Kimi K3 完全オープンウェイト公開：
2.8兆パラメータと100万トークンコンテキスト

7月27日23時頃、月之暗面（Moonshot AI）は Kimi K3 の完全モデルウェイトと技術レポートを正式公開し、学習を支える3つのコアインフラ MoonEP、FlashKDA、AgentEnv も同時にオープンソース化しました。これは世界初の3兆パラメータ級モデルの完全公開です——総パラメータ2.8兆、活性化約1040億、100万トークンコンテキスト、ネイティブ視覚理解、Hugging Face 上のウェイトファイルは約1.56TB、公開後30分でトレンド1位に登りました。本記事はK3 の導入・自前デプロイを検討する AI 開発者とエンタープライズ技術チーム向けに、アーキテクチャ革新、ベンチマーク対照、ライセンス上の2つの商用ハードル、API とハードウェアの現実的な導入パスを体系的に解説します。

SECTION 01 Kimi K3 選定の痛点：「オープンソース」誤解、ライセンストラップ、自前デプロイの壁

7月27日のウェイト公開後、開発者コミュニティで最も多い誤判断は次のとおりです。

• 「オープンウェイト」を「オープンソース」と混同する：月之暗面の公式資料は open source という表現を使っておらず、open weight のみです。学習データと完全な学習コードは非公開であり、OSI 基準のオープンソースには該当しません；
• K2 時代の Modified MIT 印象を引きずる：K3 のライセンスは完全カスタムファイルに変更され、Model-as-a-Service 収入閾値と規模表示閾値が新設されました。7月22日の予告記事の記述とはすでに差異があります；
• 自前デプロイのハードウェアコストを過小評価する：896ルーティングエキスパート、1.56TB のウェイトサイズにより、コンシューマー向けハードウェアでの実用推論はほぼ不可能です。公式推奨は64枚以上の超ノードです；
• ベンダー自報スコアだけを見る：評価フレームワークによって結果は大きく異なります。Vals AI、Artificial Analysis など独立第三者の再検証を優先すべきです；
• 地政学・コンプライアンス背景を無視する：ウェイト公開は米中「モデル蒸留」争いの激化と重なります。エンタープライズ選定では政策リスクも同時に評価してください。Kimi K3 蒸留論争特集も参照できます。

Kimi K3 が kimi.com と API で初公開されてから、7月27日の完全ウェイト公開まで、わずか11日しか経っていません——これは国産大規模モデル競争が「3T クラブ」段階に入った重要なシグナルです。

SECTION 02 Kimi K3 公開タイムラインとコアパラメータ一覧

• 7月16日夜（WAIC 2026 前夜）：Kimi K3 が kimi.com、Kimi Work、Kimi Code および API で初公開。ウェイトは未公開；
• 7月17日：業界がアーキテクチャを集中分析。新華社は「現時点で世界最大パラメータのオープンモデル」と報道；
• 7月22日–23日：米中「モデル蒸留」争いが激化。米側は月之暗面が Anthropic Fable モデルを工業規模で蒸留したと非難；
• 7月27日23時：完全ウェイトと技術レポートを正式公開。MoonEP、AgentEnv をオープンソース化（FlashKDA は先行公開済み）；
• 7月28日：中国商務部が米方の「AI 覇権主義」非難に公開回答。阿里巴巴が24兆パラメータ Qwen3.8-Max-Preview を発表し、K3 への直接応答と受け止められました。

SECTION 03 KDA、AttnRes、Per-Head Muon：Kimi K3 の3大アーキテクチャ革新

Kimi K3 は深層学習で長年使われてきた3大コンポーネント——アテンション機構、残差接続、最適化器——を再設計しました。これが「単純なパラメータ積み上げ」との決定的な違いです。

Kimi Delta Attention（KDA）：従来の Gated DeltaNet はスカラー級の忘却ゲートを使いますが、KDA はチャネルごとのゲート制御に変更しました——各特徴次元が独立した減衰率を持ち、一部の特徴は長期保持、別の特徴は高速忘却されます。chunkwise の Diagonal-Plus-Low-Rank（DPLR）公式で線形時間再帰を実現し、少数のグローバル Gated MLA 層と交互に混合することで、100万トークンコンテキストを支えつつ KV Cache コストを極限まで抑えます。

Attention Residuals（AttnRes）：従来の残差接続は層ごとに均等累積するため、深層ネットワークでは早期情報が薄まりやすくなります。AttnRes は入力に応じて前面全層の出力を選択的・動的に集約します。各層に追加されるのは RMSNorm 1つと疑似クエリベクトル1つのみで、約25%の学習効率向上をもたらし、コストは2%未満です。

