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 文件頂部悄然上線橫幅「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：Kimi K3，2.8 萬億（2.8T）參數，配合 100 萬 token 上下文與原生視覺理解。
面向 AI 開發者、技術愛好者與模型選型決策者，本文將回答三件事：① Kimi K3 的規格、架構創新與發布戰略意義；② 與 Claude Fable 5、GPT-5.6 Sol、DeepSeek V4 Pro 的全量基準對比；③ 定價、四種接入方式、場景選型矩陣，以及 7 月 27 日完整權重開源時間表。資料截至 2026-07-16（Moonshot 官方自報基準）。
01 Kimi K3 是什麼？為何這次發布意義重大？
一句話定義：Kimi K3 是目前全球參數規模最大的開源 AI 模型——2.8T 參數，超越 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 MoE 架構，推理時只啟用 896 個專家中的 16 個；配合 100 萬 token 超長上下文與原生視覺，專為複雜程式設計、長文件推理與知識工作設計。完整權重將於 2026 年 7 月 27 日在 Hugging Face 開放。
開發者當前面臨的核心痛點：
- 上下文瓶頸：閉源旗艦多為 200K–400K token，整庫分析需反覆截斷與拼接。
- 長程式碼任務衰減：SWE Marathon 類持續程式設計場景，多數模型在中途遺失上下文。
- 開源規模天花板：DeepSeek V4 Pro 曾以 1.6T 領跑，但 2T+ 級開源權重仍空白。
- 出口與定價波動：Claude Fable 5 全球下線後，高效能 coding agent 選項收窄。
月之暗面在過去 18 個月經歷 DeepSeek 崛起衝擊，K3 堪稱一次漂亮反擊。關鍵背景資料：
- 過去 12 個月裡，Kimi 系列有 9 個月佔據開源模型規模上限；
- 發布時機恰在 2026 世界人工智慧大會（WAIC）開幕前夜；
- 截至 2026 年 6 月，ARR 突破 3 億美元，今年完成第 6 輪融資，投前估值 315 億美元；
- API 收入占七成以上，海外付費使用者成長 400%。
這不是「賣情懷」的參數堆砌，而是一家商業化爆發中的公司，向全球宣示技術主權。
02 Kimi Delta Attention 等三大架構創新詳解
Kimi Delta Attention（KDA）—— 重新設計注意力機制
傳統 Full Attention 在長上下文下 KV 快取記憶體呈平方級成長。KDA 是混合線性注意力機制，以 3:1 比例交替線性層與全注意力層：3 個線性層處理局部結構，1 個全注意力層保留全域資訊流。效果：KV 快取記憶體減少高達 75%；百萬 token 下解碼速度提升高達 6.3 倍；在短/長上下文與 RL 擴展場景均超越純全注意力基線。
Attention Residuals（AttnRes）—— 解決深度資訊遺失
AttnRes 改造殘差連接，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。月之暗面報告約 25% 訓練效率提升，額外計算開銷不足 2%。
Stable LatentMoE —— 超高稀疏度穩定訓練
K3 共 896 個專家，每次推理啟用 16 個（稀疏度 1.8%）。配套技術如下：
| 技術 | 作用 |
|---|---|
| Quantile Balancing | 從路由器得分分位數推導專家分配，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） | 改進啟用函數控制 |
| 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。
03 Kimi K3 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 | 91.1 | 89.8 | 85.8 | 87.9 | — |
解讀重點：
- SWE Marathon（42.0）：持續長程式碼任務第一，最接近真實「寫程式碼數小時」場景；
- Program Bench（77.8）：微弱優勢位列第一；
- FrontierSWE：Fable 5 領跑 86.6，K3（81.2）大幅超越 GPT-5.6 Sol（71.3）；
- OmniDocBench（91.1）：文件理解第一，體現視覺 + 長上下文協同；
- Artificial Analysis Intelligence Index v4.1：K3 以 57.1 分排名第四，緊隨 Fable 5（59.9）與 GPT-5.6 Sol（58.9）。
上述為 Moonshot 自報資料，各模型使用不同推理 harness（K3 用 Kimi Code，GPT 用 Codex，Claude 用 Claude Code）。獨立第三方復現仍在進行中。
04 Kimi K3 定價對比與六步接入指南
| 模型 | 輸入（$/M） | 輸出（$/M） | 快取命中輸入 | 上下文 |
