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 文档顶部悄然上线横幅「🎉 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：Kimi K3，2.8 万亿（2.8T）参数，配合 100 万 token 上下文与原生视觉理解。
面向 AI 开发者、技术爱好者与模型选型决策者，本文将回答三件事：① Kimi K3 的规格、架构创新与发布战略意义；② 与 Claude Fable 5、GPT-5.6 Sol、DeepSeek V4 Pro 的全量基准对比；③ 定价、四种接入方式、场景选型矩阵，以及 7 月 27 日完整权重开源时间表。数据截止 2026-07-16（Moonshot 官方自报基准）。
01 Kimi K3 是什么？为何这次发布意义重大？
一句话定义：Kimi K3 是目前全球参数规模最大的开源 AI 模型——2.8T 参数，超越 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 MoE 架构，推理时只激活 896 个专家中的 16 个；配合 100 万 token 超长上下文与原生视觉，专为复杂编程、长文档推理与知识工作设计。完整权重将于 2026 年 7 月 27 日在 Hugging Face 开放。
开发者当前面临的核心痛点：
- 上下文瓶颈：闭源旗舰多为 200K–400K token，整库分析需反复截断与拼接。
- 长代码任务衰减：SWE Marathon 类持续编程场景，多数模型在中途丢失上下文。
- 开源规模天花板：DeepSeek V4 Pro 曾以 1.6T 领跑，但 2T+ 级开源权重仍空白。
- 出口与定价波动：Claude Fable 5 全球下线后，高性能 coding agent 选项收窄。
月之暗面在过去 18 个月经历 DeepSeek 崛起冲击，K3 堪称一次漂亮反击。关键背景数据：
- 过去 12 个月里，Kimi 系列有 9 个月占据开源模型规模上限；
- 发布时机恰在 2026 世界人工智能大会（WAIC）开幕前夜；
- 截至 2026 年 6 月，ARR 突破 3 亿美元，今年完成第 6 轮融资，投前估值 315 亿美元；
- API 收入占七成以上，海外付费用户增长 400%。
这不是「卖情怀」的参数堆砌，而是一家商业化爆发中的公司，向全球宣示技术主权。
02 Kimi Delta Attention 等三大架构创新详解
Kimi Delta Attention（KDA）—— 重新设计注意力机制
传统 Full Attention 在长上下文下 KV 缓存内存呈平方级增长。KDA 是混合线性注意力机制，以 3:1 比例交替线性层与全注意力层：3 个线性层处理局部结构，1 个全注意力层保留全局信息流。效果：KV 缓存内存减少高达 75%；百万 token 下解码速度提升高达 6.3 倍；在短/长上下文与 RL 扩展场景均超越纯全注意力基线。
Attention Residuals（AttnRes）—— 解决深度信息丢失
AttnRes 改造残差连接，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。月之暗面报告约 25% 训练效率提升，额外计算开销不足 2%。
Stable LatentMoE —— 超高稀疏度稳定训练
K3 共 896 个专家，每次推理激活 16 个（稀疏度 1.8%）。配套技术如下：
| 技术 | 作用 |
|---|---|
| Quantile Balancing | 从路由器得分分位数推导专家分配，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。
03 Kimi K3 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 | 91.1 | 89.8 | 85.8 | 87.9 | — |
| HLE-Full | 43.5 | 53.3 | 44.5 | — | — |
解读重点：
- SWE Marathon（42.0）：持续长代码任务第一，最接近真实「写代码数小时」场景；
- Program Bench（77.8）：微弱优势位列第一；
- FrontierSWE：Fable 5 领跑 86.6，K3（81.2）大幅超越 GPT-5.6 Sol（71.3）；
- OmniDocBench（91.1）：文档理解第一，体现视觉 + 长上下文协同；
- Artificial Analysis Intelligence Index v4.1：K3 以 57.1 分排名第四，紧随 Fable 5（59.9）与 GPT-5.6 Sol（58.9）；
- HLE-Full：Fable 5 在深度推理任务领先（53.3），K3（43.5）在此项落后。
⚠️ 上述为 Moonshot 自报数据，各模型使用不同推理 harness（K3 用 Kimi Code，GPT 用 Codex，Claude 用 Claude Code）。独立第三方复现仍在进行中。
04 Kimi K3 定价对比与六步接入指南
