適用讀者：AI 開發者、技術愛好者、AI 產品從業者，以及正在評估開源大模型選型的工程團隊負責人。2026 年 7 月 16 日深夜，月之暗面（Moonshot AI）悄然上線 Kimi K3——2.8 萬億參數，全球最大開源 AI 模型，配備 100 萬 token 上下文與原生視覺能力。你將獲得：三大架構創新（KDA / AttnRes / Stable LatentMoE）詳解、與 Claude Fable 5 / GPT-5.6 Sol 完整基準對比、API 定價與境內方案、四種接入方式、場景選型矩陣，以及 7 月 27 日完整權重開源時間表。結構：痛點 → 模型定位 → 發布背景 → 架構 → Benchmark → 定價 → 接入 → 選型 → 開源承諾 → Runbook → 收束轉化。更廣泛的程式設計助手對比請見AI 程式設計助手選型矩陣。
TL;DR — 30 秒結論
Kimi K3 上線後，技術圈普遍卡在以下六個決策盲區——不是不知道它「很大」，而是無法把參數規模翻譯成可執行的選型依據：
下文用官方技術部落格、基準資料與定價算術，把上述六個盲區逐一填平。
2026 年 7 月 16 日深夜，月之暗面在 API 文件頂部掛上橫幅「Kimi K3 已上線！」——沒有大型發布會，沒有提前預熱的社群媒體轟炸，有的只是一份技術部落格、一個定價頁面和一個可以立刻呼叫的模型 ID kimi-k3。
這個低調姿態，和它背後 2.8 萬億參數 的體量形成了奇妙對比。Kimi K3 是目前全球參數規模最大的開源 AI 模型，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。
| 規格 | 詳情 |
|---|---|
| 總參數量 | 2.8 萬億（2.8T） |
| 架構 | Kimi Delta Attention + Attention Residuals + Stable LatentMoE |
| 啟用專家 | 16 / 896（稀疏 MoE，稀疏度 1.8%） |
| 上下文視窗 | 1,048,576 tokens（100 萬） |
| 輸入模態 | 文字、影像、影片 |
| 推理模式 | Always-on，發布時僅 max 力度可用 |
| API 定價 | $3 / $15 per 1M tokens（輸入/輸出） |
| 開源權重 | 2026 年 7 月 27 日 |
它採用稀疏混合專家（MoE）架構，配合 100 萬 token 超長上下文（約等於一次性讀完 5 本《紅樓夢》全文）以及原生視覺理解能力，專為複雜程式設計任務、長文件推理、知識工作場景而設計。
一句話總結：Kimi K3 是一個開源的、可以原生理解影像和影片的、擁有超長記憶的「重量級程式設計 AI」，價格比 Claude Opus 4.8 便宜 40%，且完整權重將於 7 月 27 日對外開源。
月之暗面在過去 18 個月經歷了 DeepSeek 崛起帶來的巨大衝擊，市場份額一度大幅縮水。然而，K3 的發布堪稱一次漂亮的反擊：
這不是一家「賣情懷」的公司在硬撐規模，而是一家商業化正在爆發的公司，在向全球宣示技術主權。更多中國模型在 OpenRouter 上的份額變化，可參考OpenRouter 6 月排行榜深度分析。
傳統 Transformer 全注意力機制在長上下文下計算量呈平方級成長——處理 100 萬 token 時，KV 快取的記憶體消耗是毀滅性的。
KDA 是一種混合線性注意力機制，核心設計是：
簡單類比：如果全注意力像讓一個人同時記住所有對話細節，KDA 更像一個高效秘書——大部分時候用快速索引，關鍵時刻再精準回憶。這正是 K3 能以平價提供真正 1M token 上下文的技術根基。
標準殘差連接會將資訊沿深度均勻累積，導致早期層的關鍵表徵在深層被稀釋。AttnRes 引入選擇性檢索——模型可以跨越深度，直接拉取更早層的高價值表徵。
月之暗面報告此設計帶來約 25% 的訓練效率提升，額外計算開銷不足 2%。
Kimi K3 共有 896 個專家，每次推理只啟用 16 個——稀疏度達 1.8%。在如此極端的稀疏度下，路由和最佳化是第一優先級的挑戰。
| 技術 | 作用 |
|---|---|
| Quantile Balancing | 從路由器得分分位數直接推導專家分配，消除啟發式超參 |
| Per-Head Muon | 針對每個注意力頭獨立最佳化，使大規模訓練更自適應 |
| Sigmoid Tanh Unit（SiTU） | 改進啟用函數控制 |
| Gated MLA | 提升注意力選擇性 |
綜合以上架構創新，Kimi K3 相較 Kimi K2，整體擴展效率提升約 2.5 倍——相同算力，轉化出更強的智能。
月之暗面自報的核心基準資料如下（不同模型使用了各自的推理 harness）：
| 基準測試 | Kimi K3 | Claude Fable 5 | GPT-5.6 Sol | Claude Opus 4.8 | GLM-5.2 |
|---|---|---|---|---|---|
| DeepSWE | 67.5 | 70.0 | 73.0 | 59.0 | 46.2 |
| Program Bench | 77.8 | 76.8 | 77.6 | 71.9 | 63.7 |
| Terminal Bench 2.1 | 88.3 | 84.6 | 88.8 | 84.6 | 82.7 |
| FrontierSWE | 81.2 | 86.6 | 71.3 | 66.7 | 67.3 |
| SWE Marathon | 42.0 | 35.0 | 39.0 | 40.0 | 13.0 |
| BrowseComp | 91.2 | 88.0 | 90.4 | 84.3 | — |
| Automation Bench | 30.8 | 29.1 | 29.7 | 27.2 | 12.9 |
| GPQA-Diamond | 93.5 | 92.6 | 94.1 | 91.0 | 91.2 |
