Kimi K3 完全公開：
2.8 兆パラメータ・100 万コンテキストの open weight 実像

Kimi K3 の導入・自前ホスト・商用コンプライアンスを検討する AI 開発者と技術責任者にとって、2026 年 7 月 27 日の Moonshot AI（月之暗面）による完全重みと技術報告書の公開は、3T 級モデルの評価軸を塗り替える出来事です。Kimi K3 は総パラメータ 2.8 兆、100 万 token コンテキストを備え、MoonEP・FlashKDA・AgentEnv の三つの Infra を同時に公開しました。API 初出からわずか 11 日後の動きです。本稿ではタイムライン、KDA/AttnRes/Per-Head Muon のアーキテクチャ、Infra 公開、SWE-bench と Artificial Analysis のベンチマーク、open weight ライセンスの二つの商用閾値、API 料金、六ステップ導入チェックリストを整理します。7 月 16 日 K3 初出レビュー、蒸留論争編、OpenRouter 7 月ランキングと併読してください。ノード料金は 料金ページ をご覧ください。

[ SECTION_01 ] // PAIN_POINTS Kimi K3 の open weight 公開で、なぜ今すぐモデルスタックを見直すべきか

2026 年 7 月 27 日 23 時頃、Moonshot AI は Kimi K3 の完全重みと技術報告書を公開しました。Hugging Face 上のダウンロードサイズは約 1.56TB で、公開から 30 分以内にトレンド 1 位を記録しました。世界初の 3 兆パラメータ級モデルがフル重みで公開された事例です。ただし公式は一貫して「open source」ではなく「open weight（開放重み）」と表現しています。

  • 用語の罠：国内メディアは「オープンソース」と訳すことが多いですが、OSI 準拠のオープンソースには学習データと再現可能な学習パイプラインの公開が必要です。K3 が公開するのは重み・技術報告書・推論 Infra にとどまります。
  • ライセンスの盲点：K2 系列にはなかった二つの商用閾値が追加されています。Model-as-a-Service 事業の直近 12 か月累計収入 2,000 万ドル超、および月間アクティブユーザー 1 億超または月間収入 2,000 万ドル超での表記義務です。
  • 自前デプロイの幻想：2.8T パラメータと 896 エキスパート MoE により、コンシューマ向けハードウェアでの運用は現実的ではありません。公式は 64 枚以上のスーパーノードを推奨し、個人開発者は API か OpenRouter が実務解です。
  • ベンチマークの読み違い：独立機関 Vals AI の SWE-bench Verified では K3 は 93.4% です。Claude Opus 5（97%）や GPT-5.6 Sol（96.2%）には及びませんが、open weight 陣営では最上位です。
  • コストのミスマッチ：Intelligence Index 換算でタスク単価は約 0.95 ドル。Claude Fable 5（約 2.4 ドル）より安い一方、GLM-5.2（約 0.47 ドル）より高く、能力上限型の選択肢です。
  • 地政学的ノイズ：重み公開の数日前、米側は Moonshot が Anthropic Fable モデルを「工業規模で蒸留」したと非難。7 月 28 日には中国商務部が「AI 覇権主義」と反論しました。

結論：Kimi K3 は open weight 陣営の能力上限であり、教科書的なオープンソースプロジェクトではありません。大多数の中小チームはそのまま商用可能ですが、Moonshot と競合する大規模 MaaS を運営する場合、収入閾値は法務上の赤線になります。

API 初出から重み公開までの 11 日間：

  • 7 月 16 日（WAIC 2026 前夜）：kimi.com、Kimi Work、Kimi Code、Kimi API で K3 が登場。オンライン呼び出しのみで重みは非公開。
  • 7 月 17 日：業界がアーキテクチャを精査。国営メディアは「現時点で世界最大のオープンモデル」と報じました。
  • 7 月 22 日–23 日：米中の「モデル蒸留」論争が激化。ホワイトハウス技術顧問 Michael Kratsios が Moonshot の隠れた工業蒸留を指摘。
  • 7 月 27 日 23 時頃：完全重み・技術報告書を公開。MoonEP と AgentEnv をオープン（FlashKDA は先行公開済み）。
  • 7 月 28 日：中国商務部が公式回答。国内メディアが公開内容を追報。

[ SECTION_02 ] // ARCHITECTURE Kimi K3 のコア仕様と三つのアーキテクチャ革新

Kimi K3 は単純なパラメータ積み上げではなく、注意機構・残差接続・最適化器という深層学習の三つの定石を組み替えています。

Kimi K3 コア仕様
項目 値
総パラメータ2.8 兆（2.8T）
活性化パラメータ約 1,040 億
アーキテクチャ混合エキスパート（MoE）
エキスパート構成896 ルーティングエキスパート、token あたり 16 活性化（共有エキスパートあり）
注意機構Kimi Delta Attention（KDA）+ ゲート付き MLA
コンテキスト100 万 token
マルチモーダルネイティブ視覚理解（ViT-V2、27 層）
重み形式MXFP4 重み + MXFP8 活性化（SFT 段階から量子化認識学習）
重みサイズ約 1.56TB（Hugging Face）
ライセンスカスタム（公式表現は open weight、open source ではない）

