Kimi K3 はオープンソースか？Moonshot AI の 2.8 兆パラメータモデル解説
結論から言えば、厳密な定義では「いいえ」——Moonshot AI 自身もそうは言っていません。2026年7月27日夜、中国の AI ラボは Kimi K3 の完全ウェイトと技術レポートを公開しました。2.8 兆パラメータの Mixture-of-Experts モデルで、100 万 token コンテキストとネイティブ視覚理解を備えます。本記事では アーキテクチャ革新、ベンチマーク比較、ライセンス条件、自ホスト限界、API 料金 と五段統合 Runbook を解説します。
目次
ペインポイント：K3 完全公開後に見直すべき 3 つのこと
- オープンソース vs open weight の混同：中国メディアは K3 を「完全オープンソース」と広く報じていますが、Moonshot の公式資料は 「open source」という語を一度も使っていません——一貫して 「open weight」 と表記しています。法務チームが OSI 基準で監査する場合、モデルを誤分類する恐れがあります：学習データと完全な学習コードは公開されていません。
- ライセンスの 2 つの新しい商用ゲート：K3 は K2 時代の Modified MIT ライセンスを使いません。完全カスタム文書 で、以前は存在しなかった閾値が新設されています——Model-as-a-Service 事業が直近12か月で 2,000 万ドル 超、または製品が 1 億 MAU 超の場合、出荷前に法務レビューが必要です。
- 自ホストと API の現実ギャップ：2.8 兆パラメータ、約 1.56TB のウェイト、Moonshot 推奨の 64 基以上のアクセラレータ により、「ウェイトが公開された」≠「ローカルで動く」です。大多数のチームにとって現実的なのは API または OpenRouter です。
Kimi K3 はオープンソースか、それとも open weight か？
Open Source Initiative（OSI）の定義では、真のオープンソースモデルには公開された学習データ、公開された学習コード、再現可能なパイプラインが必要です——学習済みウェイトだけでは不十分です。Kimi K3 はウェイト、技術レポート、学習に隣接する複数のインフラツールを提供しますが、学習データと完全な学習コードは提供していません。したがって open-weight モデルです：誰でもダウンロード、実行、ファインチューン、商用デプロイは可能ですが、Moonshot 外部の誰もゼロから再現できません。
ライセンス自体も K2 系列と比べて厳格化しています。「Modified MIT」ではなく、以前存在しなかった 2 つの商用閾値を含む完全カスタム文書です：
- Model-as-a-Service 収益ゲート。 あなたまたは関連会社が K3 を基盤とする Model-as-a-Service 事業を運営し、直近12か月で累計 2,000 万ドル超 の収益を生む場合、継続前に Moonshot AI との別途商用契約が必要です。
- 表示義務ゲート。 製品またはサービスが 月間アクティブユーザー 1 億 超、または 月間収益 2,000 万ドル 超の場合、製品 UI に「Kimi K3」を目立つ形で表示する必要があります。
ほぼすべてのスタートアップ、個人開発者、中規模企業にとって、どちらの閾値も実務上の懸念にはなりません——今日 K3 上で商用製品を構築・出荷できます。実際に重要な条項は第一項で、Moonshot 自社 API と直接競合する形で K3 推論を大規模再販するビジネスモデルの場合に限られます。
Kimi K3 概要
| 項目 | 値 |
|---|---|
| 総パラメータ数 | 2.8 兆 |
| 活性パラメータ数 | 約 1,040 億 |
| アーキテクチャ | Mixture-of-Experts（MoE） |
| エキスパート | 896 ルーティングエキスパート、トークンあたり 16 活性化、共有エキスパートあり |
| アテンション機構 | Kimi Delta Attention（KDA）+ Gated Multi-Head Latent Attention（MLA） |
| コンテキストウィンドウ | 1,000,000 token |
| マルチモーダル | ネイティブ視覚理解（ViT-V2、27 層） |
| ウェイト形式 | MXFP4 ウェイト、MXFP8 活性化（SFT 段階からの量子化認識学習） |
| ダウンロードサイズ | 約 1.56TB（Hugging Face） |
| ライセンス | カスタムライセンス——Moonshot は「open weight」と呼び、「open source」とは呼ばない |
