Kimi K3 深度評測：2.8 萬億參數，國產開源大模型新紀錄
2026 年 7 月 16 日深夜，月之暗面（Moonshot AI）在 API 文件頂部悄然掛上「🎉 Kimi K3 已上線！」——沒有大型發布會，卻發布了全球參數規模最大的開源 AI 模型。本文面向 AI 開發者與模型選型決策者，完整解析 KDA 架構、百萬 token 上下文、全部基準對比、定價策略、四路接入方式與 7 月 27 日權重開源計劃，並附五步 Runbook 與選型矩陣。
內容目錄
痛點拆解：為什麼 K3 發布讓模型選型必須重估？
- 開源規模與閉源智能的鴻溝正在縮小：團隊長期預設「閉源旗艦 > 開源」，但 K3 在 Artificial Analysis Intelligence Index v4.1 以 57.1 分排名第四，距 Claude Fable 5（59.9）僅差 2.8 分——開源首次進入第一梯隊對話。
- 長上下文與真實帳單脫節：多數模型標稱 200K–400K 上下文，但按長度溢價計費導致團隊不敢用滿；K3 提供 1M token 固定單價，且程式設計場景快取命中率超 90%，有效輸入成本可低至 $0.30/M。
- 單一供應商政策風險：Claude Fable 5 出口管制下線 教訓表明，把生產 Agent 綁死在單一閉源 API 存在斷供風險；K3 承諾 7 月 27 日完整權重開源，為自託管與混合路由提供新選項。
一、它是什麼？一句話說清楚
Kimi K3 是目前全球參數規模最大的開源 AI 模型——2.8 萬億（2.8T）參數，超越此前紀錄保持者 DeepSeek V4 Pro（1.6T） 近 75%，是小米開源模型（1.02T）的 2.7 倍，是阿里（397B）的 7 倍有餘。
它採用稀疏的混合專家（MoE）架構，實際推理時只激活 896 個專家中的 16 個；配合 100 萬 token 的超長上下文視窗（約等於一次性讀完 5 本《紅樓夢》全文），以及原生視覺理解能力，專為複雜程式設計任務、長文件推理、知識工作場景而設計。
| 規格 | 詳情 |
|---|---|
| 總參數量 | 2.8 萬億 |
| 架構 | Kimi Delta Attention (KDA) + Attention Residuals + Stable LatentMoE |
| 激活專家 | 16 / 896（稀疏度 1.8%） |
| 上下文視窗 | 1,048,576 tokens（1M） |
| 輸入模態 | 文本、圖像、影片 |
| 推理模式 | 發布時僅 max（low/high 後續更新） |
| API 模型 ID | kimi-k3 |
| 權重開源 | 2026 年 7 月 27 日 |
一句話總結： Kimi K3 是一個開源的、可以原生理解圖像和影片的、擁有超長記憶的「重量級程式設計 AI」，定價比 Claude Opus 4.8 便宜約 40%，且完整權重將於 7 月 27 日對外開源。
二、背景：為什麼這次發布意義重大？
月之暗面在過去 18 個月經歷了 DeepSeek 崛起帶來的巨大衝擊，市場份額一度大幅縮水。然而，K3 的發布堪稱一次漂亮的反擊——
- 過去 12 個月裡，Kimi 系列模型有 9 個月佔據開源模型規模上限的位置；
- 發布時間恰在 2026 世界人工智慧大會（WAIC） 開幕前夜（7 月 17–20 日），具有極強戰略信號；
- 截至 2026 年 6 月，月之暗面 ARR 已突破 3 億美元，今年內完成第 6 輪融資，投前估值達 315 億美元；
- API 收入佔整體收入 七成以上，海外付費用戶增長 400%。
這不是一家「賣情懷」的公司在硬撐規模，而是一家商業化正在爆發的公司，在向全球宣示技術主權。
三、核心架構：三大創新詳解
3.1 Kimi Delta Attention（KDA）—— 重新設計「注意力」機制
傳統 Transformer 全注意力在長上下文下計算量呈平方級增長——處理 100 萬 token 時，KV 快取記憶體消耗是毀滅性的。
KDA 是一種混合線性注意力機制，核心設計是：
- 以 3:1 的比例交替使用線性注意力層與全注意力層——3 個線性層處理局部序列（計算廉價），1 個全注意力層保留全域資訊流；
- KV 快取記憶體減少高達 75%；
- 百萬 token 上下文下，解碼速度提升高達 6.3 倍；
- 在短上下文、長上下文和強化學習擴展三種場景中，均超越純全注意力基線。
簡單類比：全注意力像讓一個人同時記住所有對話細節；KDA 更像高效秘書——大部分時候用快速索引，關鍵時刻再精準回憶。
3.2 Attention Residuals（AttnRes）—— 解決深度資訊丟失
