Kimi K3 全面开源：
2.8万亿参数、百万上下文，月之暗面这次放了什么大招

若你是正在评估 Kimi K3 接入、自部署或商用合规的 AI 开发者与企业技术负责人，7月27日晚月之暗面（Moonshot AI）发布的完整权重与技术报告，很可能改写你对「国产 3T 级模型」的认知边界。Kimi K3 拥有 2.8 万亿总参数、100 万 token 上下文，并同步开源 MoonEP、FlashKDA、AgentEnv 三项核心基础设施——距 API 首发仅 11 天。本文覆盖时间线、架构创新（KDA/AttnRes/Per-Head Muon）、Infra 开源、SWE-bench 与 Artificial Analysis 基准、开放权重许可证两道商业门槛、API 定价与六步接入清单；可与 7月16日 K3 首发评测、蒸馏门争议篇、OpenRouter 7月榜 交叉阅读。定价见 定价页。

[ SECTION_01 ] // PAIN_POINTS 为什么 Kimi K3 全面开放权重值得立刻重估你的模型栈？

7月27日晚 23 点左右，月之暗面正式发布 Kimi K3 完整模型权重与技术报告，权重文件在 Hugging Face 上体积约 1.56TB，上线半小时内即登顶趋势榜第一。这是全球首个被完整开放的 3 万亿参数级别模型——但官方从未使用「open source」，一直采用「open weight（开放权重）」表述。📌

  • 概念混淆：国内媒体普遍翻译为「开源」，但 OSI 标准下的开源需公开训练数据与完整训练代码；K3 仅公开权重、技术报告与推理 Infra，训练管线不可复现。
  • 许可证盲区：K3 许可证新增两道 K2 系列没有的商业门槛——Model-as-a-Service 年收入超 2000 万美元须另行签约；月活超 1 亿或月收入超 2000 万美元须显著展示「Kimi K3」字样。
  • 自部署幻觉：2.8T 参数、896 专家 MoE 决定 K3 几乎不可能在消费级硬件运行；官方建议 64 卡及以上超节点，个人开发者更现实的路径是 API 或 OpenRouter。
  • 基准误读：厂商自报与独立第三方复测差异大；SWE-bench Verified 上 K3 为 93.4%，仍低于 Claude Opus 5（97%）与 GPT-5.6 Sol（96.2%），但已是开源阵营最强。
  • 成本错配：K3 每任务成本约 $0.95，比 GLM-5.2（约 $0.47）更贵——它是开源能力天花板，而非性价比最优选。
  • 地缘变量：权重开源前数天，美方指控月之暗面「工业化蒸馏」Anthropic Fable 模型训练 K3 并威胁制裁；中国商务部 7 月 28 日公开回应指责「AI 霸权主义」。

核心结论：Kimi K3 是开放权重阵营的能力天花板，不是传统意义的开源项目；对绝大多数中小团队可正常商用，但若你的商业模式是与月之暗面竞争的模型即服务，许可证第一道门槛是法务红线。

11 天从 API 到权重开源时间线：

  • 7月16日夜（WAIC 2026 前夜）：Kimi K3 在 kimi.com、Kimi Work、Kimi Code 及 Kimi API 首发，仅限在线调用，权重尚未公开。
  • 7月17日：行业密集分析架构；新华社报道称其为「目前全球参数最大的开源模型」。
  • 7月22日–23日：中美「模型蒸馏」争端升级；美国白宫科技顾问 Michael Kratsios 指控月之暗面对 Anthropic Fable 模型进行「大规模、隐蔽的工业化蒸馏」。
  • 7月27日晚23点：正式发布 K3 完整权重、技术报告，并开源 MoonEP、AgentEnv（FlashKDA 此前已开源）。
  • 7月28日：中国商务部公开回应；国内多家媒体跟进报道开源细节。

[ SECTION_02 ] // ARCHITECTURE Kimi K3 核心参数与三大架构创新解决了什么问题？

Kimi K3 在架构上重构了深度学习沿用多年的三大传统组件——注意力机制、残差连接、优化器，这也是它区别于「简单堆参数」的关键。

Kimi K3 核心参数一览
项目 参数
总参数量2.8 万亿（2.8T）
激活参数量约 1040 亿
架构类型混合专家模型（MoE）
专家配置896 个路由专家，每 token 激活 16 个（另有共享专家）
注意力机制Kimi Delta Attention（KDA）+ 门控多头潜在注意力（Gated MLA）
上下文窗口100 万 token
多模态能力原生视觉理解（ViT-V2，27层）
权重格式MXFP4 权重 + MXFP8 激活（SFT 阶段起量化感知训练）
权重体积约 1.56TB（Hugging Face）
License自定义许可证（官方称 open weight，非 open source）

