KIMI K3
2.8T_
OPEN_
WEIGHT.
7月27日晚23點左右，月之暗面正式發布 Kimi K3 完整模型權重與技術報告，並同步開源 MoonEP、FlashKDA、AgentEnv 三項核心基礎設施。痛點：K3 是 2.8 兆參數的 MoE 模型，但「開源」與「開放權重」語義不同，授權條款裡還藏著兩道商業門檻。結論：它是開源陣營能力天花板（AA Index 全球第3），卻不是性價比最優選項。結構預告：時間線 → 參數表 → KDA/AttnRes 架構 → 三大 Infra → 跑分對比 → 授權條款 → API/自部署 → 地緣背景 → 五步接入 → FAQ。
1. 痛點拆解：為什麼 7/27 這次發布值得重新評估
1）「開源」翻譯陷阱：官方從未使用 open source，一直稱 open weight——訓練資料與完整訓練程式碼未公開。2）授權兩道門檻：MaaS 年收入超 2000 萬美元、或月活超 1 億/月收入超 2000 萬美元，觸發額外條款。3）自部署幾乎不現實：1.56TB 權重、官方建議 64 卡超節點——個人開發者更現實的路徑是 API 或 OpenRouter。4）成本並非最優：每任務約 $0.95，比 GLM-5.2（$0.47）貴近一倍。5）地緣爭議疊加：美方指控「工業化蒸餾」、中方 7/28 回應「AI 霸權主義」——選型需兼顧合規與輿論風險。
2. 時間線：從 API 首發到全面開源，只用了 11 天
| 日期 | 事件 |
|---|---|
| 7/16 夜 | K3 在 kimi.com、Kimi Work、Kimi Code、API 首發，權重未公開 |
| 7/17 | 業界密集分析架構；新華社稱「全球參數最大開源模型」 |
| 7/22–23 | 美方指控月之暗面「工業化蒸餾」Anthropic Fable 訓練 K3，威脅制裁 |
| 7/27 23:00 | 完整權重、技術報告發布；MoonEP、AgentEnv 開源（FlashKDA 此前已開源） |
| 7/28 | 中國商務部公開回應；國內媒體跟進報導開源細節 |
權重檔案約 1.56TB，Hugging Face 上線半小時登頂趨勢榜第一。距 API 首發僅 11 天。
3. Kimi K3 核心參數一覽
| 項目 | 參數 |
|---|---|
| 總參數量 | 2.8 兆（2.8T） |
| 啟用參數量 | 約 1040 億 |
| 架構類型 | 混合專家模型（MoE） |
| 專家配置 | 896 路由專家，每 token 啟用 16 個 + 共享專家 |
| 注意力機制 | Kimi Delta Attention（KDA）+ 門控 MLA |
| 上下文視窗 | 100 萬 token |
| 多模態 | 原生視覺理解（ViT-V2，27 層） |
| 權重格式 | MXFP4 權重 + MXFP8 啟用（SFT 起量化感知訓練） |
| 權重體積 | 約 1.56TB（Hugging Face） |
| License | 自訂授權（open weight，非 open source） |
4. 三大架構創新：KDA、AttnRes 與 Per-Head Muon
Kimi Delta Attention（KDA）
傳統 Gated DeltaNet 用標量級遺忘門；KDA 改為逐通道獨立衰減率，某些特徵長期保留、另一些快速遺忘。採用 chunkwise DPLR 公式實現線性時間遞迴，與少量 Gated MLA 全局注意力層交替混合——支撐 100 萬 token 上下文同時壓低 KV Cache 記憶體開銷的核心原因。
Attention Residuals（AttnRes）
傳統殘差連接逐層均勻累加，深層早期資訊易被稀釋。AttnRes 改為選擇性、輸入依賴的動態聚合——每層僅新增一個 RMSNorm 和一個偽查詢向量，帶來約 25% 訓練效率提升，參數開銷不到 2%。
Per-Head Muon 與 Stable LatentMoE
Muon 優化器擴展為逐注意力頭獨立優化；MoE 層 896 選 16（稀疏度約 1.8%），配合 Quantile Balancing 與 MoonEP 解決專家負載不均衡。
5. 三大開源 Infra 技術
| 技術 | 定位 | 關鍵能力 |
|---|---|---|
| MoonEP | 超大規模細粒度 MoE 通訊函式庫 | 臨時複製過載專家，數學證明冗餘專家數理論上界，負載均衡下維持高通訊效率 |
| FlashKDA | 基於 CUTLASS 的 KDA 高效能算子 | H20 上 prefill 比 flash-linear-attention 基線快 1.72–2.22×；可作為 chunk_kda 直接替代後端 |
| AgentEnv | 與 KVCache.ai 聯合的 Agent 沙箱（Firecracker microVM） | checkpoint 延遲低至 133ms、恢復 49ms、記憶體超分最高 6.5×（官方資料，待第三方複現） |
6. 跑分對比：和 GPT-5.6、Claude、GLM-4.5 比一比
SWE-bench Verified（Vals AI 獨立複測，2026年7月）
| 模型 | 分數 | 發布日期 |
|---|---|---|
| Claude Opus 5 | 97% | 2026-07-24 |
| GPT-5.6 Sol | 96.2% | 2026-07-09 |
