%。国内 API 定价：输入 ¥20/M、输出 ¥100/M、缓存命中 ¥2/M；消费者版在 Kimi.com 免费账号即可使用，预付费套餐 ¥199 起（优惠截至 8 月 11 日）。
如何立即使用 Kimi K3？四种接入方式与六步 Runbook
Kimi 网页/App（最简单）：访问 kimi.com，注册账号（支持 Google 账号），K3 默认以最大推理力度运行，无需信用卡。
获取 API Key：在 platform.kimi.ai 注册开发者账号，创建 API Key 并充值。
配置 OpenAI 兼容客户端：设置 base_url="https://api.moonshot.ai/v1"，模型 ID 为 kimi-k3。
OpenRouter 接入：模型 ID moonshotai/kimi-k3，Moonshot 官方定价无额外加价，完整 1M 上下文。
启用 Prompt Caching：编程工作流设置对话路由缓存键，利用 90%+ 缓存命中率降低实际输入成本至约 $0.55/M。
标记 7 月 27 日：完整模型权重将在 Hugging Face 开放，MXFP4/NVFP4 量化版与 vLLM、SGLang 预计 Day-0 支持；生产部署需 64+ 加速卡超节点。
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": "帮我分析这段代码..."}]
)
开源时间表：7 月 17–20 日 WAIC 预计更多发布 → 7 月 27 日 K3 完整权重开源，将成为首个超 2 万亿参数级别的可下载开源权重。
Kimi K3 怎么选？场景矩阵与可引用技术数据
| 场景 | 推荐模型 | 原因 |
|---|---|---|
| 持续性长代码任务 | Kimi K3 | SWE Marathon 基准第一，1M 上下文最长 |
| 复杂 Repo 级别修 Bug | Claude Fable 5 | FrontierSWE 86.6 大幅领先 |
| 终端/工具链密集型 Agent | GPT-5.6 Sol | Terminal Bench 2.1 与 Coding Agent Index 领先 |
| 超长文档/多模态理解 | Kimi K3 | OmniDocBench 91.1 第一，原生视觉 + 1M 上下文 |
| 成本敏感场景 | DeepSeek V4 Pro | 输出仅 $3.48/M，远低于 K3 |
| 开源自部署（7/27 后） | Kimi K3 | 最强开源权重，MXFP4 量化友好 |
参数量级：2.8T，超越 DeepSeek V4 Pro（1.6T）近 75%，迄今最大可下载开源模型（7/27 后）。
KDA 效率：KV 缓存 -75%、百万 token 解码 +6.3×、训练扩展效率 +2.5×（vs K2）。
Intelligence Index：Artificial Analysis v4.1 得分 57.1，开源模型中最高，与闭源旗舰差距 2.8 分。
注意：上述基准为月之暗面自报数据，K3 用 Kimi Code、GPT 用 Codex、Claude 用 Claude Code 各自 harness；独立第三方复现仍在进行中，请作方向性参考。
Kimi K3 不是参数堆砌的面子工程——KDA、AttnRes、Stable LatentMoE 是真实工程创新，在编程长任务与文档理解等赛道对标乃至超越部分闭源旗舰。纯 API 调用虽可快速起步，但本地 Mac 在长时间 Kimi Code Agent 循环中常遇内存压力与 IDE 常驻开销；云虚拟机又存在 Metal 兼容性损耗。对于需要 7×24 稳定运行编程 Agent、并行 dev server 与推理常驻的工程团队，MESHLAUNCH 的 Mac Mini 云端裸金属租赁通常是更优解：独占 Apple Silicon、按天/周/月弹性下单，更适合 iOS CI/CD 与 AI Agent 自动化生产环境。
参考资料：Moonshot AI 官方博客 · Kimi API Platform 文档 · Artificial Analysis · OpenRouter 定价页 · VentureBeat · SCMP
可以。在 kimi.com 注册免费账号即可使用 K3。API 调用需付费（$3/$15 per 1M tokens）。预算规划可参考 租赁价格页。
完整权重将于 2026 年 7 月 27 日在 Hugging Face 开放。生产级部署需要 64 张以上加速卡的超节点，消费级本地部署不现实。模型以 MXFP4 权重 + MXFP8 激活训练，量化友好。
K3 参数量近两倍、上下文大 8 倍、编程与文档理解基准更强；DeepSeek V4 Pro 输出仅 $3.48/M，成本敏感场景更优。详见 帮助中心 相关说明。
对一次性分析完整代码库、处理长篇法律/研究文档、以及多轮 Agent 长记忆场景非常实用；flat 定价无长度附加费，配合 90%+ 缓存命中率实际成本可控。
月之暗面表示 low 和 high 力度模式将在后续更新中推出，目前仅 max 模式可用。