Kimi K3 深度评测：2.8 万亿参数，国产开源大模型新纪录
2026 年 7 月 16 日深夜，月之暗面（Moonshot AI）在 API 文档顶部悄然挂上「🎉 Kimi K3 已上线！」——没有大型发布会，却发布了全球参数规模最大的开源 AI 模型。本文面向 AI 开发者与模型选型决策者，完整解析 KDA 架构、百万 token 上下文、全部基准对比、定价策略、四路接入方式与 7 月 27 日权重开源计划，并附五步 Runbook 与选型矩阵。
内容目录
痛点拆解：为什么 K3 发布让模型选型必须重估？
- 开源规模与闭源智能的鸿沟正在缩小：团队长期默认「闭源旗舰 > 开源」，但 K3 在 Artificial Analysis Intelligence Index v4.1 以 57.1 分排名第四，距 Claude Fable 5（59.9）仅差 2.8 分——开源首次进入第一梯队对话。
- 长上下文与真实账单脱节：多数模型标称 200K–400K 上下文，但按长度溢价计费导致团队不敢用满；K3 提供 1M token 固定单价，且编程场景缓存命中率超 90%，有效输入成本可低至 $0.30/M。
- 单一供应商政策风险：Claude Fable 5 出口管制下线 教训表明，把生产 Agent 绑死在单一闭源 API 存在断供风险；K3 承诺 7 月 27 日完整权重开源，为自托管与混合路由提供新选项。
一、它是什么？一句话说清楚
Kimi K3 是目前全球参数规模最大的开源 AI 模型——2.8 万亿（2.8T）参数，超越此前纪录保持者 DeepSeek V4 Pro（1.6T） 近 75%，是小米开源模型（1.02T）的 2.7 倍，是阿里（397B）的 7 倍有余。
它采用稀疏的混合专家（MoE）架构，实际推理时只激活 896 个专家中的 16 个；配合 100 万 token 的超长上下文窗口（约等于一次性读完 5 本《红楼梦》全文），以及原生视觉理解能力，专为复杂编程任务、长文档推理、知识工作场景而设计。
| 规格 | 详情 |
|---|---|
| 总参数量 | 2.8 万亿 |
| 架构 | Kimi Delta Attention (KDA) + Attention Residuals + Stable LatentMoE |
| 激活专家 | 16 / 896（稀疏度 1.8%） |
| 上下文窗口 | 1,048,576 tokens（1M） |
| 输入模态 | 文本、图像、视频 |
| 推理模式 | 发布时仅 max（low/high 后续更新） |
| API 模型 ID | kimi-k3 |
| 权重开源 | 2026 年 7 月 27 日 |
一句话总结： Kimi K3 是一个开源的、可以原生理解图像和视频的、拥有超长记忆的「重量级编程 AI」，定价比 Claude Opus 4.8 便宜约 40%，且完整权重将于 7 月 27 日对外开源。
二、背景：为什么这次发布意义重大？
月之暗面在过去 18 个月经历了 DeepSeek 崛起带来的巨大冲击，市场份额一度大幅缩水。然而，K3 的发布堪称一次漂亮的反击——
- 过去 12 个月里，Kimi 系列模型有 9 个月占据开源模型规模上限的位置；
- 发布时间恰在 2026 世界人工智能大会（WAIC） 开幕前夜（7 月 17–20 日），具有极强战略信号；
- 截至 2026 年 6 月，月之暗面 ARR 已突破 3 亿美元，今年内完成第 6 轮融资，投前估值达 315 亿美元；
- API 收入占整体收入 七成以上，海外付费用户增长 400%。
这不是一家「卖情怀」的公司在硬撑规模，而是一家商业化正在爆发的公司，在向全球宣示技术主权。
三、核心架构：三大创新详解
3.1 Kimi Delta Attention（KDA）—— 重新设计「注意力」机制
传统 Transformer 全注意力在长上下文下计算量呈平方级增长——处理 100 万 token 时，KV 缓存内存消耗是毁灭性的。
KDA 是一种混合线性注意力机制，核心设计是：
- 以 3:1 的比例交替使用线性注意力层与全注意力层——3 个线性层处理局部序列（计算廉价），1 个全注意力层保留全局信息流；
- KV 缓存内存减少高达 75%；
- 百万 token 上下文下，解码速度提升高达 6.3 倍；
- 在短上下文、长上下文和强化学习扩展三种场景中，均超越纯全注意力基线。
简单类比：全注意力像让一个人同时记住所有对话细节；KDA 更像高效秘书——大部分时候用快速索引，关键时刻再精准回忆。
3.2 Attention Residuals（AttnRes）—— 解决深度信息丢失