| 初回提供 | 2026年7月16日（API のみ） |
| 完全ウェイト公開 | 2026年7月27日 |
ウェイトとともに、Moonshot は K3 の学習を支えた 3 つのインフラ技術 MoonEP、FlashKDA、AgentEnv を公開しました。このリリースにより K3 は史上最大の完全公開 open-weight モデルとなり、1.56TB のダウンロードは 30 分以内に Hugging Face トレンド 1 位を記録しました。Moonshot は一貫して「open-weight」リリースと呼び、「open source」とは言いません。
アーキテクチャ：KDA、Attention Residuals、Per-Head Muon が実際に何をするか
Kimi K3 は既存レシピの単純スケールアップではありません——Moonshot は深層学習の長年のデフォルト 3 要素（アテンション、残差接続、オプティマイザ）を再構築しました。
Kimi Delta Attention（KDA）：チャネルごとに「忘却」を細分化
標準 Gated DeltaNet はメモリ状態全体に単一のスカラー忘却ゲートを適用します——全体が同一レートで減衰します。KDA はチャネル単位ゲーティングに置き換え、各特徴次元が独立した減衰レートを持ち、一部の特徴を無期限保持しつつ他を積極的に忘却できます。chunkwise Diagonal-Plus-Low-Rank（DPLR）公式で実装され、時間に対して線形の再帰を保ちながらハードウェア効率を維持します。K3 は KDA 層と少数のフルグローバルアテンション（Gated MLA）層を交互に配置——このハイブリッド設計が 100 万 token コンテキストを支えつつ KV キャッシュサイズを低く保つ核心です。
Attention Residuals（AttnRes）：何を残すか選ぶ残差接続
標準的な深層ネットワークでは、残差接続が深さとともに各層の出力を均一に累積し、ネットワークが深いほど早期層の情報が薄まります。AttnRes は均一累積を、先行全層からの選択的・入力依存型集約に置き換えます。オーバーヘッドは微小：層あたり RMSNorm 1 つと疑似クエリベクトル 1 つで、総パラメータのごく一部です。テストでは追加コスト 2% 未満 で約 25% の学習効率向上を達成。疑似クエリベクトルはゼロ初期化のため、初期は均一平均と等価で早期学習の不安定化を回避します。
Per-Head Muon：アテンションヘッドを独立最適化
Muon は大規模学習で広く採用されるオプティマイザです。K3 はモデル全体を均一扱いせず、アテンションヘッドごとに動作するよう拡張し、各ヘッドにより適応的な収束パスを与えます。純粋な学習時技術で、API 呼び出し側には見えません——しかし K3 が活性パラメータ数に対して閉源フロンティアモデルに匹敵する理由の一部です。
Stable LatentMoE：設計上スパース
K3 の MoE 層は 896 エキスパートをルーティングし、トークンあたり 16 のみ活性化——約 1.8% のスパース性——共有エキスパートでベースライン安定性を確保。大規模時の負荷不均衡がスループットを阻害するのを防ぐため、Moonshot は Quantile Balancing を適用し、計算ランクあたりの冗長エキスパート数の数学的上界を証明、常に実行可能な均衡ルーティング計画を保証します。
ウェイトと同じくらい重要な 3 つのインフラ公開
Moonshot はモデルカードを公開しただけではありません——K3 の学習を可能にしたインフラスタックを公開し、開発者コミュニティでの高評価の大きな理由となっています。
| 技術 | 役割 | 主要数値 |
|---|---|---|
| MoonEP | 超大規模・細粒度 MoE 向け高性能通信ライブラリ | 過負荷エキスパートを一時複製し各ランクに均等 token 数を配分；ランクあたり冗長エキスパート数の数学的上界を証明、負荷不均衡下でも効率維持 |
| FlashKDA | Kimi Delta Attention の CUTLASS ベースカーネル実装（以前より公開済み） | NVIDIA H20 で flash-linear-attention 基線比 1.72×–2.22× 高速 prefill；chunk_kda 経由でドロップイン代替バックエンドとして自動ディスパッチ、コード変更不要 |
| AgentEnv | KVCache.ai 共同開発の Firecracker microVM ベースサンドボックス | 大規模並列 Agentic RL 学習向け；高速スナップショット、fork、復元をサポート。Moonshot 報告：checkpoint 遅延最低 133ms、再開遅延最低 49ms、最大 6.5× メモリオーバーコミット（第三者独立再現は未確認） |
