2026年7月16日發布 · KDA 架構 · 百萬 token 上下文 · 基準全對比 · API 定價 · 7月27日權重開源
摘要：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」——沒有大型發表會，卻發布了全球參數規模最大的開源 AI 模型（2.8 萬億）。本文按技術要點完整拆解：Kimi Delta Attention 等三大架構創新、與 Claude Fable 5 / GPT-5.6 Sol 的全量基準、$3/$15 定價與快取策略、四種立即使用路徑，以及 7 月 27 日完整權重開源時間表。
Kimi K3 是目前全球參數規模最大的開源 AI 模型——2.8 萬億（2.8T）參數，超越此前紀錄保持者 DeepSeek V4 Pro（1.6T）近 75%，是小米開源模型（1.02T）的 2.7 倍，是阿里（397B）的 7 倍有餘。
它採用稀疏混合專家（MoE）架構，推理時只啟用 896 個專家中的 16 個；配合 100 萬 token超長上下文（約等於一次性讀完 5 本《紅樓夢》全文），以及原生視覺理解能力，專為複雜編程、長文件推理與知識工作場景設計。
一句話總結：Kimi K3 是一個開源的、可原生理解影像與影片的、擁有超長記憶的「重量級編程 AI」，價格比 Claude Opus 4.8 便宜 40%，且完整權重將於 7 月 27 日對外開源。
| 參數 | 數值 |
|---|---|
| 總參數量 | 2.8 萬億 |
| 架構 | KDA + AttnRes + Stable LatentMoE |
| 啟用專家 | 16 / 896（稀疏度 1.8%） |
| 上下文視窗 | 1,048,576 tokens（1M） |
| 輸入模態 | 文字、影像、影片 |
| API 模型 ID | kimi-k3 |
| 定價 | 輸入 $3 / 輸出 $15 per 1M tokens |
| 開源權重 | 2026 年 7 月 27 日 |
長程式碼任務斷上下文：200K 視窗的閉源模型在處理大型 Repo 時需頻繁截斷或分段
開源模型規模天花板：此前最大開源權重約 1.6T，難以支撐最前沿編程 Agent
百萬 token 的理論 vs 實踐：多數模型標稱長上下文，但 KV 快取成本使實際可用長度遠低於標稱
閉源依賴風險：API 漲價、區域限制或政策變動時缺乏可自託管的退路
月之暗面在過去 18 個月經歷了 DeepSeek 崛起帶來的巨大衝擊，市場份額一度大幅縮水。K3 的發布堪稱一次漂亮的反擊：
這不是一家「賣情懷」的公司在硬撐規模，而是一家商業化正在爆發的公司，在向全球宣示技術主權。
傳統 Transformer 全注意力在長上下文下計算量呈平方級成長——處理 100 萬 token 時，KV 快取記憶體消耗是毀滅性的。KDA 是一種混合線性注意力機制：
簡單類比：全注意力像讓一個人同時記住所有對話細節；KDA 更像高效秘書——大部分時候用快速索引，關鍵時刻再精準回憶。
標準殘差連接會將資訊沿深度均勻累積，導致早期層關鍵表徵在深層被稀釋。AttnRes 引入選擇性檢索——模型可跨越深度直接拉取更早層的高價值表徵。月之暗面報告此設計帶來約 25% 訓練效率提升，額外計算開銷不足 2%。
896 個專家、每次僅啟用 16 個（稀疏度 1.8%）。配套技術包括：
| 技術 | 作用 |
|---|---|
| Quantile Balancing | 從路由器得分分位數推導專家分配，消除啟發式超參 |
| Per-Head Muon | 針對每個注意力頭獨立最佳化，使大規模訓練更自適應 |
| Sigmoid Tanh Unit（SiTU） | 改進啟用函數控制 |
| Gated MLA | 提升注意力選擇性 |
綜合以上創新，Kimi K3 相較 Kimi K2 整體擴展效率提升約 2.5 倍——相同算力，轉化出更強的智能。
| 基準測試 | Kimi K3 | Claude Fable 5 | GPT-5.6 Sol | Claude Opus 4.8 | GLM-5.2 |
|---|---|---|---|---|---|
| DeepSWE | 67.5 | 70.0 | 73.0 | 59.0 | 46.2 |
| Program Bench | 77.8 | 76.8 | 77.6 | 71.9 | 63.7 |
| Terminal Bench 2.1 | 88.3 | 84.6 | 88.8 | 84.6 | 82.7 |
| FrontierSWE | 81.2 | 86.6 | 71.3 | 66.7 | 67.3 |
| SWE Marathon | 42.0 | 35.0 | 39.0 | 40.0 | 13.0 |
| BrowseComp | 91.2 | 88.0 | 90.4 | 84.3 | — |
