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 文件頂部悄然掛上「Kimi K3 已上線」橫幅——沒有大型發表會，卻帶來 2.8 萬億參數的全球最大開源模型。AI 開發者與工程團隊若正評估開源大模型選型，本文完整涵蓋：模型定位與發布背景、KDA/AttnRes/Stable LatentMoE 架構、基準對照表、定價矩陣、四種接入方式與 6 步實操、場景選型、7 月 27 日權重開源承諾、可引用技術資料與 FAQ，協助你在 WAIC 窗口期做出接入判斷。

SECTION 01 開源大模型選型痛點：參數規模、上下文與真實程式設計能力難以兼得

2026 年中，開源社群已有 DeepSeek V4 Pro、GLM-5.2 等強模型，但工程團隊在實際落地時仍面臨結構性矛盾：

• 上下文天花板：多數開源模型上下文僅 128K–256K，分析整個 Repo 或長篇法律/研究文件仍需分段切塊，Agent 長期記憶容易斷裂；
• 基準與實戰脫節：SWE-bench 類短任務高分不等於「連續數小時寫程式碼」的 SWE Marathon 表現，選型若只看單一 benchmark 容易踩坑；
• 推理成本隱性放大：MoE 模型雖稀疏激活，但百萬 Token 上下文下 KV 快取記憶體消耗仍可能拖垮自建推理叢集；
• 開源時間差：API 先行、權重延後是常態，自部署團隊需預留硬體採購與框架適配週期；
• 商業化反擊窗口：月之暗面過去 18 個月受 DeepSeek 衝擊，K3 發布恰逢 2026 世界人工智慧大會（WAIC）開幕前夜，具有明確戰略信號——ARR 已突破 3 億美元，今年完成第 6 輪融資，投前估值 315 億美元，API 收入佔七成以上，海外付費使用者成長 400%。

Kimi K3 一句話定位：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；採 896 專家 MoE（每次激活 16 個）、100 萬 Token 上下文、原生視覺理解，定價對標 Claude Sonnet 5 卻提供 5 倍上下文，完整權重將於 7 月 27 日開源。

SECTION 02 Kimi K3 是什麼？規格速覽與發布背景

過去 12 個月裡，Kimi 系列模型有 9 個月佔據開源模型規模上限的位置。K3 專為複雜程式設計、長文件推理、知識工作設計，推理時以最大力度（max effort）運行，支援文字、圖像、影片輸入。

SECTION 03 KDA、AttnRes、Stable LatentMoE：三大架構創新詳解

Kimi Delta Attention（KDA）—— 重新設計注意力機制

傳統 Transformer 全注意力在長上下文下計算量呈平方級增長，處理 100 萬 Token 時 KV 快取記憶體消耗極大。KDA 是混合線性注意力機制：

• 以 3:1 比例交替「線性注意力層」與「全注意力層」——3 個線性層處理局部序列（計算廉價），1 個全注意力層保留全域資訊流；
• KV 快取記憶體減少高達 75%；
• 百萬 Token 上下文下解碼速度提升高達 6.3 倍；
• 在短上下文、長上下文與強化學習擴展三種場景均超越純全注意力基線。

Attention Residuals（AttnRes）—— 解決深度資訊丟失

標準殘差連接沿深度均勻累積資訊，早期層關鍵表徵在深層被稀釋。AttnRes 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，帶來約 25% 訓練效率提升，額外計算開銷不足 2%。

Stable LatentMoE —— 超高稀疏度的穩定訓練

896 專家中每次僅激活 16 個，路由與最佳化是首要挑戰。Moonshot 配套技術包括：

SECTION 04 Kimi K3 基準測試：程式設計、推理與視覺全面對照

以下為月之暗面自報基準（不同模型使用各自推理 harness：K3 用 Kimi Code，GPT 用 Codex，Claude 用 Claude Code）。獨立第三方複現仍在進行，宜作方向性參考。

解讀重點：SWE Marathon 專測持續性長程式碼工作，K3 以 42.0 大幅領先；OmniDocBench 第一（91.1）體現視覺 + 長上下文協同；在 Artificial Analysis Intelligence Index v4.1 中 K3 以 57.1 分排名第四，緊隨 Claude Fable 5（59.9）與 GPT-5.6 Sol（58.9）之後，差距僅 2.8 分。

SECTION 05 Kimi K3 API 定價：比 Opus 便宜，上下文是 Sonnet 的 5 倍

• 定價對位：K3 與 Claude Sonnet 5 標準價持平（$3/$15），上下文為其 5 倍；
• 快取優勢：快取命中價低至 $0.30/M（標準價 1/10），月之暗面報告程式設計場景快取命中率超 90%，實際有效輸入成本極低；
• 對比 Opus 4.8：輸入成本約 60%、輸出約 40%，多項 benchmark 仍具競爭力；
• 國內 API：¥20/M（輸入）、¥100/M（輸出）、快取命中 ¥2/M；Kimi.com 免費帳號可用，預付費套餐 ¥199 起（優惠截至 8 月 11 日）。