Per-Head Muon：Muon 最適化器をベースに、アテンションヘッドごとに独立最適化を行い、各ヘッドがより適応的な収束パスを持てるようにしました。Stable LatentMoE（896 から 16 を選択、スパース度約1.8%）と Quantile Balancing 均衡戦略を組み合わせ、各計算ノードの冗長エキスパート数の理論的上界を数学的に証明しています。

SECTION 04 MoonEP、FlashKDA、AgentEnv とベンチマーク対照

SWE-bench Verified（独立再検証、Vals AI、2026年7月時点）：

Artificial Analysis インテリジェンス指数（max 推論モード）：Kimi K3 は約57点で世界第3、オープンソースモデル第1。Claude Fable 5（60）と GPT-5.6 Sol（59）に次ぎます。タスクあたりコストは約 $0.95 で、Claude Fable 5（約 $2.4）より60%安い一方、GLM-5.2（約 $0.47）より高価です——オープンソース陣営の能力上限は最高だが、コスパ最適解ではないという位置づけです。K3 は現在 Arena.ai Frontend Code Arena ランキングで1位です。

SECTION 05 Kimi K3 ライセンス、API 料金、6ステップ導入チェックリスト

ライセンスには K2 シリーズにはなかった2つの商用ハードルが含まれます。

• Model-as-a-Service 収入閾値：モデル即サービス事業を運営し、連続12か月の累計収入が2000万米ドルを超える場合、月之暗面と別途商用契約を締結する必要があります；
• 規模表示閾値：製品の月間アクティブユーザーが1億を超える、または月間収入が2000万米ドルを超える場合、UI 上に「Kimi K3」の表記を目立つ形で掲示する必要があります。

Mooncake 分離型推論アーキテクチャは、典型的なプログラミング系ワークロードでキャッシュヒット率90%超を達成でき、実効コストは $0.30 帯に近づきます。自前デプロイには64枚以上の超ノードが必要です。個人や中小チームにとって現実的なのは、公式 API または OpenRouter など第三者プラットフォーム経由の呼び出しです。

1. ライセンスコンプライアンスの確認：K3 カスタムライセンス全文を読み、MaaS 収入閾値と規模表示条項が自社事業に適用されるか評価します；
2. 導入パスの選択：API（OpenAI SDK 互換、base URL https://api.moonshot.ai/v1、モデル ID kimi-k3）または OpenRouter など第三者ホスティング；
3. API キーの設定：Moonshot コンソールでキーを作成し、既存プロジェクトの base URL と API key を差し替えます；
4. キャッシュヒット率のテスト：プログラミング系 Agent ワークロードで小規模負荷テストを行い、Mooncake キャッシュヒットが実効コストに与える影響を観察します；
5. 自前デプロイの実現可能性評価：ローカル推論が必要な場合、GPU クラスタ規模（公式推奨64枚以上）と1.56TB ウェイトストレージを確認します；
6. Infra ツールチェーンの統合：MoE 学習や KDA 加速を行う場合、MoonEP、FlashKDA（chunk_kda 直接代替）、AgentEnv サンドボックスの適用シナリオをそれぞれ評価します。

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": "Explain Kimi Delta Attention in 3 sentences."}]
)
print(response.choices[0].message.content)

SECTION 06 引用可能な技術データと選定結論

• 総パラメータ 2.8T / 活性化約 104B：世界最大の完全オープンウェイトモデル。Hugging Face ダウンロード約1.56TB；
• SWE-bench Verified 93.4%：Vals AI 独立再検証、オープンソース陣営第1。Claude Opus 5（97%）との差は3.6ポイント；
• Artificial Analysis インテリジェンス指数約57：世界第3、オープンソース第1。タスクあたりコスト $0.95；
• FlashKDA prefill 1.72–2.22倍加速：NVIDIA H20 上で flash-linear-attention 基線比；
• AgentEnv checkpoint 133ms / 復元 49ms：公式開示データ。第三者による独立再現は未確認です。

以下のリンクは公式・第三者ソースです。公開後は最新ページをご確認ください。

Moonshot AI 公式ブログ：Kimi K3 技術レポート

Hugging Face：moonshotai 組織ページ（K3 ウェイトダウンロード）

GitHub：moonshotai/FlashKDA

K3 をベースに Agent パイプラインを構築するチームにとって、仮想化 Mac 環境は Xcode コンパイル、Metal 加速、iOS CI シナリオで性能損失と互換性リスクがあり、長期安定性も物理ノードに及びません。ゼロオーバーヘッドのネイティブ Apple 算力、安定した iOS CI/CD、AI Agent の7×24自動化が必要な本番環境では、MACNOX のクラウド物理 Mac ノードが通常はより適した選択です。100% Apple 純正物理機、フル Root 権限、Hypervisor オーバーヘッドなし、日／週／月の柔軟なレンタルが可能です。K3 の背景情報はKimi K3 徹底解説とOpenRouter 7月ランキング分析も参照してください。

SECTION 07 よくある質問 FAQ