Kimi Delta Attention（KDA）：传统 Gated DeltaNet 使用标量级遗忘门，KDA 改为逐通道门控——每个特征维度拥有独立衰减率，某些特征长期保留、另一些快速遗忘。采用 chunkwise DPLR 公式实现线性时间递归，K3 将 KDA 与少量 Gated MLA 全局注意力层交替混合，支撑 100 万 token 上下文同时把 KV Cache 开销压到极低。

Attention Residuals（AttnRes）：传统残差连接逐层均匀累加，深层网络早期信息易被稀释。AttnRes 改为选择性、依据输入动态聚合前面所有层的输出——每层仅新增一个 RMSNorm 和一个伪查询向量，带来约 25% 训练效率提升，代价不到 2%。

Per-Head Muon：在 Muon 优化器基础上做逐注意力头独立优化，让每个头拥有更自适应的收敛路径。纯训练期技术，API 调用无感知，但堆叠细节让 K3 以更少激活参数打出接近顶尖闭源模型效果。

Stable LatentMoE：896 选 16 的稀疏路由（稀疏度约 1.8%），配合共享专家保证基础能力；采用 Quantile Balancing 均衡策略，配合 MoonEP 从数学上证明每个计算节点冗余专家数的理论上界。

[ SECTION_03 ] // INFRA_BENCH 三大 Infra 开源与 SWE-bench 基准：K3 到底排第几？

月之暗面这次没有只发权重文件，而是把支撑 K3 训练效率与稳定性的三项关键基础设施技术一并开源。

三大开源 Infra 技术
技术 定位 关键能力
MoonEP 超大规模细粒度 MoE 高性能通信库 临时复制过载专家保证每节点均等 token 数；证明冗余专家数理论上界
FlashKDA 基于 NVIDIA CUTLASS 的 KDA 高性能算子（此前已开源） H20 上 prefill 比 flash-linear-attention 基线快 1.72–2.22 倍；可作为 chunk_kda 直接替代后端
AgentEnv 与 KVCache.ai 联合开发的 Agent 沙箱（Firecracker microVM） 大规模并行 Agent RL 训练；官方披露 checkpoint 延迟 133ms、恢复 49ms、内存超分最高 6.5 倍（尚未第三方独立复现）

SWE-bench Verified（独立复测，Vals AI，截至 2026 年 7 月）：

SWE-bench Verified 独立复测对比
模型 分数 发布日期
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 智能指数（max 推理档）：Claude Fable 5 为 60，GPT-5.6 Sol 为 59，Kimi K3 约 57（全球第 3，开源模型第 1），GLM-5.2 为 51，DeepSeek V4 Pro 为 44。K3 目前在 Arena.ai 的 Frontend Code Arena 榜单排名第一。每任务成本约 $0.95，比 Claude Fable 5（约 $2.4）便宜约 60%，但比 GLM-5.2（约 $0.47）更贵。

[ SECTION_04 ] // LICENSE_DEPLOY 开放权重许可证两道门槛与六步 API 接入清单

月之暗面官方材料从未使用「open source」，一直采用「open weight」表述。许可证是一份完全自定义文件，包含两道商业门槛：

  1. Model-as-a-Service 收入门槛：若被许可方运营模型即服务业务，且连续 12 个月内该业务累计收入超过 2000 万美元，须与月之暗面另行签署商业协议。
  2. 规模展示门槛：若产品月活超过 1 亿，或月收入超过 2000 万美元，须在产品界面显著展示「Kimi K3」字样。

API 定价（OpenAI SDK 兼容，模型 ID kimi-k3）：

Kimi K3 API 定价（每百万 token）
Token 类型 价格
输入（缓存命中）$0.30
输入（缓存未命中）$3.00
输出（含推理过程）$15.00

由于 Mooncake 分离式推理架构在典型编程类工作负载上缓存命中率可达 90% 以上，实际大部分调用成本更接近 $0.30 档，而非 $3 表头价格。

六步 Kimi K3 接入清单（开发者 / 小团队 / 企业通用）：

  1. 明确接入路径：评估自部署（64 卡超节点）vs 官方 API vs OpenRouter 等第三方托管；绝大多数团队应选 API 路径。可参考 OpenRouter 接入教程 做多 Provider 抽象。
  2. 审阅许可证：下载 Hugging Face 上的 LICENSE 全文，确认你的商业模式不触发 Model-as-a-Service 收入门槛或规模展示门槛；法务团队重点审查「与月之暗面竞争的推理服务」场景。
  3. 配置 API 客户端：将 base URL 设为 Moonshot 官方端点，模型 ID 设为 kimi-k3；现有 OpenAI SDK 项目通常只需改 base URL 与 API Key。
  4. 启用缓存感知计费：对编程类 Agent 工作负载设计 prompt 缓存策略，利用 Mooncake 高命中率把实际输入成本压向 $0.30/M 档。
  5. 建立分层路由：日常 Agentic Coding 用 K3 或 DeepSeek V4 Flash 跑量；卡住的复杂步骤切 Claude Opus 5 或 GPT-5.6 Sol，避免单一模型账单失控。参见 7 月 OpenRouter 分层选型。
  6. 固化 7×24 Agent 运行环境：长时 Agent 编排、多模型网关须跑在常驻 macOS 节点而非合盖即断的笔记本；详见 帮助中心 与 订购页。
kimi-k3-api-example.py 
# OpenAI SDK 兼容调用示例（发布前请以官方文档核对端点与模型 ID）
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 可引用硬核数据、FAQ 与 7×24 Agent 宿主收束

