2026年7月16日公開 · KDA アーキテクチャ · 100万 token · ベンチ全比較 · API 料金 · 7月27日ウェイト公開
要約：2026 年 7 月 16 日深夜、北京の Moonshot AI（月之暗面）が API ドキュメント上部に「Kimi K3 提供開始」のバナーを掲載しました——大規模な記者会見はなく、静かな公開でした。しかしその裏には 2.8 兆（2.8T）パラメータという、世界最大規模のオープンソース AI モデルが存在します。本稿では Kimi Delta Attention（KDA） をはじめとする 3 大アーキテクチャ革新、Claude Fable 5 / GPT-5.6 Sol とのベンチマーク比較、$3/$15 の API 料金とキャッシュ戦略、4 つの利用経路、そして 7 月 27 日の完全ウェイト公開まで、草稿の要点をすべて日本語で整理します。
Kimi K3 は、現時点で世界最大のパラメータ数を持つオープンソース AI モデルです。2.8 兆（2.8T）パラメータは、従来の記録保持者 DeepSeek V4 Pro（1.6T）を約 75% 上回り、小米（Xiaomi）のオープンモデル（1.02T）の 2.7 倍、阿里巴巴（397B）の 7 倍以上に相当します。
スパース Mixture-of-Experts（MoE）アーキテクチャを採用し、896 個のエキスパートのうち推論時に 16 個だけを活性化します。100 万 tokenの超長コンテキスト（『紅楼夢』全 5 巻分に相当する長さ）と、ネイティブな画像・動画理解を備え、複雑なプログラミング、長文ドキュメント推論、ナレッジワーク向けに設計されています。
ひとことで：Kimi K3 は、画像・動画をネイティブに理解でき、超長記憶を持つ「重量級コーディング AI」です。Claude Opus 4.8 より約 40% 安価で、7 月 27 日には完全ウェイトがオープンソースとして公開される予定です。
| 項目 | 値 |
|---|---|
| 総パラメータ数 | 2.8 兆 |
| アーキテクチャ | KDA + AttnRes + Stable LatentMoE |
| 活性化エキスパート | 16 / 896（スパース度 1.8%） |
| コンテキストウィンドウ | 1,048,576 tokens（1M） |
| 入力モダリティ | テキスト、画像、動画 |
| API モデル ID | kimi-k3 |
| 料金 | 入力 $3 / 出力 $15 per 1M tokens |
| オープンウェイト | 2026 年 7 月 27 日 |
長コードタスクでコンテキストが途切れる：200K ウィンドウのクローズドモデルでは大規模リポジトリ処理時に頻繁な切り詰めが必要です
オープンモデルの規模上限：これまで最大でも約 1.6T 程度で、最先端コーディング Agent を支えるには不足していました
100 万 token の理論と実践のギャップ：多くのモデルは長コンテキストを標榜する一方、KV キャッシュコストにより実用長は大幅に短くなります
クローズド API 依存リスク：料金改定、地域制限、政策変更時に自前ホストできる代替がありません
Moonshot AI は過去 18 か月、DeepSeek の急成長により市場シェアを大きく失いました。K3 の公開は、その流れを覆す象徴的な一手と言えます。
これは規模だけを誇示する「情熱プロジェクト」ではなく、商用化が加速する企業が世界に技術的主権を示す動きです。
従来の Transformer 全注意（Full Attention）は、長コンテキストで計算量が二乗に増大します。100 万 token 処理時、KV キャッシュのメモリ消費は致命的になり得ます。KDA はハイブリッド線形注意機構です。
たとえるなら、全注意はすべての会話の細部を同時に覚える人、KDA は効率的な秘書——普段は高速インデックスを使い、要所で精密に思い出す——に近い設計です。
標準的な残差接続は情報を深度方向に均等に蓄積するため、浅い層の重要な表現が深い層で薄まります。AttnRes は選択的リトリーバルを導入し、深度をまたいでより浅い層の高価値表現を直接引き出せます。Moonshot AI は約 25% の学習効率向上を報告しており、追加計算コストは 2% 未満です。
896 エキスパートのうち毎回 16 個だけを活性化——スパース度 1.8%。これに支える技術は次のとおりです。
| 技術 | 役割 |
|---|---|
| Quantile Balancing | ルータースコアの分位数からエキスパート割当を導出し、ヒューリスティックなハイパーパラメータを排除 |
| Per-Head Muon | 各注意ヘッドを独立最適化し、大規模学習をより適応的に |
| Sigmoid Tanh Unit（SiTU） | 活性化関数の制御を改善 |
| Gated MLA | 注意の選択性を向上 |
これらを総合すると、Kimi K3 は Kimi K2 比でスケーリング効率が約 2.5 倍——同じ計算資源からより強い知能を引き出せます。
| ベンチマーク | Kimi K3 | Claude Fable 5 | GPT-5.6 Sol | Claude Opus 4.8 | GLM-5.2 |
|---|---|---|---|---|---|
| DeepSWE | 67.5 | 70.0 | 73.0 | 59.0 | 46.2 |
| Program Bench | 77.8 | 76.8 | 77.6 | 71.9 | 63.7 |
| Terminal Bench 2.1 | 88.3 | 84.6 | 88.8 | 84.6 | 82.7 |
| FrontierSWE | 81.2 | 86.6 | 71.3 | 66.7 | 67.3 |
| SWE Marathon | 42.0 | 35.0 | 39.0 | 40.0 | 13.0 |
| BrowseComp | 91.2 | 88.0 | 90.4 | 84.3 | — |
| Automation Bench | 30.8 | 29.1 | 29.7 | 27.2 | 12.9 |