ベンチマーク：Kimi K3 vs GPT-5.6、Claude、GLM-5.2
ベンダー報告数値は評価ハーネスにより大きく異なるため、以下は可能な限り独立第三者評価を優先しています。
SWE-bench Verified（独立評価、Vals AI、2026年7月時点）
| モデル | スコア | 公開日 |
|---|---|---|
| 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 Intelligence Index（中立第三者総合スコア、max 推論）
- Claude Fable 5（max + fallback）：60
- GPT-5.6 Sol（max）：59
- Kimi K3（max）：約 57——総合第3、open-weight 第1
- GLM-5.2（max）：51（以前の open-weight 首位）
- DeepSeek V4 Pro（max）：44
Kimi K3 は現時点で raw 能力では最強の open-weight モデルですが、最安ではありません。Intelligence Index ではタスクあたり約 $0.95——Claude Fable 5（約 $2.40/タスク）より約 60% 安い一方、同じ open-weight の GLM-5.2（約 $0.47/タスク）より高い。要するに：open-weight 層の能力上限であり、コスパ最優先の選択肢ではない。 K3 は現在 Arena.ai の Frontend Code Arena リーダーボードでも第1位です。
引用可能な技術ファクト（EEAT）
- 規模： 総パラメータ 2.8T、活性約 104B、スパース性 1.8%（896 エキスパート中 16/token）。
- コンテキストとキャッシュ： 100 万 token コンテキスト；Mooncake 分離型サービングは典型コーディングワークロードでキャッシュヒット率 90% 超 を報告。
- 独立ベンチマーク： Vals AI SWE-bench Verified 93.4%；Artificial Analysis Intelligence Index 約 57、open-weight 第1、総合第3。
料金と自ホスト：本当に自分で動かせるか？
API 経由
Moonshot は OpenAI SDK 互換 Chat Completions API を https://api.moonshot.ai/v1 で、モデル ID kimi-k3 として提供——既存統合の多くは base URL と API キーの変更のみで済みます。
| Token 種別 | 100 万 token あたりの価格 |
|---|---|
| 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（推論トレース含む） | $15.00 |
Moonshot の分離型 Mooncake サービングアーキテクチャは典型コーディングワークロードでキャッシュヒット率 90% 超を報告しており、実運用の多くは $3.00 の表記より $0.30 に近いコストになります。
自ホスト
896 エキスパートにわたる 2.8 兆パラメータの K3 は、一般消費者向けや大多数のプロシューマー向けハードウェアでは非現実的です。Moonshot は 64 基以上のアクセラレータ を備えたスーパーノード構成でのデプロイを推奨しています。個人開発者と大多数の企業にとって現実的なのは、公式 API または OpenRouter などのルーター経由で K3 を呼び出すこと——7 プロバイダーが既にホストしており、大半は Moonshot 本体と同程度の料金です。
大局的背景：米中 AI 論争の中の Kimi K3
Kimi K3 の open-weight 公開は真空では起きませんでした。世界人工知能大会（WAIC 2026）の期間中、米中「モデル蒸留」論争が急激にエスカレートした直後です：白宫科学技術顧問 Michael Kratsios が Moonshot の Anthropic Fable モデルに対する「大規模・秘密の工業蒸留」キャンペーンを K3 学習に使ったと非難し、米財務長官 Scott Bessent が制裁と Entity List 指定を示唆しました。中国商務部は7月28日に「AI 覇権主義」を非難し反制措置を警告。こうした背景の中、完全ウェイト・技術レポート・3 つのインフラ技術の公開は意図的なシグナルと読めます——Moonshot はエンジニアリングを詳細に示すことが手法への疑問に答える最も明確な方法だと賭けています。K3 公開 3 日後、Moonshot の投資家の一つである Alibaba が 2.4 兆パラメータの Qwen3.8-Max-Preview を発表し、K3 への直接応答と広く解釈され、open-weight 競争は「3T クラブ」と呼ばれる段階に入りました。
