Kimi K3 權重全面釋出：
2.8 兆參數、百萬上下文，月之暗面這次釋出了什麼？

若你是正在評估 Kimi K3 接入、自部署或商用合規的 AI 開發者與企業技術負責人，7 月 27 日晚月之暗面（Moonshot AI）釋出的完整權重與技術報告，很可能改寫你對「國產 3T 級模型」的認知邊界。Kimi K3 擁有 2.8 兆總參數、100 萬 token 上下文，並同步開源 MoonEP、FlashKDA、AgentEnv 三項核心基礎設施——距 API 首發僅 11 天。本文涵蓋時間軸、架構創新（KDA／AttnRes／Per-Head Muon）、Infra 開源、SWE-bench 與 Artificial Analysis 基準、開放權重授權兩道商業門檻、API 定價與六步接入清單；可與 7 月 16 日 K3 首發評測、蒸餾門爭議篇、OpenRouter 7 月榜 交叉閱讀。定價見 定價頁。

[ SECTION_01 ] // PAIN_POINTS 為什麼 Kimi K3 全面釋出權重值得立刻重估你的模型棧？

7 月 27 日晚 23 點左右，月之暗面正式釋出 Kimi K3 完整模型權重與技術報告，權重檔案在 Hugging Face 上體積約 1.56TB，上線半小時內即登頂趨勢榜第一。這是全球首個被完整釋出的 3 兆參數級別模型——但官方從未使用「open source」，一直採用「open weight（開放權重）」表述。

  • 概念混淆：媒體普遍翻譯為「開源」，但 OSI 標準下的開源須公開訓練資料與完整訓練程式碼；K3 僅公開權重、技術報告與推理 Infra，訓練管線不可復現。
  • 授權條款盲區：K3 授權新增兩道 K2 系列沒有的商業門檻——Model-as-a-Service 年收入超 2000 萬美元須另行簽約；月活超 1 億或月收入超 2000 萬美元須顯著展示「Kimi K3」字樣。
  • 自部署幻覺：2.8T 參數、896 專家 MoE 決定 K3 幾乎不可能在消費級硬體執行；官方建議 64 卡及以上超節點，個人開發者更現實的路徑是 API 或 OpenRouter。
  • 基準誤讀：廠商自報與獨立第三方複測差異大；SWE-bench Verified 上 K3 為 93.4%，仍低於 Claude Opus 5（97%）與 GPT-5.6 Sol（96.2%），但已是開放權重陣營最強。
  • 成本錯配：K3 每任務成本約 $0.95，比 GLM-5.2（約 $0.47）更貴——它是開放權重能力天花板，而非性價比最優選。
  • 地緣變數：權重釋出前數天，美方指控月之暗面「工業化蒸餾」Anthropic Fable 模型訓練 K3 並威脅制裁；中國商務部 7 月 28 日公開回應指責「AI 霸權主義」。

核心結論：Kimi K3 是開放權重陣營的能力天花板，不是傳統意義的開源專案；對絕大多數中小團隊可正常商用，但若你的商業模式是與月之暗面競爭的模型即服務，授權第一道門檻是法務紅線。

11 天從 API 到權重釋出時間軸：

  • 7 月 16 日夜（WAIC 2026 前夜）：Kimi K3 在 kimi.com、Kimi Work、Kimi Code 及 Kimi API 首發，僅限線上呼叫，權重尚未公開。
  • 7 月 17 日：業界密集分析架構；新華社報導稱其為「目前全球參數最大的開源模型」。
  • 7 月 22 日–23 日：中美「模型蒸餾」爭端升級；美國白宮科技顧問 Michael Kratsios 指控月之暗面對 Anthropic Fable 模型進行「大規模、隱蔽的工業化蒸餾」。
  • 7 月 27 日晚 23 點：正式釋出 K3 完整權重、技術報告，並開源 MoonEP、AgentEnv（FlashKDA 此前已開源）。
  • 7 月 28 日：中國商務部公開回應；國內多家媒體跟進報導開源細節。

[ SECTION_02 ] // ARCHITECTURE Kimi K3 核心參數與三大架構創新解決了什麼問題？

Kimi K3 在架構上重構了深度學習沿用多年的三大傳統元件——注意力機制、殘差連接、最佳化器，這也是它區別於「簡單堆參數」的關鍵。

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 個路由專家，每 token 啟用 16 個（另有共享專家）
注意力機制Kimi Delta Attention（KDA）+ 門控多頭潛在注意力（Gated MLA）
上下文視窗100 萬 token
多模態能力原生視覺理解（ViT-V2，27 層）
權重格式MXFP4 權重 + MXFP8 啟用（SFT 階段起量化感知訓練）
權重體積約 1.56TB（Hugging Face）
License自訂授權條款（官方稱 open weight，非 open source）