| GPQA-Diamond | 93.5 | 92.6 | 94.1 | 91.0 | 91.2 |
| MMMU-Pro（視覚） | 81.6 | 81.2 | 83.0 | 78.9 | — |
| OmniDocBench（文書理解） | 91.1 | 89.8 | 85.8 | 87.9 | — |
読み解きのポイント：
注意：上記は Moonshot AI 自社報告値です。各モデルは異なる推論ハーネス（K3＝Kimi Code、GPT＝Codex、Claude＝Claude Code）を使用しており、独立した第三者による再現検証は進行中です。
| モデル | 入力（$/M） | 出力（$/M） | キャッシュヒット入力 | コンテキスト |
|---|---|---|---|---|
| Kimi K3 | $3.00 | $15.00 | $0.30 | 1M |
| Claude Sonnet 5 | $3.00（プロモ $2） | $15.00（プロモ $10） | — | 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 |
Kimi Web / アプリ：kimi.com にアクセスし、アカウント登録（Google 連携可）。K3 はデフォルトで最大推論モードで動作します
公式 API：platform.kimi.ai で API Key を取得。モデル ID は kimi-k3
OpenRouter：モデル ID moonshotai/kimi-k3。公式料金そのまま、1M コンテキスト対応
7 月 27 日のオープンウェイト待ち：Hugging Face で完全ウェイト公開。本番デプロイには 64 基以上の加速器スーパーノードが必要です
API 最小呼び出し検証：OpenAI 互換クライアントでテストリクエストを送り、課金とレイテンシを確認してください
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": "このコードを分析してください..."}]
)| ユースケース | 推奨モデル | 理由 |
|---|---|---|
| 持続的な長時間コーディング（SWE Marathon 系） | Kimi K3 | ベンチ 1 位、最長コンテキスト |
| 大規模リポジトリの複雑なバグ修正 | Claude Fable 5 | FrontierSWE で大幅リード |
| ターミナル / ツールチェーン密集 Agent | GPT-5.6 Sol | Terminal Bench 首位 |
| 超長文 / マルチモーダル文書理解 | Kimi K3 | OmniDocBench 1 位 + ネイティブ視覚 + 1M |
| コスト重視 | DeepSeek V4 Pro | 出力 $3.48/M と大幅に安価 |
| オープンソース自前ホスト（7/27 以降） | Kimi K3 | 最強のオープンウェイト |
Moonshot AI は公式発表で 7 月 27 日に完全モデルウェイトを公開すると明言しています。公開後、Kimi K3 は次の位置づけになります。
モデルは MXFP4 ウェイト + MXFP8 活性化の量子化認識学習で訓練されており、Hugging Face には量子化版が登場する見込みです。vLLM、SGLang、transformers など主要フレームワークの Day-0 対応が予想されます。
注目日程：7 月 17–20 日（WAIC、追加発表予想）→ 7 月 27 日（K3 完全ウェイト公開）。
Kimi K3 は単なる「パラメータ競争」ではありません。KDA、AttnRes、Stable LatentMoE というアーキテクチャ面の本物の革新があり、プログラミング長タスクや文書理解など重要領域でクローズドフラッグシップに匹敵、一部では凌駕しています。料金も妥当で、完全オープンソースが約束されています。中国 AI オープンエコシステムのシグナルとしても、「低価格でシェアを取る」段階を超え、知能の最前線に挑む動きと読めます。
ベンチマークは Moonshot AI 自社報告（2026 年 7 月 16 日）。性能と料金は随時更新される可能性があるため、公式ドキュメントをご確認ください。
はい。kimi.com の無料アカウントで K3 を利用できます。API は従量課金で、入力 $3/M、出力 $15/M tokens です。
7 月 27 日にウェイトが公開されます。本番推論には 64 基以上の加速器スーパーノードが必要で、一般的なノート PC 向けではありません。
K3 はパラメータ約 2 倍、コンテキスト 1M vs 128K、複数ベンチで優位。DeepSeek は出力 $3.48/M とコスト面で大幅に有利です。
リポジトリ一括分析、長文ドキュメント、多段 Agent の長期記憶に有効です。長さによる追加課金がないため、フルウィンドウを実際に使いやすい設計です。
Moonshot AI は low / high モードを今後のアップデートで提供予定と述べています。現時点では max のみ利用可能です。
Kimi K3 は「世界最大のオープンソースモデル」をスローガンから、今すぐ呼び出せる API に変えました。7 月 27 日のウェイト公開後、微調整や自前ホストを目指すチームには大規模 GPU クラスタが必要です——Mac 上で Kimi Code や OpenClaw のマルチモデルルーティングを回す開発者とは別の線上にあります。主力機が Windows / Linux でも、実 macOS グラフィカル環境で Kimi Code Agent を検収し、Keychain 認可や本稿のベンチマーク照合を行うなら、Mac 購入は高コスト、SSH だけではシステムダイアログを操作できません。VNCMac なら時間課金で VNC デスクトップ付きリモート Mac を開設し、K3 API 接続・長コンテキストコーディング・Benchmark 検証まで一気通貫で進められます。プロジェクト終了後は即停止可能です。Mac レンタルプランをご覧ください。