五段統合 Runbook
FAQ
Kimi K3 はオープンソースですか？
いいえ、OSI の厳密な定義では該当しません。open-weight モデルです：学習済みウェイト、技術レポート、一部インフラツール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公開されていません。Moonshot 自身も資料で「open weight」と表記し、「open source」とは言いません。
Kimi K3 を無料で商用利用できますか？
はい、大多数のユースケースでは可能です。制限が適用されるのは、K3 を基盤とする Model-as-a-Service 事業が直近12か月で 2,000 万ドル超の収益を生む場合（Moonshot との別途契約が必要）、または製品が月間アクティブユーザー 1 億超・月間収益 2,000 万ドル超の場合（UI に「Kimi K3」表示が必要）のみです。
Kimi K3 を自ホストするにはどれくらいの VRAM / ハードウェアが必要ですか？
Moonshot は 64 基以上のアクセラレータを備えたスーパーノード構成を推奨しています。一般消費者向けや大多数のプロシューマー向けハードウェアでは現実的ではありません。多くの開発者は公式 API や OpenRouter などのホスティングプロバイダーを利用すべきです。
Kimi K3 は GPT-5.6 や Claude と比べてどうですか？
独立 SWE-bench Verified スコア（93.4% vs 95–97%）では Claude Opus 5、GPT-5.6 Sol、Claude Fable 5 にやや劣り、Artificial Analysis Intelligence Index では総合第3位ですが、GLM-5.2 や DeepSeek V4 Pro を上回る最強の open-weight モデルです。
Kimi K3 と Kimi K2 の違いは何ですか？
K3 は K2.5 の約3倍のパラメータ数、アーキテクチャに Attention Residuals と Per-Head Muon を追加、コンテキストウィンドウとマルチモーダル能力を大幅拡張しています。ライセンスにも K2 系列にはなかった Model-as-a-Service 収益閾値が新設され、商用条件がより細分化されています。
まとめ
Kimi K3 の完全 open-weight 公開は、中国フロンティアモデルの新段階——「API 利用可能」から「エンジニアリング詳細が監査可能」へ——を示します。KDA、AttnRes、Per-Head Muon、Stable LatentMoE による真のアーキテクチャ革新、閉源フロンティアモデルに対する競争力あるベンチマーク、MoonEP/FlashKDA/AgentEnv の 3 つの公開インフラを提供します。ただし open weight は OSI オープンソースではなく、カスタムライセンスの 2 つの商用ゲートは慎重な法務レビューが必要です。
Kimi K3 Agent を個人ノート PC や汎用 Linux VPS 上だけで運用すると、スリープによる長ループ中断、API キーと本番コードベースの混在、Apple ツールチェーン（Xcode、Fastlane、notarytool）を同一マシンで扱えない等の制約があります。7×24 無人 Agent——Kimi Code で K3 を動かしつつ iOS CI や OpenClaw ゲートウェイも扱う——が必要なチームにとって、VPSMAC の M4 Mac クラウドノードをレンタル（ネイティブ macOS、SSH + launchd デーモン、開発ツールと同一ネットワークセグメント）は、個人デバイスや Linux VPS より安定した本番向け選択肢です。
出典： Moonshot 公式ブログ · Kimi API ドキュメント · Vals AI SWE-bench Verified · Artificial Analysis Intelligence Index
データ基準日：2026年7月28日。 ベンチマークは Vals AI と Artificial Analysis の独立評価を優先。モデル能力と料金は変更される可能性があります——出荷前に公式ドキュメントで確認してください。