标准残差连接会将信息沿深度均匀积累，导致早期层关键表征在深层被稀释。AttnRes 引入选择性检索——模型可跨越深度直接拉取更早层的高价值表征，带来约 25% 训练效率提升，额外计算开销不足 2%。
3.3 Stable LatentMoE —— 超高稀疏度的稳定训练
Kimi K3 共有 896 个专家，每次推理只激活 16 个——稀疏度达 1.8%。Moonshot 配套技术如下：
| 技术 | 作用 |
|---|---|
| Quantile Balancing | 从路由器得分分位数直接推导专家分配，消除启发式超参 |
| Per-Head Muon | 针对每个注意力头独立优化，使大规模训练更自适应 |
| Sigmoid Tanh Unit（SiTU） | 改进激活函数控制 |
| Gated MLA | 提升注意力选择性 |
综合以上创新，Kimi K3 相较 Kimi K2，整体扩展效率提升约 2.5 倍——相同算力，转化出更强的智能。
四、基准测试：到底强在哪？
| 基准测试 | 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（视觉） | 81.6 | 81.2 | 83.0 | 78.9 | — |
| OmniDocBench（文档理解） | 91.1 | 89.8 | 85.8 | 87.9 | — |
解读重点：
- 编程长任务（SWE Marathon）：K3 以 42.0 大幅领先排名第一，最接近「实际写代码数小时」的场景；
- Program Bench：K3 以微小优势位列第一（77.8 vs Fable 5 的 76.8）；
- FrontierSWE：Fable 5 领跑（86.6），K3（81.2）大幅超越 GPT-5.6 Sol（71.3）；
- 文档理解（OmniDocBench）：K3 第一（91.1），体现视觉 + 长上下文协同；
- 综合智能：Artificial Analysis Intelligence Index v4.1 中 K3 以 57.1 分排名第四，紧随 Fable 5（59.9）和 GPT-5.6 Sol（58.9）。
⚠️ 注意事项： 上述为月之暗面自报数据，不同模型使用各自推理 harness，独立第三方复现仍在进行中。
五、定价：比 Claude 便宜，与 Sonnet 持平
| 模型 | 输入（$/M token） | 输出（$/M token） | 缓存命中输入 | 上下文窗口 |
|---|---|---|---|---|
| Kimi K3 | $3.00 | $15.00 | $0.30 | 1M |
| Claude Sonnet 5 | $3.00（促销 $2） | $15.00（促销 $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 价格与 Claude Sonnet 5 标准价持平（$3/$15），但提供 5 倍上下文窗口；
- 缓存命中低至 $0.30/M，编程场景缓存命中率超 90%，有效输入成本极低；
- 国内 API：¥20/M（输入）、¥100/M（输出）、缓存命中 ¥2/M；
- 消费者版 kimi.com 免费账号可用，预付费套餐 ¥199 起（优惠截至 8 月 11 日）。
六、如何立即使用（四路接入）
方法一：Kimi 网页/App（最简单）
访问 kimi.com，注册账号（支持 Google 账号），K3 默认以最大推理力度运行。
方法二：官方 API（开发者）
在 platform.kimi.ai 获取 API Key。
方法三：OpenRouter
模型 ID：moonshotai/kimi-k3，Moonshot 官方定价，无额外加价，完整 1M 上下文。
方法四：等 7 月 27 日开源权重
完整模型权重将于 2026 年 7 月 27 日在 Hugging Face 开放（需 64 张以上加速卡超节点，生产级门槛较高）。训练采用 MXFP4 权重与 MXFP8 激活，量化友好；vLLM、SGLang 等框架预计 Day-0 支持。
七、横向对比：怎么选？
| 场景 | 推荐模型 | 原因 |
|---|---|---|
| 持续性长代码任务（SWE Marathon 类） | Kimi K3 | 基准第一，上下文最长 |
| 复杂 Repo 级别修 Bug | Claude Fable 5 | FrontierSWE / SWE-bench Pro 大幅领先 |
| 终端/工具链密集型 Agent | GPT-5.6 Sol | Terminal Bench 和 Coding Agent Index 领先 |
