适用读者：关注国产大模型开源动态的技术负责人、AI 开发者与法务合规团队。📦 7 月 27 日晚 23 点，月之暗面正式发布 Kimi K3 完整模型权重与技术报告，同步开源 MoonEP、FlashKDA、AgentEnv 三项核心基础设施——这是全球首个被完整开放的 3 万亿参数级别模型（2.8T 总参数，约 1040 亿激活，100 万 token 上下文）。你将获得：11 天首发到全面开源时间线、架构创新拆解（KDA / AttnRes / Per-Head Muon）、独立第三方基准对比、许可证两道商业门槛解读、API 定价与自部署硬件门槛、六步落地 Runbook。结构：痛点 → 参数与架构 → Infra 开源 → 跑分与许可 → 部署选型 → FAQ → 收束转化。与7/16 K3 首发评测、蒸馏门争议、7 月 OpenRouter 排行互补。
TL;DR — 30 秒结论
这次开源距离 Kimi K3 在 kimi.com 和 API 端首发，只过去了 11 天。权重文件在 Hugging Face 上体积约 1.56TB，上线半小时内即登顶趋势榜第一。
| 项目 | 参数 |
|---|---|
| 总参数量 | 2.8 万亿（2.8T） |
| 激活参数量 | 约 1040 亿 |
| 架构类型 | 混合专家模型（MoE） |
| 专家配置 | 896 个路由专家，每 token 激活 16 个（另有共享专家） |
| 注意力机制 | Kimi Delta Attention（KDA）+ 门控多头潜在注意力（Gated MLA） |
| 上下文窗口 | 100 万 token |
| 多模态能力 | 原生视觉理解（ViT-V2，27 层） |
| 权重格式 | MXFP4 权重 + MXFP8 激活（SFT 阶段起量化感知训练） |
| 权重体积 | 约 1.56TB（Hugging Face） |
| License | 自定义许可证（官方称 open weight，非 open source） |
Kimi K3 在架构上重构了深度学习沿用多年的三大传统组件——注意力机制、残差连接、优化器，这也是它区别于「简单堆参数」的关键。
传统的 Gated DeltaNet 使用标量级的遗忘门——整个记忆用同一个衰减系数处理。KDA 把这个门控改成了逐通道级别：每一个特征维度都拥有自己独立的衰减率，模型因此可以让某些特征长期保留、另一些特征快速遗忘。KDA 采用 chunkwise 的 Diagonal-Plus-Low-Rank（DPLR）公式实现线性时间递归，在保证硬件效率的同时大幅降低了长序列处理的显存开销。K3 将 KDA 与少量全局注意力层（Gated MLA）交替混合使用，这也是它能支撑 100 万 token 上下文、同时把 KV Cache 开销压到极低的核心原因。
传统残差连接会把每一层的输出逐层均匀累加传递下去，层数越深，早期层的信息越容易被「稀释」。AttnRes 把这个过程改成了「选择性、依据输入动态聚合前面所有层的输出」——每一层只需新增一个 RMSNorm 和一个伪查询向量，参数开销几乎可以忽略不计，却能带来约 25% 的训练效率提升，代价不到 2%。
K3 在 Muon 优化器基础上做了「逐注意力头独立优化」的扩展，让每个注意力头拥有更自适应的收敛路径。这是一项纯训练期技术，普通开发者调用 API 时无感知，但正是这类细节的堆叠，让 K3 能以相对更少的激活参数打出接近顶尖闭源模型的效果。
K3 的 MoE 层拥有 896 个路由专家，每个 token 只激活 16 个（稀疏度约 1.8%），配合共享专家保证基础能力的稳定性。团队采用了 Quantile Balancing 均衡策略，并配合 MoonEP，从数学上证明了每个计算节点冗余专家数的理论上界。
| 技术 | 定位 | 关键能力 |
|---|---|---|
| MoonEP | 超大规模细粒度 MoE 高性能通信库 | 通过临时复制过载专家保证每个计算节点获得均等 token 数；证明冗余专家数理论上界，负载不均衡时仍维持高通信效率 |
| FlashKDA | 基于 NVIDIA CUTLASS 的 KDA 高性能算子（此前已开源） | 在 NVIDIA H20 上 prefill 速度提升 1.72–2.22 倍；可作为 flash-linear-attention 库中 chunk_kda 的直接替代后端 |
| AgentEnv | 与 KVCache.ai 联合开发的 Agent 沙箱（Firecracker microVM） | 面向大规模并行 Agent RL 训练；官方披露 checkpoint 延迟低至 133ms、恢复延迟 49ms、内存超分最高 6.5 倍（尚未经第三方独立复现） |
不同机构、不同评测框架给出的数字差异较大，以下优先引用独立第三方复测数据。
| 模型 | SWE-bench Verified | 发布日期 |
|---|---|---|
| Claude Opus 5 | 97% | 2026-07-24 |
| GPT-5.6 Sol | 96.2% | 2026-07-09 |
| Claude Fable 5 | 95% | 2026-06-09 |
| Kimi K3 | 93.4% | 2026-07-16 |
| Qwen3.7-Max | 79.4% | 2026-05-19 |
| DeepSeek-V4 | 76.2% | 2026-04-23 |