SECTION 06 Kimi K3 怎麼用？四種接入方式與 6 步實操指南

無論你是快速試用還是整合進 CI/CD 流水線，可按以下四種路徑選擇：

• 方法一：Kimi 網頁/App——造訪 kimi.com，以 Google 帳號註冊，K3 預設以最大推理力度運行；
• 方法二：官方 API——OpenAI 相容介面，模型 ID 為 kimi-k3，在 platform.kimi.ai 取得 API Key；
• 方法三：OpenRouter——模型 ID moonshotai/kimi-k3，Moonshot 官方定價、無額外加價；
• 方法四：7 月 27 日開源權重——完整權重將在 Hugging Face 開放，生產級部署需 64 張以上加速卡的超節點配置。

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..."}]
)

1. 確認帳號與額度：在 kimi.com 或 platform.kimi.ai 註冊，核對 API 額度與計費方式（按 Token 後付或預付費套餐）。
2. 取得 API Key：於 Moonshot 開發者控制台建立 Key，妥善保管，勿提交至公開 Repo。
3. 設定 Base URL：使用 https://api.moonshot.ai/v1（OpenAI SDK 相容），或在 OpenRouter 設定對應端點。
4. 選擇模型 ID：官方為 kimi-k3，OpenRouter 為 moonshotai/kimi-k3；目前僅 max effort 模式，low/high 模式將在後續更新推出。
5. 啟用快取與長上下文：程式設計 Agent 場景建議保留系統提示與 Repo 結構摘要以提升快取命中率；1M 上下文無長度加價，可一次性餵入完整程式碼庫索引。
6. 規劃自部署硬體（7/27 後）：若計畫本地或私有雲推理，提前評估 GPU 叢集規模（64+ 加速卡超節點）、vLLM/SGLang 框架適配，以及Mac Mini M4 租 vs 買費用對比中討論的邊緣節點成本。

SECTION 07 場景選型矩陣：Kimi K3 vs Claude vs GPT vs DeepSeek

SECTION 08 7 月 27 日開源承諾：開源社群最值得關注的時間節點

月之暗面在官方 WeChat 公告中明確承諾：2026 年 7 月 27 日開放完整模型權重。一旦權重開放，Kimi K3 將成為：

• 迄今參數最大的可下載開源模型；
• 首個超 2 萬億參數級別的開源權重；
• 開源社群訓練/微調基座新標竿——模型以 MXFP4 權重與 MXFP8 激活訓練，量化感知從設計階段即納入；
• Hugging Face 預計出現 MXFP4/NVFP4 量化版本，vLLM、SGLang、transformers 等主流推理框架預期 Day-0 支援。

關注時間軸：7 月 17–20 日 WAIC 上海（更多發布預計）→ 7 月 27 日 K3 完整權重開源。

SECTION 09 可引用技術資料與權威來源

• 參數規模：2.8T 總參數，896 專家 MoE（激活 16），超越 DeepSeek V4 Pro（1.6T）近 75%。
• 上下文：1,048,576 Token（約等於 5 本《紅樓夢》全文），flat 定價無長度加價。
• 架構效率：KDA 使 KV 快取減少 75%、百萬 Token 解碼加速 6.3 倍；相較 K2 擴展效率提升 2.5 倍。
• 商業指標：ARR 突破 3 億美元（2026 年 6 月），第 6 輪融資投前估值 315 億美元，API 收入佔 70%+。
• 整體智慧排名：Artificial Analysis Intelligence Index v4.1 得分 57.1，排名第四。
• 自部署門檻：生產級推理需 64+ 加速卡超節點，不適合筆電本地部署。

以下權威來源可在發版後再次開啟連結核對技術細節與基準資料：

Moonshot AI 官方技術部落格：Kimi K3 發布說明

Kimi API Platform 官方文件

Artificial Analysis：Intelligence Index v4.1 模型排名

VentureBeat：Moonshot AI Kimi K3 open-source coverage

South China Morning Post：Kimi K3 Moonshot AI open-source report

Kimi K3 對 API 使用者是模型選型升級，但對需要整合 Kimi Code Agent、macOS CI/CD 與 7×24 自動化測試的團隊，仍有三類現實短板：① 7 月 27 日前無法自部署權重，私有雲推理叢集採購週期長；② 虛擬機跑 macOS CI 存在 Metal / Core ML 相容與效能損耗；③ 本機 Mac 關機即斷流，難以穩定跑 Agent 流水線。對於需要零損耗原生 Apple 算力、穩定 iOS CI/CD 與 AI Agent 自動化的生產環境，MACNOX 的雲端實體 Mac 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。可參考Grok 4.5 深度評測中的 Agent 成本分析，以及AI Agent 生產環境安全加固。

SECTION 10 常見問題 FAQ