Kimi K3 徹底レビュー：2.8兆パラメータ、オープンソースLLMの新記録
2026年7月16日深夜、Moonshot AI（月之暗面）は API ドキュメント上部に静かに「🎉 Kimi K3 リリース！」と掲載——大規模発表会なしに世界最大パラメータのオープンソース AI モデルを公開した。本稿は AI 開発者とモデル選定担当者向けに、KDA アーキテクチャ、100万トークンコンテキスト、全ベンチマーク比較、価格戦略、4つの接続経路、7月27日のウェイト公開計画を網羅し、5段階 Runbook と選型マトリクスを付す。
目次
課題整理：なぜ K3 公開でモデル選定を見直す必要があるか？
- オープンソース規模とクローズド知能のギャップが縮小：チームは長年「クローズド旗艦 > オープンソース」を前提にしてきたが、K3 は Artificial Analysis Intelligence Index v4.1 で 57.1 点・第4位、Claude Fable 5（59.9）との差はわずか 2.8 点——オープンソースが初めて第一梯隊の対話に参入。
- 長コンテキストと実際の請求の乖離：多くのモデルは 200K–400K コンテキストを標榜するが、長さプレミアム課金のためチームは使い切れない；K3 は 1M token 定額単価で、コーディングシーンのキャッシュヒット率は 90%超、実効入力コストは $0.30/M まで下がる。
- 単一ベンダーの政策リスク：Claude Fable 5 の輸出規制による提供停止の教訓は、本番 Agent を単一クローズド API に縛る断供リスクを示す；K3 は 7月27日に完全ウェイト公開を約束し、セルフホストとハイブリッドルーティングの新選択肢を提供。
一、それは何か？一言で
Kimi K3 は現時点で世界最大パラメータのオープンソース AI モデル——2.8兆（2.8T）パラメータ。従来記録保持者 DeepSeek V4 Pro（1.6T） を約 75%上回り、Xiaomi オープンモデル（1.02T）の 2.7 倍、Alibaba（397B）の 7 倍以上。
スパース混合エキスパート（MoE）アーキテクチャで、推論時は 896 エキスパート中 16 個のみ活性化。100万トークンの超長コンテキスト（『紅楼夢』全5巻を一度に読む相当）とネイティブ視覚理解を備え、複雑なコーディング、長文推論、ナレッジワーク向けに設計。
| 仕様 | 詳細 |
|---|---|
| 総パラメータ | 2.8兆 |
| アーキテクチャ | Kimi Delta Attention (KDA) + Attention Residuals + Stable LatentMoE |
| 活性エキスパート | 16 / 896（スパース度 1.8%） |
| コンテキスト | 1,048,576 tokens（1M） |
| 入力モダリティ | テキスト、画像、動画 |
| 推論モード | リリース時は max のみ（low/high は今後） |
| API モデル ID | kimi-k3 |
| ウェイト公開 | 2026年7月27日 |
一言まとめ： Kimi K3 はオープンソースで、画像・動画をネイティブ理解し、超長記憶を持つ「重量級コーディング AI」。Claude Opus 4.8 より約 40% 安く、7月27日に完全ウェイト公開予定。
二、背景：なぜ今回のリリースは重要か？
Moonshot AI は過去18か月、DeepSeek 台頭の大きな衝撃でシェアを大幅に失った。しかし K3 公開は見事な反撃——
- 過去12か月のうち 9か月、Kimi シリーズがオープンモデル規模の上限を占めた；
- リリースは 2026 世界人工知能大会（WAIC） 開幕前夜（7月17–20日）に重なり、強い戦略シグナル；
- 2026年6月時点で Moonshot の ARR は 3億ドル突破、年内に第6ラウンド調達、事前評価額 315億ドル；
- API 収入は全体の 7割超、海外有料ユーザーは 400% 増。
これは「情熱だけで規模を維持」する会社ではなく、商業化が爆発中の会社が世界に技術主権を宣言している。
三、コアアーキテクチャ：3大革新の詳解
3.1 Kimi Delta Attention（KDA）——「注意」機構の再設計