| 超长文档分析/多模态文档理解 | Kimi K3 | OmniDocBench 第一，原生视觉 + 1M 上下文 |
| 成本敏感场景 | DeepSeek V4 Pro | 输出仅 $3.48/M，远低于 K3 |
| 开源自部署（7/27 后） | Kimi K3 | 最强开源权重，首个超 2T 参数级别 |
| 最深推理研究（HLE-Full） | Claude Fable 5 | HLE-Full 53.3 vs K3 43.5，差距显著 |
八、开源承诺：7 月 27 日值得期待
月之暗面在官方 WeChat 公告中明确承诺：7 月 27 日开放完整模型权重（Modified MIT 许可）。一旦开放，Kimi K3 将成为：
- 迄今参数最大的可下载开源模型；
- 首个超 2 万亿参数级别的开源权重；
- 开源社区训练/微调基座新标杆。
届时 Hugging Face 将出现 MXFP4/NVFP4 量化版本，vLLM、SGLang 等主流推理框架预计第一时间支持。
可引用技术信息（EEAT）
- 参数规模：2.8T 总参数，超越 DeepSeek V4 Pro（1.6T）近 75%。
- 稀疏激活：896 专家中仅激活 16 个，稀疏度 1.8%。
- KDA 效率：百万 token 下 KV 缓存减 75%，解码加速最高 6.3×。
- 缓存经济：编程场景缓存命中率 90%+，有效输入均价可低至 $0.55/M（OpenRouter 7 日加权实证）。
- 智能指数：Artificial Analysis v4.1 综合分 57.1，距榜首仅 2.8 分。
九、五步接入 Runbook
步骤 2 选择接入面：网页免费试用 / 官方 API / OpenRouter moonshotai/kimi-k3
步骤 3 配置 OpenAI SDK：base_url=https://api.moonshot.ai/v1，model=kimi-k3
步骤 4 用 SWE Marathon 类真实长代码任务 Pilot 10–20 次，记录质量、Token 与缓存命中
步骤 5 上线混合路由：长代码与文档分析路由 K3，Repo 级修 Bug 保留 Fable 5，终端 Agent 可保留 GPT-5.6 Sol
十、常见问题（FAQ）
Q: Kimi K3 可以免费使用吗？
A: 可以。kimi.com 免费账号即可使用；API 按 $3/$15 per MTok 计费。
Q: 能本地部署吗？
A: 权重 7 月 27 日开放；生产推理需 64+ 加速卡超节点，笔记本不现实。
Q: 与 DeepSeek V4 Pro 怎么选？
A: K3 参数与上下文更大、多项基准更强；DeepSeek 输出 $3.48/M，成本敏感首选。
Q: 100 万 token 上下文实用吗？
A: 对完整代码库分析、长法律/研究文档、多轮 Agent 长记忆非常实用；且无长度溢价。
Q: 低/高推理力度何时上线？
A: Moonshot 表示将在后续更新推出，目前仅 max 可用。
Q: 基准数据可信吗？
A: 为自报数据，各厂商 harness 不同，请结合独立复现与真实 Pilot 决策。
总结
Kimi K3 不是「参数堆砌」的面子工程。它在架构层面（KDA、AttnRes、Stable LatentMoE）做了真正的工程创新，在编程长任务、文档理解等关键赛道上对标乃至超越部分闭源旗舰，定价合理，且承诺完整开源——代表中国 AI 开源生态从「以低价换市场」走向「挑战智能前沿」。
关注时间节点： 7 月 17–20 日（WAIC，更多发布预计）→ 7 月 27 日（K3 完整权重开源）。
但若你把 Kimi K3 Agent 完全跑在个人笔记本或普通 Linux VPS 上，会面临休眠中断长循环、本地密钥与生产代码库混存、以及无法在 Apple 工具链（Xcode、Fastlane、notarytool）同机编排等局限；纯 API 调用也缺少隔离的 macOS 构建与签名环境。对于需要 7×24 无人值守 Agent、在 Kimi Code 中跑 K3 同时又要做 iOS CI 或 OpenClaw 网关的团队，租赁 VPSMAC 的 M4 Mac 云节点——原生 macOS、SSH + launchd 守护、与远程开发工具同网段——通常是比个人设备或 Linux VPS 更稳定、更适合混合模型策略的生产选择。
参考资料： Moonshot 官方技术博客 · Kimi API 文档 · Artificial Analysis · OpenRouter 定价页
数据截止日期：2026-07-16。 基准为 Moonshot 自报数据，模型能力与定价可能随时更新，建议发布时核实最新官方文档。