| Automation Bench | 30.8 | 29.1 | 29.7 | 27.2 | 12.9 |
| GPQA-Diamond | 93.5 | 92.6 | 94.1 | 91.0 | 91.2 |
| MMMU-Pro（視覺） | 81.6 | 81.2 | 83.0 | 78.9 | — |
| OmniDocBench（文件理解） | 91.1 | 89.8 | 85.8 | 87.9 | — |
解讀重點：
注意事項：上述為月之暗面自報數據，不同模型使用各自推理 harness（K3 用 Kimi Code，GPT 用 Codex，Claude 用 Claude Code），獨立第三方複現仍在進行中。
| 模型 | 輸入（$/M） | 輸出（$/M） | 快取命中輸入 | 上下文 |
|---|---|---|---|---|
| Kimi K3 | $3.00 | $15.00 | $0.30 | 1M |
| Claude Sonnet 5 | $3.00（促銷 $2） | $15.00（促銷 $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 網頁/App：造訪 kimi.com，註冊帳號（支援 Google），K3 預設以最大推理力度執行
官方 API：在 platform.kimi.ai 取得 API Key，模型 ID 為 kimi-k3
OpenRouter：模型 ID moonshotai/kimi-k3，官方定價無加價，完整 1M 上下文
等 7 月 27 日開源權重：Hugging Face 開放完整權重；生產部署需 64 張以上加速卡超節點
API 最小呼叫驗證：用 OpenAI 相容客戶端發一條測試請求，確認計費與延遲符合預期
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..."}]
)| 場景 | 推薦模型 | 原因 |
|---|---|---|
| 持續性長程式碼任務（SWE Marathon 類） | Kimi K3 | 基準第一，上下文最長 |
| 複雜 Repo 級別修 Bug | Claude Fable 5 | FrontierSWE 大幅領先 |
| 終端/工具鏈密集型 Agent | GPT-5.6 Sol | Terminal Bench 領先 |
| 超長文件/多模態文件理解 | Kimi K3 | OmniDocBench 第一 + 原生視覺 + 1M 上下文 |
| 成本敏感場景 | DeepSeek V4 Pro | 輸出僅 $3.48/M |
| 開源自部署（7/27 後） | Kimi K3 | 最強開源權重 |
月之暗面在官方公告中明確承諾：7 月 27 日開放完整模型權重。一旦開放，Kimi K3 將成為：
模型以 MXFP4 權重 + MXFP8 啟用量化感知訓練，Hugging Face 上將出現量化版本，vLLM、SGLang、transformers 等主流框架預計 Day-0 支援。
關注時間節點：7 月 17–20 日（WAIC，更多發布預計）→ 7 月 27 日（K3 完整權重開源）。
Kimi K3 不是「參數堆砌」的面子工程。它在架構層面（KDA、AttnRes、Stable LatentMoE）做了真正的工程創新，在編程長任務、文件理解等關鍵賽道上對標乃至超越了部分閉源旗艦，定價合理，且承諾完整開源。這代表了中國 AI 開源生態的一個訊號：不再是「以低價換市場」，而是在真正挑戰智能前沿。
基準為月之暗面自報數據（2026 年 7 月 16 日）。能力與定價可能隨時更新，請以官方文件為準。
可以。kimi.com 免費帳號即可使用 K3；API 按量計費 $3/$15 per 1M tokens。
權重 7 月 27 日開放。生產推理需 64+ 加速卡超節點，非筆電級部署。
K3 參數近翻倍、上下文 1M vs 128K、多項基準更強；DeepSeek 輸出僅 $3.48/M，成本更低。
對整庫分析、長文件、多輪 Agent 長記憶很實用；統一單價不因長度加價。
月之暗面稱 low/high 模式將在後續更新推出；目前僅 max 可用。
Kimi K3 把「全球最大開源模型」從口號變成了可立即呼叫的 API，但 7 月 27 日權重開放後，真正想微調或自託管的團隊仍需要大規模 GPU 叢集——這與一般開發者在 Mac 上跑 Kimi Code、OpenClaw 多模型路由、或並行做 iOS 建置是兩條線。若你主力機是 Windows/Linux，卻要在真實 macOS 圖形環境裡驗收 Kimi Code Agent、處理鑰匙圈授權或對照本文基準做團隊選型，自購 Mac 成本高、純 SSH 又點不了系統彈窗。租用 VNCMac 遠端 Mac 可按小時開通 VNC 桌面，在隔離節點上對接 K3 API、跑長上下文編程任務並對照 Benchmark 驗收，專案結束即停租。查看 Mac Mini M4 套餐 即可開始。