従来 Transformer のフルアテンションは長コンテキストで計算量が二乗増——100万トークン処理時、KV キャッシュのメモリ消費は壊滅的。
KDA はハイブリッド線形アテンションで、コア設計は：
- 3:1で線形アテンション層とフルアテンション層を交互配置——3層の線形層が局所シーケンスを処理（計算安価）、1層のフルアテンションがグローバル情報流を保持；
- KV キャッシュメモリを最大 75%削減；
- 100万トークン下でデコード速度を最大 6.3倍向上；
- 短・長コンテキストと強化学習拡張の3シーンすべてで純フルアテンションベースラインを上回る。
単純な比喩：フルアテンションは全対話の細部を同時に覚える人；KDA は効率的な秘書——大半は高速インデックス、要所で精密に想起。
3.2 Attention Residuals（AttnRes）——深度情報消失の解決
標準残差接続は情報を深度に沿って均等蓄積し、早期層の重要表現が深層で希薄化。AttnRes は選択的検索を導入——モデルが深度を跨いでより浅い層の高価値表現を直接取得し、約 25% 訓練効率向上、追加計算オーバーヘッドは 2% 未満。
3.3 Stable LatentMoE —— 超高スパース度の安定訓練
Kimi K3 は 896 エキスパートを持ち、推論ごとに 16 個のみ活性化——スパース度 1.8%。Moonshot の配套技術：
| 技術 | 役割 |
|---|---|
| Quantile Balancing | ルータースコアの分位数から直接エキスパート割当を導出、ヒューリスティック超参を排除 |
| Per-Head Muon | 各アテンションヘッドを独立最適化し大規模訓練を適応的に |
| Sigmoid Tanh Unit（SiTU） | 活性化関数制御の改善 |
| Gated MLA | アテンション選択性の向上 |
以上の革新により、Kimi K3 は Kimi K2 比で全体スケール効率が約 2.5 倍——同じ算力でより強い知能へ。
四、ベンチマーク：どこが強いか？
| ベンチマーク | Kimi K3 | Claude Fable 5 | GPT-5.6 Sol | Claude Opus 4.8 | GLM-5.2 |
|---|---|---|---|---|---|
| DeepSWE | 67.5 | 70.0 | 73.0 | 59.0 | 46.2 |
| Program Bench | 77.8 | 76.8 | 77.6 | 71.9 | 63.7 |
| Terminal Bench 2.1 | 88.3 | 84.6 | 88.8 | 84.6 | 82.7 |
| FrontierSWE | 81.2 | 86.6 | 71.3 | 66.7 | 67.3 |
| SWE Marathon | 42.0 | 35.0 | 39.0 | 40.0 | 13.0 |
| BrowseComp | 91.2 | 88.0 | 90.4 | 84.3 | — |
| Automation Bench | 30.8 | 29.1 | 29.7 | 27.2 | 12.9 |
| GPQA-Diamond | 93.5 | 92.6 | 94.1 | 91.0 | 91.2 |
| MMMU-Pro（視覚） | 81.6 | 81.2 | 83.0 | 78.9 | — |
| OmniDocBench（文書理解） | 91.1 | 89.8 | 85.8 | 87.9 | — |
読み取りポイント：
- コーディング長タスク（SWE Marathon）：K3 は 42.0 で大幅首位、「実際に数時間コードを書く」シーンに最も近い；
- Program Bench：K3 がわずかに首位（77.8 vs Fable 5 の 76.8）；
- FrontierSWE：Fable 5 が首位（86.6）、K3（81.2）は GPT-5.6 Sol（71.3）を大きく上回る；
- 文書理解（OmniDocBench）：K3 首位（91.1）、視覚 + 長コンテキストの相乗；
- 総合知能：Artificial Analysis Intelligence Index v4.1 で K3 は 57.1 点・第4位、Fable 5（59.9）と GPT-5.6 Sol（58.9）に続く。