|---|---|---|---|---|
| Kimi K3 | $3.00 | $15.00 | $0.30 | 1M |
| Claude Sonnet 5 | $3.00 | $15.00 | — | 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 與 Claude Sonnet 5 標準價持平（$3/$15），但上下文為 5 倍；程式設計場景快取命中率超 90%，有效輸入成本極低。中國大陸定價：¥20/M（輸入）、¥100/M（輸出）、快取命中 ¥2/M；Kimi.com 免費帳號可用，預付費 ¥199 起（優惠截至 8 月 11 日）。
六步立即接入 Kimi K3：
- 網頁/App 零門檻試用：造訪 kimi.com，Google 帳號註冊，K3 預設最大推理力度執行。
- 申請 API Key：在 platform.kimi.ai 建立金鑰並儲值。
- 設定 OpenAI 相容用戶端：設定
base_url="https://api.moonshot.ai/v1"，模型 ID 為kimi-k3。 - 傳送首條測試請求：用短 prompt 驗證連通性與延遲。
- OpenRouter 備選：已有 OpenRouter 帳號可直接呼叫
moonshotai/kimi-k3，官方定價無加價。 - 標記 7 月 27 日：完整權重將在 Hugging Face 開放，本地部署需 64 張以上加速卡超節點。
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": "幫我分析這段程式碼..."}]
)05 場景選型矩陣與可引用硬核數據
| 場景 | 推薦模型 | 原因 |
|---|---|---|
| 持續性長程式碼任務 | Kimi K3 | SWE Marathon 基準第一，上下文最長 |
| 複雜 Repo 級修 Bug | Claude Fable 5 | FrontierSWE 大幅領先 |
| 終端/工具鏈 Agent | GPT-5.6 Sol | Terminal Bench 領先 |
| 超長文件/多模態理解 | Kimi K3 | OmniDocBench 第一，原生視覺 + 1M |
| 成本敏感場景 | DeepSeek V4 Pro | 輸出僅 $3.48/M |
| 開源自部署（7/27 後） | Kimi K3 | 最強開源權重 |
可引用硬核數據（Moonshot 官方，2026-07-16）：
- 總參數量：2.8 萬億，全球最大開源模型，超越 DeepSeek V4 Pro（1.6T）近 75%
- MoE 稀疏度：896 專家 / 啟用 16 個 = 1.8% 啟用率
- KDA 效率：KV 快取減 75%，百萬 token 解碼快 6.3×
- 擴展效率：相較 K2 提升 2.5×；AttnRes 訓練效率 +25%
- 商業指標：ARR $300M+，估值 $31.5B，API 收入占比 70%+
- 開源時間表：2026-07-27 Hugging Face 完整權重；MXFP4/NVFP4 量化版與 vLLM/SGLang 支援預計同步
06 7 月 27 日開源承諾、FAQ 與正式環境收束
月之暗面在官方 WeChat 公告中明確：7 月 27 日開放完整模型權重。屆時 K3 將成為迄今參數最大的可下載開源模型、首個超 2 萬億參數級開源權重，以及開源社群訓練/微調新標竿。
Q：Kimi K3 可以免費使用嗎？
A：kimi.com 免費帳號即可；API 按 token 計費（$3/$15 per 1M）。
Q：能否本地執行？
A：7 月 27 日前不可；權重開放後需 64+ 加速卡超節點，不適合消費級筆電。
Q：K3 與 DeepSeek V4 Pro 怎麼比？
A：K3 參數近 2 倍、上下文 1M vs 128K、基準全面更強，但 DeepSeek 輸出僅 $3.48/M，成本優勢明顯。
Q：1M 上下文真的實用嗎？
A：整庫分析、長篇法律/科研文件、多輪 Agent 記憶場景價值顯著；K3 統一定價無長度附加費。
Q：低/高推理力度模式何時上線？
A：Moonshot 表示後續更新推出；當前僅 max 可用。
Kimi K3 不是參數堆砌的面子工程——KDA、AttnRes、Stable LatentMoE 代表真實工程創新，在程式設計長任務與文件理解等賽道對標乃至超越部分閉源旗艦，且承諾完整開源。這代表中國 AI 開源生態從「低價換市場」轉向「挑戰智能前沿」。
關注時間節點：7 月 17–20 日 WAIC → 7 月 27 日 K3 完整權重開源。
純 API 呼叫雖可快速接入 K3，但面臨長上下文 Agent 在共享 VPS 上記憶體不足、多輪 coding 流水線缺乏 7×24 穩定宿主，以及7 月 27 日前無法本地權重推理三大隱性成本。對於需要持續執行 Kimi Code 類 Agent、整庫分析與 MCP Server 的正式環境，JEXCLOUD 多區域裸金屬 Mac是更優解：獨占 Apple Silicon 統一記憶體、無超賣抖動、launchd 常駐 Agent 閘道，120 秒交付。節點與價格見 JEXCLOUD 定價頁。