Kimi Delta Attention（KDA）：従来の Gated DeltaNet はスカラー忘却ゲートを使いますが、KDA はチャネル単位のゲートに置き換え、各特徴次元が独自の減衰率を持ちます。chunkwise DPLR 公式で線形時間再帰を実現し、少数の Gated MLA グローバル注意層と交互に配置することで、100 万 token を支えつつ KV Cache コストを抑えます。

Attention Residuals（AttnRes）：標準残差は層ごとに均等に蓄積し、深層で初期情報が薄まります。AttnRes は入力に応じて先行層の出力を選択的に集約し、RMSNorm と疑似クエリベクトル一組の追加で約 25% の学習効率向上を達成、コストは 2% 未満です。

Per-Head Muon：Muon 最適化器を注意ヘッド単位に適用し、各ヘッドがより適応的な収束経路を得ます。API 呼び出し側には見えませんが、少ない活性化パラメータでトップクラス閉源モデルに迫る性能の要因の一つです。

Stable LatentMoE：896 選 16 のスパースルーティング（スパース度約 1.8%）に共有エキスパートを組み合わせ、Quantile Balancing と MoonEP で各ランクの冗長エキスパート数の理論的上界を証明しています。

[ SECTION_03 ] // INFRA_BENCH 三つの Infra 公開と SWE-bench での順位

Moonshot は重みファイルだけでなく、K3 の学習効率と安定性を支える三つの Infra 技術も同時に公開しました。

公開 Infra 技術三種
技術 役割 要点
MoonEP 超大規模細粒度 MoE 通信ライブラリ 過負荷エキスパートを一時複製し各ランクの token 数を均等化。冗長エキスパート数の理論的上界を証明
FlashKDA NVIDIA CUTLASS ベースの KDA カーネル（先行公開済み） H20 上で prefill が flash-linear-attention 基線比 1.72–2.22 倍。chunk_kda で直接差し替え可能
AgentEnv KVCache.ai 共同開発の Agent サンドボックス（Firecracker microVM） 大規模並列 Agent RL。公式値はチェックポイント 133ms・復帰 49ms・メモリオーバーコミット最大 6.5 倍（第三者未検証）

SWE-bench Verified（独立再測、Vals AI、2026 年 7 月時点）：

SWE-bench Verified 独立再測比較
モデル スコア 公開日
Claude Opus 597%2026-07-24
GPT-5.6 Sol96.2%2026-07-09
Claude Fable 595%2026-06-09
Kimi K393.4%2026-07-16
Qwen3.7-Max79.4%2026-05-19
DeepSeek-V476.2%2026-04-23

Artificial Analysis インテリジェンス指数（max 推論档）：Claude Fable 5 が 60、GPT-5.6 Sol が 59、Kimi K3 は約 57（世界 3 位、open weight 1 位）、GLM-5.2 が 51、DeepSeek V4 Pro が 44 です。Arena.ai の Frontend Code Arena でも 1 位を記録しています。タスク単価は約 0.95 ドルで、Claude Fable 5（約 2.4 ドル）より約 60% 安い一方、GLM-5.2（約 0.47 ドル）より高くなります。

[ SECTION_04 ] // LICENSE_DEPLOY open weight ライセンスの二閾値と六ステップ導入

Moonshot の公式資料は一貫して「open weight」と表現し、「open source」は使っていません。カスタムライセンスには二つの商用閾値があります。

  1. Model-as-a-Service 収入閾値：被許諾者が K3 上で MaaS 事業を運営し、直近 12 か月の累計収入が 2,000 万ドルを超える場合、Moonshot との別途商用契約が必要です。
  2. 規模表記閾値：製品の月間アクティブユーザーが 1 億を超える、または月間収入が 2,000 万ドルを超える場合、UI に「Kimi K3」を目立つ形で表示する義務があります。

API 料金（OpenAI SDK 互換、モデル ID kimi-k3）：

Kimi K3 API 料金（100 万 token あたり）
トークン種別 価格
入力（キャッシュヒット）$0.30
入力（キャッシュミス）$3.00
出力（推論過程含む）$15.00

Mooncake 分離型推論アーキテクチャでは、典型的なコーディング負荷でキャッシュヒット率 90% 超が報告されており、実効入力コストは表の $3.00 より $0.30 側に寄りやすいです。