⚠️ 注意： 上記は Moonshot 自報データ。各モデルは独自推論 harness を使用し、独立第三者再現は進行中。
五、価格：Claude より安く、Sonnet と同水準
| モデル | 入力（$/M token） | 出力（$/M token） | キャッシュヒット入力 | コンテキスト |
|---|---|---|---|---|
| Kimi K3 | $3.00 | $15.00 | $0.30 | 1M |
| Claude Sonnet 5 | $3.00（プロモ $2） | $15.00（プロモ $10） | — | 200K |
| Claude Opus 4.8 | $5.00 | $25.00 | — | 200K |
| GPT-5.5 | $5.00 | $30.00 | — | 400K |
| DeepSeek V4 Pro | $1.74 | $3.48 | $0.145 | 128K |
| Kimi K2.6 | $0.95 | $4.00 | $0.16 | 256K |
- K3 は Claude Sonnet 5 標準価格と同水準（$3/$15）だが 5倍のコンテキスト；
- キャッシュヒットは $0.30/M まで、コーディングシーンのヒット率 90%超で実効入力コストは極めて低い；
- 中国国内 API：¥20/M（入力）、¥100/M（出力）、キャッシュヒット ¥2/M；
- 消費者版 kimi.com は無料アカウント利用可、プリペイド ¥199 から（8月11日まで割引）。
六、今すぐ使う方法（4つの接続経路）
方法1：Kimi Web/App（最も簡単）
kimi.com にアクセスしアカウント登録（Google アカウント可）。K3 はデフォルトで最大推論モード。
方法2：公式 API（開発者向け）
platform.kimi.ai で API Key を取得。
方法3：OpenRouter
モデル ID：moonshotai/kimi-k3。Moonshot 公式価格、追加マージンなし、完全 1M コンテキスト。
方法4：7月27日のオープンウェイトを待つ
完全モデルウェイトは 2026年7月27日に Hugging Face で公開（64枚超アクセラレータのスーパーノードが必要、本番ハードルは高い）。訓練は MXFP4 ウェイトと MXFP8 活性化で量子化フレンドリー；vLLM、SGLang 等は Day-0 対応見込み。
七、横断比較：どう選ぶ？
| シーン | 推奨モデル | 理由 |
|---|---|---|
| 継続的長コードタスク（SWE Marathon 系） | Kimi K3 | ベンチ首位、最長コンテキスト |
| 複雑 Repo レベルのバグ修正 | Claude Fable 5 | FrontierSWE / SWE-bench Pro で大幅リード |
| ターミナル/ツールチェーン密集 Agent | GPT-5.6 Sol | Terminal Bench と Coding Agent Index でリード |
| 超長文書分析/マルチモーダル文書理解 | Kimi K3 | OmniDocBench 首位、ネイティブ視覚 + 1M コンテキスト |
| コスト重視 | DeepSeek V4 Pro | 出力 $3.48/M のみ、K3 より大幅に安い |
| オープンソース自ホスト（7/27以降） | Kimi K3 | 最強オープンウェイト、初の 2T 超クラス |
| 最深推論研究（HLE-Full） | Claude Fable 5 | HLE-Full 53.3 vs K3 43.5、差は顕著 |
八、オープンソース公開：7月27日が期待できる理由
Moonshot は公式 WeChat 公告で 7月27日に完全モデルウェイト公開（Modified MIT ライセンス）を明言。公開後、Kimi K3 は：
- これまで最大のダウンロード可能オープンモデル；
- 初の 2兆パラメータ超オープンウェイト；
- オープンコミュニティの訓練/微調整ベースの新標準。
その際 Hugging Face に MXFP4/NVFP4 量子化版が登場し、vLLM、SGLang 等の主流推論フレームワークが第一時間対応見込み。