標準殘差連接會將資訊沿深度均勻積累，導致早期層關鍵表徵在深層被稀釋。AttnRes 引入選擇性檢索——模型可跨越深度直接拉取更早層的高價值表徵，帶來約 25% 訓練效率提升，額外計算開銷不足 2%。
3.3 Stable LatentMoE —— 超高稀疏度的穩定訓練
Kimi K3 共有 896 個專家，每次推理只激活 16 個——稀疏度達 1.8%。Moonshot 配套技術如下：
| 技術 | 作用 |
|---|---|
| Quantile Balancing | 從路由器得分分位數直接推導專家分配，消除啟發式超參 |
| Per-Head Muon | 針對每個注意力頭獨立優化，使大規模訓練更自適應 |
| Sigmoid Tanh Unit（SiTU） | 改進激活函數控制 |
| Gated MLA | 提升注意力選擇性 |
綜合以上創新，Kimi K3 相較 Kimi K2，整體擴展效率提升約 2.5 倍——相同算力，轉化出更強的智能。
四、基準測試：到底強在哪？
| 基準測試 | 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（視覺） | 81.6 | 81.2 | 83.0 | 78.9 | — |
| OmniDocBench（文件理解） | 91.1 | 89.8 | 85.8 | 87.9 | — |
解讀重點：
- 程式設計長任務（SWE Marathon）：K3 以 42.0 大幅領先排名第一，最接近「實際寫程式數小時」的場景；
- Program Bench：K3 以微小優勢位列第一（77.8 vs Fable 5 的 76.8）；
- FrontierSWE：Fable 5 領跑（86.6），K3（81.2）大幅超越 GPT-5.6 Sol（71.3）；
- 文件理解（OmniDocBench）：K3 第一（91.1），體現視覺 + 長上下文協同；
- 綜合智能：Artificial Analysis Intelligence Index v4.1 中 K3 以 57.1 分排名第四，緊隨 Fable 5（59.9）和 GPT-5.6 Sol（58.9）。
⚠️ 注意事項： 上述為月之暗面自報數據，不同模型使用各自推理 harness，獨立第三方復現仍在進行中。
五、定價：比 Claude 便宜，與 Sonnet 持平
| 模型 | 輸入（$/M token） | 輸出（$/M token） | 快取命中輸入 | 上下文視窗 |
|---|---|---|---|---|
| Kimi K3 | $3.00 | $15.00 | $0.30 | 1M |
| Claude Sonnet 5 | $3.00（促銷 $2） | $15.00（促銷 $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 價格與 Claude Sonnet 5 標準價持平（$3/$15），但提供 5 倍上下文視窗；
- 快取命中低至 $0.30/M，程式設計場景快取命中率超 90%，有效輸入成本極低；
- 國內 API：¥20/M（輸入）、¥100/M（輸出）、快取命中 ¥2/M；
- 消費者版 kimi.com 免費帳號可用，預付費套餐 ¥199 起（優惠截至 8 月 11 日）。
六、如何立即使用（四路接入）
方法一：Kimi 網頁/App（最簡單）
訪問 kimi.com，註冊帳號（支援 Google 帳號），K3 預設以最大推理力度執行。
方法二：官方 API（開發者）
在 platform.kimi.ai 獲取 API Key。
方法三：OpenRouter
模型 ID：moonshotai/kimi-k3，Moonshot 官方定價，無額外加價，完整 1M 上下文。
方法四：等 7 月 27 日開源權重
完整模型權重將於 2026 年 7 月 27 日在 Hugging Face 開放（需 64 張以上加速卡超節點，生產級門檻較高）。訓練採用 MXFP4 權重與 MXFP8 激活，量化友好；vLLM、SGLang 等框架預計 Day-0 支援。
七、橫向對比：怎麼選？
| 場景 | 推薦模型 | 原因 |
|---|---|---|
| 持續性長程式碼任務（SWE Marathon 類） | Kimi K3 | 基準第一，上下文最長 |
| 複雜 Repo 級別修 Bug | Claude Fable 5 | FrontierSWE / SWE-bench Pro 大幅領先 |
| 終端/工具鏈密集型 Agent | GPT-5.6 Sol | Terminal Bench 和 Coding Agent Index 領先 |
