Kimi K3 全面開源：
2.8 萬億參數與百萬上下文

7 月 27 日晚 23 點左右，月之暗面（Moonshot AI）正式發佈 Kimi K3 的完整模型權重與技術報告，並同步開源支撐其訓練的三項核心基礎設施：MoonEP、FlashKDA、AgentEnv。這是全球首個被完整開放的 3 兆參數級別模型——2.8 兆總參數、約 1040 億激活參數、100 萬 token 上下文、原生視覺理解，權重檔案在 Hugging Face 上約 1.56TB，上線半小時內登頂趨勢榜第一。本文面向評估 K3 接入與自部署的 AI 開發者與企業技術團隊，系統解讀架構創新、跑分對照、授權條款兩道商業門檻，以及 API 與硬體的現實路徑。

SECTION 01 Kimi K3 選型痛點：「開源」誤讀、授權條款陷阱與自部署門檻

7 月 27 日權重落地後，開發者社群最常見的誤判包括：

• 把「開放權重」當「開源」：月之暗面官方材料從未使用 open source，只稱 open weight；訓練資料與完整訓練程式碼並未公開，不符合 OSI 標準；
• 沿用 K2 時代的 Modified MIT 印象：K3 授權條款已改為完全自訂檔案，新增 Model-as-a-Service 收入門檻與規模展示門檻，與 此前 7 月 22 日預告文中的表述已有差異；
• 低估自部署硬體成本：896 個路由專家、1.56TB 權重體積決定了消費級硬體幾乎不可能跑通，官方建議 64 卡及以上超節點；
• 只看廠商自報跑分：不同評測框架差異極大，須優先引用 Vals AI、Artificial Analysis 等獨立第三方複測；
• 忽視地緣與合規背景：權重開源恰逢中美「模型蒸餾」爭端升級，企業選型須同步評估政策風險，可參考 Kimi K3 蒸餾門專題。

距離 Kimi K3 在 kimi.com 和 API 端首發，到 7 月 27 日全面開放權重，只過去了 11 天——這是國產大模型競爭進入「3T 俱樂部」階段的重要訊號。

SECTION 02 Kimi K3 發佈時間線與核心參數一覽

• 7 月 16 日夜（WAIC 2026 前夜）：Kimi K3 在 kimi.com、Kimi Work、Kimi Code 及 API 首發，權重尚未公開；
• 7 月 17 日：業界密集分析架構，新華社報導稱其為「目前全球參數最大的開源模型」；
• 7 月 22 日–23 日：中美「模型蒸餾」爭端升級，美方指控月之暗面對 Anthropic Fable 模型進行工業化蒸餾；
• 7 月 27 日晚 23 點：正式發佈完整權重、技術報告，開源 MoonEP、AgentEnv（FlashKDA 此前已開源）；
• 7 月 28 日：中國商務部公開回應美方「AI 霸權主義」指控；阿里巴巴發佈 24 兆參數 Qwen3.8-Max-Preview，被外界解讀為對 K3 的直接回應。

SECTION 03 KDA、AttnRes 與 Per-Head Muon：Kimi K3 三大架構創新

Kimi K3 重構了深度學習沿用多年的三大傳統元件——注意力機制、殘差連接、優化器，這也是它區別於「簡單堆參數」的關鍵。

Kimi Delta Attention（KDA）：傳統 Gated DeltaNet 使用標量級遺忘門，KDA 改為逐通道門控——每個特徵維度擁有獨立衰減率，某些特徵長期保留、另一些快速遺忘。採用 chunkwise 的 Diagonal-Plus-Low-Rank（DPLR）公式實現線性時間遞迴，與少量全域 Gated MLA 層交替混合，支撐 100 萬 token 上下文同時將 KV Cache 開銷壓到極低。

Attention Residuals（AttnRes）：傳統殘差連接逐層均勻累加，深層網路早期資訊易被稀釋。AttnRes 改為選擇性、依據輸入動態聚合前面所有層的輸出，每層僅新增一個 RMSNorm 和一個偽查詢向量，帶來約 25% 訓練效率提升，代價不到 2%。