引用可能な技術情報（EEAT）
- パラメータ規模：2.8T 総パラメータ、DeepSeek V4 Pro（1.6T）を約 75%上回る。
- スパース活性化：896 エキスパート中 16 個のみ活性、スパース度 1.8%。
- KDA 効率：100万トークン下で KV キャッシュ 75%削減、デコード最大 6.3×加速。
- キャッシュ経済：コーディングシーンのヒット率 90%+、実効入力平均 $0.55/M まで（OpenRouter 7日加重実証）。
- 知能指数：Artificial Analysis v4.1 総合 57.1、首位との差わずか 2.8 点。
九、5段階接続 Runbook
ステップ 2 接続面を選択：Web 無料試用 / 公式 API / OpenRouter moonshotai/kimi-k3
ステップ 3 OpenAI SDK 設定：base_url=https://api.moonshot.ai/v1、model=kimi-k3
ステップ 4 SWE Marathon 系の実長コードタスクを Pilot 10–20 回、品質・Token・キャッシュヒットを記録
ステップ 5 ハイブリッドルーティング本番：長コードと文書分析は K3、Repo 級バグ修正は Fable 5、ターミナル Agent は GPT-5.6 Sol
十、よくある質問（FAQ）
Q: Kimi K3 は無料で使えますか？
A: はい。kimi.com の無料アカウントで利用可；API は $3/$15 per MTok。
Q: ローカルデプロイできますか？
A: ウェイトは7月27日公開；本番推論は 64+ アクセラレータのスーパーノードが必要、ノートPCは非現実的。
Q: DeepSeek V4 Pro との選び方は？
A: K3 はパラメータとコンテキストが大きく複数ベンチで優位；DeepSeek は出力 $3.48/M でコスト重視向け。
Q: 100万トークンコンテキストは実用的ですか？
A: コードベース一括分析、長文法律/研究文書、多輪 Agent 長期記憶に非常に有効；長さプレミアムなし。
Q: low/high 推論モードはいつ？
A: Moonshot は今後のアップデートで提供予定。現状は max のみ。
Q: ベンチマークは信頼できますか？
A: 自報データ。各社 harness が異なるため、独立再現と実 Pilot を併用して判断。
まとめ
Kimi K3 は「パラメータ積み上げ」の見せかけではない。アーキテクチャ（KDA、AttnRes、Stable LatentMoE）で真の工学革新を行い、コーディング長タスク・文書理解など重要領域で一部クローズド旗艦に匹敵乃至凌駕、価格も妥当で完全オープンソースを約束——中国 AI オープンエコが「低価格で市場獲得」から「知能フロンティアに挑戦」へ移行した象徴。
注目タイムライン： 7月17–20日（WAIC、追加発表見込み）→ 7月27日（K3 完全ウェイト公開）。
しかし Kimi K3 Agent を個人ノートPCや通常の Linux VPS だけで回すと、スリープによる長ループ中断、ローカル鍵と本番コードベースの混在、Apple ツールチェーン（Xcode、Fastlane、notarytool）の同機オーケストレーション不可などの制約がある；API のみでは分離された macOS ビルド・署名環境も欠ける。7×24 無人 Agent、Kimi Code で K3 を走らせつつ iOS CI や OpenClaw ゲートウェイも必要なチームには、VPSMAC の M4 Mac クラウドノード——ネイティブ macOS、SSH + launchd デーモン、リモート開発ツールと同セグメント——が個人端末や Linux VPS より安定し、ハイブリッドモデル戦略の本番に適する。
参考： Moonshot 公式技術ブログ · Kimi API ドキュメント · Artificial Analysis · OpenRouter 価格ページ
データ截止：2026-07-16。 ベンチは Moonshot 自報データ。モデル能力と価格は随時更新の可能性あり。公開時に最新公式ドキュメントを確認すること。