六ステップ Kimi K3 導入チェックリスト（開発者・小規模チーム・企業共通）：

  1. 経路を決める：自前デプロイ（64 枚超スーパーノード）か公式 API か OpenRouter かを評価します。大多数のチームは API が正解です。OpenRouter 導入ガイドでマルチプロバイダ抽象化を検討してください。
  2. ライセンスを精読：Hugging Face の LICENSE 全文を取得し、MaaS 収入閾値や表記義務に抵触しないか確認します。Moonshot と競合する推論サービスは法務レビューの重点です。
  3. API クライアントを設定：base URL を Moonshot 公式エンドポイントに、モデル ID を kimi-k3 に設定します。既存 OpenAI SDK プロジェクトは URL と API Key の変更で済むことが多いです。
  4. キャッシュ認識課金を設計：コーディング Agent 向けに prompt キャッシュ戦略を組み、Mooncake の高ヒット率で実効入力を $0.30/M 付近に抑えます。
  5. 階層ルーティングを構築：日常の Agentic Coding は K3 や DeepSeek V4 Flash で処理し、難所は Claude Opus 5 や GPT-5.6 Sol にエスカレートします。7 月 OpenRouter 階層選定を参照してください。
  6. 7×24 Agent 実行環境を固定：長時間 Agent オーケストレーションとマルチモデルゲートウェイは、蓋を閉じるとスリープするノート PCではなく常時稼働 macOS ノードが必要です。ヘルプセンターと 注文ページをご覧ください。
kimi-k3-api-example.py 
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": "Explain Kimi Delta Attention in one paragraph."}]
)
print(response.choices[0].message.content)

[ SECTION_05 ] // FACTS_FAQ 引用可能データ、FAQ、7×24 Agent ホストへの収束

  • 総パラメータ：2.8 兆、活性化約 1,040 億。フル重み公開された初の 3T 級モデル（出典：Moonshot 技術報告書）。
  • 重みサイズ：約 1.56TB。Hugging Face 公開 30 分でトレンド 1 位（出典：Hugging Face）。
  • SWE-bench Verified：独立再測 93.4%。open weight 最強、Claude Opus 5 の 97% には未達（出典：Vals AI、2026 年 7 月）。
  • インテリジェンス指数：max 档約 57、世界 3 位・open weight 1 位（出典：Artificial Analysis）。
  • FlashKDA 加速：NVIDIA H20 で prefill が基線比 1.72–2.22 倍（出典：Moonshot GitHub）。
  • キャッシュヒット料金：入力 $0.30/M（ヒット）対 $3.00/M（ミス）。コーディング負荷でヒット率 90% 超（出典：Moonshot 公式）。
  • 自前デプロイ閾値：64 枚以上のスーパーノード推奨。OpenRouter では 7 社が K3 をホスト（出典：Moonshot / OpenRouter）。

FAQ 抜粋：

  • Q：Kimi K3 はオープンソースですか？A：厳密には違います。open weight であり、重み・技術報告書・一部 Infra は公開されていますが、学習データと完全な学習コードは非公開です。
  • Q：商用利用は無料ですか？A：大多数の商用シナリオで制限はありません。MaaS 年収 2,000 万ドル超や月間アクティブ 1 億超では追加条項が適用されます。
  • Q：自前デプロイに何枚必要ですか？A：公式は 64 枚以上のスーパーノードを推奨。個人と多くの企業は API か OpenRouter が現実的です。
  • Q：性能はどの程度ですか？A：open weight 陣営で総合力トップ、Artificial Analysis 世界 3 位。一方 GLM-5.2 より高コストで、コスパ最優先ではありません。
  • Q：K2 との違いは？A：K3 は K2.5 の約 3 倍規模で AttnRes と Per-Head Muon を追加。コンテキストとマルチモーダルを拡張し、MaaS 収入閾値を新設しました。

以下は執筆時点の公開ソースです。上流が更新された場合は原文を正としてください。

https://api.moonshot.ai/v1

https://huggingface.co/moonshotai

https://github.com/moonshotai/FlashKDA

K3 公開から 3 日後、Moonshot の投資先である Alibaba が 2.4 兆パラメータの Qwen3.8-Max-Preview を発表し、K3 への直接応答と受け取られました。国産大規模モデル競争は「3T クラブ」段階に入りました。「オープンソース」ラベルより、ライセンス境界の理解と階層ルーティングの設計に注力する価値が高いです。

代替構成の実務上の欠点：① 16GB ノート PC で 1.56TB の重みダウンロードとローカル推論を試すと、ディスクとメモリが即座に飽和し、ルーティングの工夫ではハード上限は超えられません。② 蓋を閉じるとスリープし、OAuth が切れ、長時間 Agent バッチが中断します。週間ランキングの「最強 open weight」は 7×24 パイプラインをノートでは回せません。③ K3 Agent ワークフロー検証のために高配 Mac Studio を買い、3 か月放置すると週次レンタルの数倍の減価償却が発生します。3T 級推論は API 経由が正しく、ローカルに必要なのは安定した macOS Agent オーケストレーション面だけです。

専有 Apple Silicon、7×24 常時稼働、日/週/月の弾力スケールで、macOS ホスト上に Kimi K3 API 駆動の Agent（Hermes、OpenClaw、Kilo Code など）と iOS CI を同居させたい開発者と AI 自動化チームには、NOVAKVM の Mac Mini クラウドベアメタルレンタルが通常はより適した選択です。六地域ノード、高メモリ構成、SSH 直結で、Moonshot API 推論と裸金属 macOS 実行面を分離し、64 枚 GPU クラスタとノート PC スリープの二重の罠を避けられます。NOVAKVM 料金ページで M4 Pro とストレージ拡張を比較し、注文ページで試験機を起動してください。リモート接続は ヘルプセンターをご参照ください。