| 超長文件分析/多模態文件理解 | Kimi K3 | OmniDocBench 第一，原生視覺 + 1M 上下文 |
| 成本敏感場景 | DeepSeek V4 Pro | 輸出僅 $3.48/M，遠低於 K3 |
| 開源自部署（7/27 後） | Kimi K3 | 最強開源權重，首個超 2T 參數級別 |
| 最深推理研究（HLE-Full） | Claude Fable 5 | HLE-Full 53.3 vs K3 43.5，差距顯著 |
八、開源承諾：7 月 27 日值得期待
月之暗面在官方 WeChat 公告中明確承諾：7 月 27 日開放完整模型權重（Modified MIT 許可）。一旦開放，Kimi K3 將成為：
- 迄今參數最大的可下載開源模型；
- 首個超 2 萬億參數級別的開源權重；
- 開源社群訓練/微調基座新標竿。
屆時 Hugging Face 將出現 MXFP4/NVFP4 量化版本，vLLM、SGLang 等主流推理框架預計第一時間支援。
可引用技術資訊（EEAT）
- 參數規模：2.8T 總參數，超越 DeepSeek V4 Pro（1.6T）近 75%。
- 稀疏激活：896 專家中僅激活 16 個，稀疏度 1.8%。
- KDA 效率：百萬 token 下 KV 快取減 75%，解碼加速最高 6.3×。
- 快取經濟：程式設計場景快取命中率 90%+，有效輸入均價可低至 $0.55/M（OpenRouter 7 日加權實證）。
- 智能指數：Artificial Analysis v4.1 綜合分 57.1，距榜首僅 2.8 分。
九、五步接入 Runbook
步驟 2 選擇接入面：網頁免費試用 / 官方 API / OpenRouter moonshotai/kimi-k3
步驟 3 設定 OpenAI SDK：base_url=https://api.moonshot.ai/v1，model=kimi-k3
步驟 4 用 SWE Marathon 類真實長程式碼任務 Pilot 10–20 次，記錄品質、Token 與快取命中
步驟 5 上線混合路由：長程式碼與文件分析路由 K3，Repo 級修 Bug 保留 Fable 5，終端 Agent 可保留 GPT-5.6 Sol
十、常見問題（FAQ）
Q: Kimi K3 可以免費使用嗎？
A: 可以。kimi.com 免費帳號即可使用；API 按 $3/$15 per MTok 計費。
Q: 能本地部署嗎？
A: 權重 7 月 27 日開放；生產推理需 64+ 加速卡超節點，筆電不現實。
Q: 與 DeepSeek V4 Pro 怎麼選？
A: K3 參數與上下文更大、多項基準更強；DeepSeek 輸出 $3.48/M，成本敏感首選。
Q: 100 萬 token 上下文實用嗎？
A: 對完整程式碼庫分析、長法律/研究文件、多輪 Agent 長記憶非常實用；且無長度溢價。
Q: 低/高推理力度何時上線？
A: Moonshot 表示將在後續更新推出，目前僅 max 可用。
Q: 基準數據可信嗎？
A: 為自報數據，各廠商 harness 不同，請結合獨立復現與真實 Pilot 決策。
總結
Kimi K3 不是「參數堆砌」的面子工程。它在架構層面（KDA、AttnRes、Stable LatentMoE）做了真正的工程創新，在程式設計長任務、文件理解等關鍵賽道上對標乃至超越部分閉源旗艦，定價合理，且承諾完整開源——代表中國 AI 開源生態從「以低價換市場」走向「挑戰智能前沿」。
關注時間節點： 7 月 17–20 日（WAIC，更多發布預計）→ 7 月 27 日（K3 完整權重開源）。
但若你把 Kimi K3 Agent 完全跑在個人筆電或普通 Linux VPS 上，會面臨休眠中斷長迴圈、本地金鑰與生產程式碼庫混存、以及無法在 Apple 工具鏈（Xcode、Fastlane、notarytool）同機編排等侷限；純 API 呼叫也缺少隔離的 macOS 建置與簽章環境。對於需要 7×24 無人值守 Agent、在 Kimi Code 中跑 K3 同時又要做 iOS CI 或 OpenClaw 閘道的團隊，租賃 VPSMAC 的 M4 Mac 雲節點——原生 macOS、SSH + launchd 守護、與遠端開發工具同網段——通常是比個人裝置或 Linux VPS 更穩定、更適合混合模型策略的生產選擇。
參考資料： Moonshot 官方技術博客 · Kimi API 文件 · Artificial Analysis · OpenRouter 定價頁
數據截止日期：2026-07-16。 基準為 Moonshot 自報數據，模型能力與定價可能隨時更新，建議發布時核實最新官方文件。