Per-Head Muon：在 Muon 優化器基礎上做逐注意力頭獨立優化，讓每個頭擁有更自適應的收斂路徑。配合 Stable LatentMoE（896 選 16，稀疏度約 1.8%）與 Quantile Balancing 均衡策略，從數學上證明每個計算節點冗餘專家數的理論上界。

SECTION 04 MoonEP、FlashKDA、AgentEnv 與跑分對照

SWE-bench Verified（獨立複測，Vals AI，截至 2026 年 7 月）：

Artificial Analysis 智能指數（max 推理檔）：Kimi K3 約 57，全球第 3、開源模型第 1，僅次於 Claude Fable 5（60）與 GPT-5.6 Sol（59）。每任務成本約 $0.95，比 Claude Fable 5（約 $2.4）便宜 60%，但比 GLM-5.2（約 $0.47）更貴——開源陣營能力天花板最高，而非性價比最優。K3 目前在 Arena.ai Frontend Code Arena 榜單排名第一。

SECTION 05 Kimi K3 授權條款、API 定價與 6 步接入清單

授權條款包含兩道此前 K2 系列沒有的商業門檻：

• Model-as-a-Service 收入門檻：若營運模型即服務業務且連續 12 個月累計收入超過 2000 萬美元，須與月之暗面另行簽署商業協議；
• 規模展示門檻：若產品月活超過 1 億或月收入超過 2000 萬美元，須在介面顯著展示「Kimi K3」字樣。

Mooncake 分離式推理架構在典型程式類工作負載上快取命中率可達 90% 以上，實際成本更接近 $0.30 檔。自部署需 64 卡及以上超節點，個人與中小團隊更現實的路徑是透過官方 API 或 OpenRouter 等第三方平台呼叫。

1. 確認授權合規：閱讀 K3 自訂授權條款全文，評估 MaaS 收入門檻與規模展示條款是否適用於您的業務；
2. 選擇接入路徑：API（OpenAI SDK 相容，base URL https://api.moonshot.ai/v1，模型 ID kimi-k3）或 OpenRouter 等第三方託管；
3. 設定 API 金鑰：在 Moonshot 控制台建立金鑰，替換現有專案中的 base URL 與 API key；
4. 測試快取命中率：對程式類 Agent 工作負載做小規模壓測，觀察 Mooncake 快取命中對實際成本的影響；
5. 評估自部署可行性：若需本地推理，確認 GPU 叢集規模（官方建議 64 卡+）與 1.56TB 權重儲存；
6. 整合 Infra 工具鏈：若做 MoE 訓練或 KDA 加速，分別評估 MoonEP、FlashKDA（chunk_kda 直接替代）與 AgentEnv 沙箱的適用場景。

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 可引用技術資料與選型結論

• 總參數量 2.8T / 激活約 104B：全球最大完整開放權重模型，Hugging Face 下載約 1.56TB；
• SWE-bench Verified 93.4%：Vals AI 獨立複測，開源陣營第一，距 Claude Opus 5（97%）差 3.6 個百分點；
• Artificial Analysis 智能指數約 57：全球第三、開源第一，每任務成本 $0.95；
• FlashKDA prefill 加速 1.72–2.22×：NVIDIA H20 上相對 flash-linear-attention 基線；
• AgentEnv checkpoint 133ms / 恢復 49ms：官方披露資料，尚未經第三方獨立複現。

以下連結為官方與第三方來源，發版後請以最新頁面為準：

Moonshot AI 官方部落格：Kimi K3 技術報告

Hugging Face：moonshotai 組織頁面（K3 權重下載）

GitHub：moonshotai/FlashKDA

若您的團隊計劃基於 K3 建構 Agent 流水線，虛擬化 Mac 環境在 Xcode 編譯、Metal 加速與 iOS CI 場景下存在效能損耗與相容性風險，長期穩定性也不如實體節點。對於需要零損耗原生算力、穩定 iOS CI/CD 與 AI Agent 7×24 自動化的生產環境，MACNOX 的雲端實體節點通常是更優解：100% 蘋果原裝實體機、開放完整 Root 權限、無 Hypervisor 損耗、按天／週／月彈性下單。更多 K3 背景可參考 Kimi K3 深度評測與 OpenRouter 7 月排行榜分析。

SECTION 07 常見問題 FAQ