  • 总参数量：2.8 万亿，激活约 1040 亿；全球首个完整开放的 3T 级模型（来源：月之暗面技术报告）。
  • 权重体积：约 1.56TB，Hugging Face 上线半小时登顶趋势榜第一（来源：Hugging Face）。
  • SWE-bench Verified：K3 独立复测 93.4%，开源阵营最强，仍低于 Claude Opus 5 的 97%（来源：Vals AI，2026 年 7 月）。
  • Artificial Analysis 智能指数：K3 max 档约 57，全球第 3、开源第 1（来源：Artificial Analysis）。
  • FlashKDA 加速：NVIDIA H20 上 prefill 比 flash-linear-attention 基线快 1.72–2.22 倍（来源：Moonshot GitHub）。
  • API 缓存命中价：输入 $0.30/M（缓存命中）vs $3.00/M（未命中）；编程负载缓存命中率 90%+（来源：Moonshot 官方）。
  • 自部署门槛：官方建议 64 卡及以上超节点；OpenRouter 上已有 7 家服务商托管 K3（来源：Moonshot / OpenRouter）。

FAQ 精选：

  • Q：Kimi K3 真的是开源模型吗？A：严格来说不是。属于开放权重模型：权重、技术报告和部分 Infra 公开，训练数据与完整训练代码未公开，不符合 OSI 开源定义。
  • Q：Kimi K3 可以免费商用吗？A：绝大多数商业场景不受限制；Model-as-a-Service 年收入超 2000 万美元或月活超 1 亿须满足许可证特定条款。
  • Q：Kimi K3 需要多少显卡才能自己部署？A：官方建议 64 卡及以上超节点；个人和大部分企业更现实的方式是官方 API 或 OpenRouter。
  • Q：Kimi K3 的性能到底强不强？A：开源阵营综合能力最强，Artificial Analysis 全球第 3；但成本高于 GLM-5.2，非性价比最优选。
  • Q：Kimi K3 和 Kimi K2 有什么区别？A：K3 参数约为 K2.5 的 3 倍，新增 AttnRes 与 Per-Head Muon，上下文与多模态大幅提升；许可证新增 MaaS 收入门槛。

下列为撰写时依据的公开来源；若上游更新，请以原文为准。

https://api.moonshot.ai/v1

https://huggingface.co/moonshotai

https://github.com/moonshotai/FlashKDA

三天后，阿里巴巴（月之暗面投资方之一）发布 24 万亿参数的 Qwen3.8-Max-Preview，被外界普遍解读为对 K3 的直接回应——国产大模型竞争正式进入「3T 俱乐部」阶段。比起纠结「开源」标签，更值得投入精力的是读懂许可证边界、建立分层路由，并把 API 推理与本地 Agent 编排分层部署。

替代方案的真实缺点（工程视角）：① 在 16GB 笔电上硬跑 Kimi K3 权重下载（1.56TB）加本地推理尝试，磁盘与内存瞬间饱和，fallback 路由再聪明也救不了硬件天花板；② 笔电合盖 sleep 后 OAuth 过期、长时 Agent 批任务中断，周榜上的「最强开源模型」无法完成 7×24 流水线；③ 为验证 K3 Agent 工作流一次性买断高配 Mac Studio，3 个月闲置折旧远高于按周租用——且 3T 级推理应走 API，本地只需稳定 macOS Agent 编排面。

对需要独占 Apple Silicon、7×24 在线、按天/周/月弹性扩容、在 macOS 宿主上稳定跑 Kimi K3 API 驱动的 Agent（Hermes、OpenClaw、Kilo Code 等）与 iOS CI 同机验证的开发者与 AI 自动化团队，NOVAKVM 的 Mac Mini 云端裸金属租赁通常是更优解：六地节点、高内存档位、SSH 直连，把 Moonshot API 推理与裸金属 macOS 执行面分层——云端 K3 调用 + 本地 Agent 编排，避免自部署 64 卡集群与笔记本 sleep 中断的双重陷阱。请在 NOVAKVM 定价页 对照 M4 Pro 与存储扩容，在 订购页 拉起试验机；远程会话见 帮助中心。