Kimi Delta Attention（KDA）：傳統 Gated DeltaNet 使用純量級遺忘門，KDA 改為逐通道門控——每個特徵維度擁有獨立衰減率，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，K3 將 KDA 與少量 Gated MLA 全域注意力層交替混合，支撐 100 萬 token 上下文同時把 KV Cache 開銷壓到極低。

Attention Residuals（AttnRes）：傳統殘差連接逐層均勻累加，深層網路早期資訊易被稀釋。AttnRes 改為選擇性、依據輸入動態聚合前面所有層的輸出——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，代價不到 2%。

Per-Head Muon：在 Muon 最佳化器基礎上做逐注意力頭獨立最佳化，讓每個頭擁有更自適應的收斂路徑。純訓練期技術，API 呼叫無感知，但堆疊細節讓 K3 以更少啟用參數打出接近頂尖閉源模型效果。

Stable LatentMoE：896 選 16 的稀疏路由（稀疏度約 1.8%），配合共享專家保證基礎能力；採用 Quantile Balancing 均衡策略，配合 MoonEP 從數學上證明每個運算節點冗餘專家數的理論上界。

[ SECTION_03 ] // INFRA_BENCH 三大 Infra 開源與 SWE-bench 基準：K3 到底排第幾？

月之暗面這次沒有只發權重檔案，而是把支撐 K3 訓練效率與穩定性的三項關鍵基礎設施技術一併開源。

三大開源 Infra 技術
技術 定位 關鍵能力
MoonEP 超大規模細粒度 MoE 高效能通訊函式庫 臨時複製過載專家保證每節點均等 token 數；證明冗餘專家數理論上界
FlashKDA 基於 NVIDIA CUTLASS 的 KDA 高效能算子（此前已開源） H20 上 prefill 比 flash-linear-attention 基線快 1.72–2.22 倍；可作為 chunk_kda 直接替代後端
AgentEnv 與 KVCache.ai 聯合開發的 Agent 沙箱（Firecracker microVM） 大規模並行 Agent RL 訓練；官方披露 checkpoint 延遲 133ms、恢復 49ms、記憶體超分最高 6.5 倍（尚未第三方獨立複現）

SWE-bench Verified（獨立複測，Vals AI，截至 2026 年 7 月）：

SWE-bench Verified 獨立複測對照
模型 分數 發布日期
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 智慧指數（max 推理檔）：Claude Fable 5 為 60，GPT-5.6 Sol 為 59，Kimi K3 約 57（全球第 3，開放權重模型第 1），GLM-5.2 為 51，DeepSeek V4 Pro 為 44。K3 目前在 Arena.ai 的 Frontend Code Arena 榜單排名第一。每任務成本約 $0.95，比 Claude Fable 5（約 $2.4）便宜約 60%，但比 GLM-5.2（約 $0.47）更貴。

[ SECTION_04 ] // LICENSE_DEPLOY 開放權重授權兩道門檻與六步 API 接入清單

月之暗面官方材料從未使用「open source」，一直採用「open weight」表述。授權條款是一份完全自訂文件，包含兩道商業門檻：

  1. Model-as-a-Service 收入門檻：若被授權方營運模型即服務業務，且連續 12 個月內該業務累計收入超過 2000 萬美元，須與月之暗面另行簽署商業協議。
  2. 規模展示門檻：若產品月活超過 1 億，或月收入超過 2000 萬美元，須在產品介面顯著展示「Kimi K3」字樣。

API 定價（OpenAI SDK 相容，模型 ID kimi-k3）：

Kimi K3 API 定價（每百萬 token）
Token 類型 價格
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

由於 Mooncake 分離式推理架構在典型程式設計類工作負載上快取命中率可達 90% 以上，實際大部分呼叫成本更接近 $0.30 檔，而非 $3 表頭價格。

六步 Kimi K3 接入清單（開發者／小團隊／企業通用）：

  1. 明確接入路徑：評估自部署（64 卡超節點）vs 官方 API vs OpenRouter 等第三方託管；絕大多數團隊應選 API 路徑。可參考 OpenRouter 接入教學 做多 Provider 抽象。
  2. 審閱授權條款：下載 Hugging Face 上的 LICENSE 全文，確認你的商業模式不觸發 Model-as-a-Service 收入門檻或規模展示門檻；法務團隊重點審查「與月之暗面競爭的推理服務」場景。
  3. 設定 API 客戶端：將 base URL 設為 Moonshot 官方端點，模型 ID 設為 kimi-k3；現有 OpenAI SDK 專案通常只需改 base URL 與 API Key。
  4. 啟用快取感知計費：對程式設計類 Agent 工作負載設計 prompt 快取策略，利用 Mooncake 高命中率把實際輸入成本壓向 $0.30/M 檔。
  5. 建立分層路由：日常 Agentic Coding 用 K3 或 DeepSeek V4 Flash 跑量；卡住的複雜步驟切 Claude Opus 5 或 GPT-5.6 Sol，避免單一模型帳單失控。參見 7 月 OpenRouter 分層選型。
  6. 固化 7×24 Agent 執行環境：長時 Agent 編排、多模型閘道須跑在常駐 macOS 節點而非合蓋即斷的筆電；詳見 說明中心 與 訂購頁。
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 可引用硬核數據、FAQ 與 7×24 Agent 宿主收束