| Claude Fable 5 | 95% | 2026-06-09 |
| Kimi K3 | 93.4% | 2026-07-16 |
| Qwen3.7-Max | 79.4% | 2026-05-19 |
| DeepSeek-V4 | 76.2% | 2026-04-23 |
Artificial Analysis 智能指數（max 推理檔）：Claude Fable 5（60）> GPT-5.6 Sol（59）> Kimi K3（約57，全球第3，開源第1） > GLM-5.2（51）> DeepSeek V4 Pro（44）。
每任務成本約 $0.95——比 Claude Fable 5（$2.4）便宜 60%，但比 GLM-5.2（$0.47）更貴。開源陣營能力天花板，非性價比最優。 K3 目前在 Arena.ai Frontend Code Arena 排名第一。
7. 授權條款：兩道商業門檻
- Model-as-a-Service 收入門檻：MaaS 業務連續 12 個月累計收入超 2000 萬美元，須與月之暗面另行簽署商業協議。
- 規模展示門檻：月活超 1 億或月收入超 2000 萬美元，須在介面顯著展示「Kimi K3」字樣。
對絕大多數中小團隊，兩道門檻幾乎不會觸發；若商業計劃是「拿 K3 開競爭的模型服務」，第一道門檻是法務紅線。
8. API 定價與自部署門檻
| Token 類型 | 價格（每百萬 token） |
|---|---|
| 輸入（快取命中） | $0.30 |
| 輸入（快取未命中） | $3.00 |
| 輸出（含推理過程） | $15.00 |
API 端點：https://api.moonshot.ai/v1，模型 ID kimi-k3，相容 OpenAI SDK。Mooncake 分離式推理架構在程式開發類工作負載上快取命中率可達 90%+，實際成本更接近 $0.30 檔。自部署建議 64 卡及以上超節點；個人使用者更現實路徑是 OpenRouter（已有 7 家服務商）。
9. 五步落地：從評估到接入 K3
- 明確使用路徑：API 呼叫 vs 第三方託管 vs 自部署——99% 團隊應選前兩者。
- 審查授權條款：對照 MaaS 收入與 MAU 門檻，確認是否需要額外商業協議。
- 設定 OpenAI 相容用戶端：Cursor / OpenClaw / 自建 Agent 改 base URL 與 API Key 即可接入。
- 啟用快取策略：重複程式碼上下文場景優先走 Mooncake 快取命中路徑，壓低實際 token 成本。
- 建立 fallback 鏈：K3 處理高難度任務，日常流量降級到 GLM-5.2 或 DeepSeek V4 Flash，控制帳單。
10. 深度洞察：WAIC 2026 窗口與「3T 俱樂部」競賽
K3 開源節點卡在 WAIC 2026 窗口期，疊加中美「模型蒸餾」爭端——美方指控月之暗面「工業化蒸餾」Anthropic Fable 訓練 K3 並威脅制裁；中國商務部 7/28 指責美方「AI 霸權主義」並威脅反制。月之暗面選擇公開權重、技術報告與三項 Infra，某種程度上是用完整工程細節自證技術路徑獨立性。
三天後，阿里巴巴（月之暗面投資方之一）發布 24 兆參數 Qwen3.8-Max-Preview，被外界解讀為對 K3 的直接回應。國產大模型競爭正式進入「3T 俱樂部」階段——參數規模、架構創新、Infra 開源三位一體，比單純刷榜更有長期意義。
對 Mac 開發者而言，K3 自部署不現實，但可透過 API 接入；若需本地兜底，GLM-5.2 等更小開源模型可在 Apple Silicon 上用 MLX 跑量化版。K3 的價值在於：證明開放權重模型可以逼近閉源前沿，推動整個生態的定價與能力基準上移。
11. 常見問題 FAQ
Kimi K3 真的是開源模型嗎？ 嚴格來說不是。屬於 open weight：權重、技術報告、部分 Infra 公開，訓練資料與完整訓練程式碼未公開，不符合 OSI 標準。
可以免費商用嗎？ 絕大多數場景不受限制；MaaS 年收入超 2000 萬美元或 MAU 超 1 億/月收入超 2000 萬美元需滿足授權特定條款。
需要多少 GPU 自部署？ 官方建議 64 卡及以上超節點；個人與企業更現實方式是官方 API 或 OpenRouter。
和 Kimi K2 有什麼區別？ K3 參數約為 K2.5 的 3 倍，新增 AttnRes 與 Per-Head Muon，上下文與多模態大幅提升；授權新增 MaaS 收入門檻。
12. 收束：API 接入 + Mac 本地兜底的混合架構
純 Windows/Linux 雲主機可以調 Kimi K3 API，卻在Cursor 工具鏈協同、OpenClaw Agent 常駐、本地 MLX 量化兜底與圖形工作流上不如 Apple Silicon Mac 順滑。K3 自部署需 64 卡超節點，但 API 接入只需改 base URL；若你還需要本地 GLM-5.2 離線備份、長上下文 Agent 分流與 7×24 穩定運行，推薦三檔架構：本機 MLX 跑量化開源模型處理日常量；Kimi K3 API 承接高難度程式開發與推理；MACGPU 遠端 Mac 節點 承接 OpenClaw/Hermes 常駐與統一記憶體吃緊的長上下文任務——在 3T 俱樂部競賽白熱化之際，可控算力就是最好的對沖。