| MMMU-Pro（視覺） | 81.6 | 81.2 | 83.0 | 78.9 | — |
| OmniDocBench（文件理解） | 91.1 | 89.8 | 85.8 | 87.9 | — |
解讀重點：
注意事項：上述基準為月之暗面自報資料，不同模型使用了各自的推理 harness（K3 用 Kimi Code，GPT 用 Codex，Claude 用 Claude Code）。獨立第三方複現工作仍在進行中，請將其視為方向性參考而非定論。
| 模型 | 輸入（$/M token） | 輸出（$/M token） | 快取命中輸入 | 上下文視窗 |
|---|---|---|---|---|
| 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 |
關鍵資訊：
相比 Claude Opus 4.8，K3 在多項基準上更優，輸入成本僅其 60%、輸出成本僅其 40%。DeepSeek 成本對比詳見DeepSeek V4 Flash 本地 vs 雲端租用決策文。
方法一：Kimi 網頁/App（最簡單）——直接造訪 kimi.com，註冊帳號（支援 Google 帳號），K3 預設以最大推理力度執行，無需信用卡。
方法二：官方 API（開發者）——在 platform.kimi.ai 取得 API Key，完全相容 OpenAI SDK：
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..."}]
)
方法三：OpenRouter——模型 ID：moonshotai/kimi-k3，直接呼叫，Moonshot 官方定價，無額外加價，完整 1M 上下文。
方法四：等 7 月 27 日開源權重——完整模型權重將於 2026 年 7 月 27 日在 Hugging Face 開放。模型以 MXFP4 權重和 MXFP8 啟用訓練，量化感知設計，預計 transformers、vLLM、SGLang 第一時間支援。注意：生產級部署需要 64 張以上加速卡的超節點配置。
| 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 和 Coding Agent Index 領先 |
| 超長文件分析/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，遠低於 K3 |
| 開源自部署（7/27 後） | Kimi K3 | 最強開源權重，首個超 2T 參數級別 |
| 需要最深推理的研究任務 | Claude Fable 5 | HLE-Full 53.3 vs K3 的 43.5，差距顯著 |
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。一旦權重開放，Kimi K3 將成為：
屆時 Hugging Face 上將出現量化版本（MXFP4/NVFP4），vLLM、SGLang 等主流推理框架預計第一時間支援。對於不想依賴閉源 API 的公司和研究者，這可能是 2026 年最重要的開源發布。
Kimi K3 不是一個「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，在程式設計長任務、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。更重要的是，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。
但若要在生產環境穩定執行 Kimi K3 API 驅動的 Agent 工作流（Kimi Code、OpenClaw Gateway 或多模型混合路由），本地 MacBook 仍會遇到三個結構性瓶頸：
若要穩定執行 Kimi K3 + 多模型 Agent 混合棧，MACCOME Mac 雲端主機提供真實 macOS、SSH 交接與隔離環境，讓 Agent 在專用節點 7×24 執行。公開方案請見Mac mini 雲端租用價格。
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）。
資料來源：月之暗面官方技術部落格、Kimi API Platform 文件、Artificial Analysis、OpenRouter 定價頁面。基準為 Moonshot AI 自報資料，截止 2026 年 7 月 16 日。
常見問題
Kimi K3 可以免費使用嗎？
可以。在 kimi.com 註冊免費帳號即可使用 K3，預設以最大推理力度執行。API 呼叫需付費，定價為 $3/$15 每百萬 token（輸入/輸出）。
Kimi K3 能本地部署嗎？
完整權重將於 2026 年 7 月 27 日在 Hugging Face 開放。生產級部署需要 64 張以上加速卡的超節點配置，一般筆電無法承載 2.8T 參數推理。
Kimi K3 和 DeepSeek V4 Pro 怎麼選？
K3 參數量近兩倍（2.8T vs 1.6T）、上下文 1M vs 128K，程式設計與推理基準更強；DeepSeek V4 Pro 輸出僅 $3.48/M，成本遠低於 K3 的 $15/M。詳見DeepSeek V4 評測文。
100 萬 token 上下文真的有用嗎？
對分析完整程式碼庫、處理長篇研究論文或法律文件、以及維護長記憶的多輪 Agent 會話特別有價值。K3 按平價計費（不按長度加價），使實際使用完整視窗成為可能。
低/高推理力度模式什麼時候上線？
月之暗面表示 low 和 high 力度模式將在「後續更新」中推出。目前僅 max 力度可用。
如何在生產環境 7×24 執行 Kimi K3 Agent？
建議在專用 Mac 雲端主機上部署 Kimi Code 或 OpenClaw Gateway，避免筆電睡眠中斷長會話。查看MACCOME Mac 雲端租用方案取得節點配置與定價。