  • 總參數量：2.8 兆，啟用約 1040 億；全球首個完整釋出的 3T 級模型（來源：月之暗面技術報告）。
  • 權重體積：約 1.56TB，Hugging Face 上線半小時登頂趨勢榜第一（來源：Hugging Face）。
  • SWE-bench Verified：K3 獨立複測 93.4%，開放權重陣營最強，仍低於 Claude Opus 5 的 97%（來源：Vals AI，2026 年 7 月）。
  • Artificial Analysis 智慧指數：K3 max 檔約 57，全球第 3、開放權重第 1（來源：Artificial Analysis）。
  • FlashKDA 加速：NVIDIA H20 上 prefill 比 flash-linear-attention 基線快 1.72–2.22 倍（來源：Moonshot GitHub）。
  • API 快取命中價：輸入 $0.30/M（快取命中）vs $3.00/M（未命中）；程式設計負載快取命中率 90%+（來源：Moonshot 官方）。
  • 自部署門檻：官方建議 64 卡及以上超節點；OpenRouter 上已有 7 家服務商託管 K3（來源：Moonshot／OpenRouter）。

FAQ 精選：

  • Q：Kimi K3 真的是開源模型嗎？A：嚴格來說不是。屬於開放權重模型：權重、技術報告和部分 Infra 公開，訓練資料與完整訓練程式碼未公開，不符合 OSI 開源定義。
  • Q：Kimi K3 可以免費商用嗎？A：絕大多數商業場景不受限制；Model-as-a-Service 年收入超 2000 萬美元或月活超 1 億須滿足授權特定條款。
  • Q：Kimi K3 需要多少顯示卡才能自己部署？A：官方建議 64 卡及以上超節點；個人與大部分企業更現實的方式是官方 API 或 OpenRouter。
  • Q：Kimi K3 的效能到底強不強？A：開放權重陣營綜合能力最強，Artificial Analysis 全球第 3；但成本高於 GLM-5.2，非性價比最優選。
  • Q：Kimi K3 和 Kimi K2 有什麼差別？A：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。

下列為撰寫時依據的公開來源；若上游更新，請以原文為準。

https://api.moonshot.ai/v1

https://huggingface.co/moonshotai

https://github.com/moonshotai/FlashKDA

三天後，阿里巴巴（月之暗面投資方之一）發布 24 兆參數的 Qwen3.8-Max-Preview，被外界普遍解讀為對 K3 的直接回應——國產大模型競爭正式進入「3T 俱樂部」階段。比起糾結「開源」標籤，更值得投入精力的是讀懂授權邊界、建立分層路由，並把 API 推理與本地 Agent 編排分層部署。

替代方案的真實缺點（工程視角）：① 在 16GB 筆電上硬跑 Kimi K3 權重下載（1.56TB）加本地推理嘗試，磁碟與記憶體瞬間飽和，fallback 路由再聰明也救不了硬體天花板；② 筆電合蓋 sleep 後 OAuth 過期、長時 Agent 批次任務中斷，週榜上的「最強開放權重模型」無法完成 7×24 流水線；③ 為驗證 K3 Agent 工作流一次性買斷高配 Mac Studio，3 個月閒置折舊遠高於按週租用——且 3T 級推理應走 API，本地只需穩定 macOS Agent 編排面。

對需要獨佔 Apple Silicon、7×24 線上、按天／週／月彈性擴容、在 macOS 宿主上穩定跑 Kimi K3 API 驅動的 Agent（Hermes、OpenClaw、Kilo Code 等）與 iOS CI 同機驗證的開發者與 AI 自動化團隊，NOVAKVM 的 Mac Mini 雲端裸金屬租用通常是更優解：六地節點、高記憶體檔位、SSH 直連，把 Moonshot API 推理與裸金屬 macOS 執行面分層——雲端 K3 呼叫 + 本地 Agent 編排，避免自部署 64 卡叢集與筆電 sleep 中斷的雙重陷阱。請在 NOVAKVM 定價頁 對照 M4 Pro 與儲存擴容，在 訂購頁 拉起試驗機；遠端連線見 說明中心。