| 模型 | 输入（$/M） | 输出（$/M） | 缓存命中输入 | 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 与 Claude Sonnet 5 标准价持平（$3/$15），但上下文为 5 倍；编程场景缓存命中率超 90%（Mooncake 分片推理架构），实际有效输入成本可降至约 $0.55/M；相较 Claude Opus 4.8，K3 在多项基准上更强，输入成本约为其 60%、输出约 40%。国内定价：¥20/M（输入）、¥100/M（输出）、缓存命中 ¥2/M；Kimi.com 免费账号可用，预付费 ¥199 起（优惠截至 8 月 11 日）。
六步立即接入 Kimi K3：
- 网页/App 零门槛试用：访问 kimi.com，Google 账号注册，K3 默认最大推理力度运行。
- 申请 API Key：在 platform.kimi.ai 创建密钥并充值。
- 配置 OpenAI 兼容客户端：设置
base_url="https://api.moonshot.ai/v1"，模型 ID 为kimi-k3。 - 发送首条测试请求：用短 prompt 验证连通性与延迟。
- OpenRouter 备选：已有 OpenRouter 账号可直接调用
moonshotai/kimi-k3，官方定价无加价。 - 标记 7 月 27 日：完整权重将在 Hugging Face 开放，本地部署需 64 张以上加速卡超节点。
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": "帮我分析这段代码..."}]
)05 场景选型矩阵与可引用硬核数据
| 场景 | 推荐模型 | 原因 |
|---|---|---|
| 持续性长代码任务 | Kimi K3 | SWE Marathon 基准第一，上下文最长 |
| 复杂 Repo 级修 Bug | Claude Fable 5 | FrontierSWE 大幅领先 |
| 终端/工具链 Agent | GPT-5.6 Sol | Terminal Bench 领先 |
| 超长文档/多模态理解 | Kimi K3 | OmniDocBench 第一，原生视觉 + 1M |
| 成本敏感场景 | DeepSeek V4 Pro | 输出仅 $3.48/M |
| 开源自部署（7/27 后） | Kimi K3 | 最强开源权重 |
| 深度推理研究 | Claude Fable 5 | HLE-Full 大幅领先 |
可引用硬核数据（Moonshot 官方，2026-07-16）：
- 总参数量：2.8 万亿，全球最大开源模型，超越 DeepSeek V4 Pro（1.6T）近 75%
- MoE 稀疏度：896 专家 / 激活 16 个 = 1.8% 激活率
- KDA 效率：KV 缓存减 75%，百万 token 解码快 6.3×
- 扩展效率：相较 K2 提升 2.5×；AttnRes 训练效率 +25%
- 商业指标：ARR $300M+，估值 $31.5B，API 收入占比 70%+
- 开源时间表：2026-07-27 Hugging Face 完整权重；MXFP4/NVFP4 量化版与 vLLM/SGLang 支持预计同步
06 7 月 27 日开源承诺、FAQ 与生产环境收束
月之暗面在官方 WeChat 公告中明确：7 月 27 日开放完整模型权重。模型以 MXFP4 权重与 MXFP8 激活量化感知训练，面向现代硬件高效部署；届时 K3 将成为迄今参数最大的可下载开源模型、首个超 2 万亿参数级开源权重，以及开源社区训练/微调新标杆。
Q：Kimi K3 可以免费使用吗？
A：kimi.com 免费账号即可；API 按 token 计费（$3/$15 per 1M）。
Q：能否本地运行？
A：7 月 27 日前不可；权重开放后需 64+ 加速卡超节点，不适合消费级笔记本。
Q：K3 与 DeepSeek V4 Pro 怎么比？
A：K3 参数近 2 倍、上下文 1M vs 128K、基准全面更强，但 DeepSeek 输出仅 $3.48/M，成本优势明显。
Q：1M 上下文真的实用吗？
A：整库分析、长篇法律/科研文档、多轮 Agent 记忆场景价值显著；K3 统一定价无长度附加费。
Q：低/高推理力度模式何时上线？
A：Moonshot 表示后续更新推出；当前仅 max 可用。
Kimi K3 不是参数堆砌的面子工程——KDA、AttnRes、Stable LatentMoE 代表真实工程创新，在编程长任务与文档理解等赛道对标乃至超越部分闭源旗舰，且承诺完整开源。这代表中国 AI 开源生态从「低价换市场」转向「挑战智能前沿」。
关注时间节点：7 月 17–20 日 WAIC → 7 月 27 日 K3 完整权重开源。
纯 API 调用虽可快速接入 K3，但面临长上下文 Agent 在共享 VPS 上内存不足、多轮 coding 流水线缺乏 7×24 稳定宿主，以及7 月 27 日前无法本地权重推理三大隐性成本。对于需要持续运行 Kimi Code 类 Agent、整库分析与 MCP Server 的生产环境，JEXCLOUD 多区域裸金属 Mac是更优解：独占 Apple Silicon 统一内存、无超卖抖动、launchd 常驻 Agent 网关，120 秒交付。节点与价格见 JEXCLOUD 定价页。