Artificial Analysis 智能指数（max 推理档）：Claude Fable 5（max + fallback）60 分；GPT-5.6 Sol（max）59 分；Kimi K3（max）约 57 分，全球第 3，开源模型第 1；GLM-5.2（max）51 分（此前的开源第一名）；DeepSeek V4 Pro（max）44 分。
简单来说：它是开源阵营里能力天花板最高的选项，而不是性价比最高的选项。Kimi K3 目前在 Arena.ai 的 Frontend Code Arena 榜单上排名第一。
月之暗面官方材料从未使用「open source」，一直采用「open weight（开放权重）」的表述。许可证包含两道此前 K2 系列都没有的商业门槛：
对绝大多数中小团队和创业公司而言，这两道门槛几乎不会被触发，可以正常商用。
| Token 类型 | 价格（每百万 token） |
|---|---|
| 输入（缓存命中） | $0.30 |
| 输入（缓存未命中） | $3.00 |
| 输出（含推理过程） | $15.00 |
月之暗面提供 OpenAI SDK 兼容的 Chat Completions API（https://api.moonshot.ai/v1，模型 ID kimi-k3）。由于 Mooncake 分离式推理架构在典型编程类工作负载上缓存命中率可达 90% 以上，实际大部分调用成本会更接近 $0.30 这一档。
自部署方面：官方建议部署在 64 卡及以上的超节点配置上。对于个人开发者和大部分中小团队，更现实的路径是通过 OpenRouter 等第三方平台调用已托管好的 K3（目前已有 7 家服务商上线）。
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": "system", "content": "You are a senior software engineer."},
{"role": "user", "content": "Refactor this function with type hints and docstrings."},
],
max_tokens=4096,
)
print(response.choices[0].message.content)
Kimi K3 的开源节点卡在世界人工智能大会（WAIC 2026）窗口期，同时叠加了正在升级的中美「模型蒸馏」争端——就在权重开源前几天，美方指控月之暗面「工业化蒸馏」Anthropic 的模型来训练 K3，并威胁制裁；中国商务部则在 7 月 28 日公开回应，指责美方搞「AI 霸权主义」。在这样的背景下，月之暗面选择把权重、技术报告和三项核心 Infra 技术全部公开，某种程度上也是一种态度表达：用完整的工程细节自证技术路径的独立性。三天后，阿里巴巴发布了 24 万亿参数的 Qwen3.8-Max-Preview，被外界普遍解读为对 K3 的直接回应，国产大模型的竞争正式进入「3T 俱乐部」阶段。
对绝大多数团队而言，K3 自部署的 64 卡门槛意味着API 调用是唯一现实路径。但即便走 API，生产级 Agent 工作流（OpenClaw、Hermes Agent、Kilo Code 对接 K3）仍面临三大隐性成本：笔记本合盖睡眠中断长会话、网络抖动导致推理链路断裂、API Key 散落在多台开发机无法统一轮换。这些与 K3 模型能力无关，却直接决定你能否把 93.4% 的 SWE-bench 能力稳定转化为业务产出。
若在本地笔记本上切换多模型 Gateway，上述问题会随上下文窗口拉长（K3 支持 100 万 token）而放大。对于更稳定、更适合 AI Agent 自动化的生产环境，MACCOME 的 Mac 云主机通常是更优解——真实 macOS、SSH 交接、环境隔离，让 K3 API 路由与 Agent Gateway 在专用实例上 7×24 稳定运行。方案与定价见Mac mini 云租用价格。
数据来源：Moonshot AI 官方博客（kimi.com/blog/kimi-k3）、Hugging Face（moonshotai org）、GitHub（moonshotai/FlashKDA）、Vals AI SWE-bench Verified 排行榜、Artificial Analysis Intelligence Index、VentureBeat、Simon Willison's blog。发布前请以官方最新数据为准。
常见问题
Kimi K3 真的是开源模型吗？
严格来说不是。它属于「开放权重（open weight）」模型：训练完成的权重文件、技术报告和部分 Infra 工具是公开的，但训练数据和完整训练代码没有公开，不符合 OSI 标准下的「开源」定义。月之暗面官方始终使用 open weight，从未使用 open source。
Kimi K3 可以免费商用吗？
可以，绝大多数商业场景不受限制。但如果你运营的是「模型即服务」业务且年收入超过 2000 万美元，或产品月活超过 1 亿/月收入超过 2000 万美元，需要额外满足许可证中的特定条款。
Kimi K3 需要多少显卡才能自己部署？
官方建议部署在 64 卡及以上的超节点集群，个人和大部分企业用户更现实的方式是通过官方 API 或 OpenRouter 等第三方平台调用。详见7/16 K3 首发评测中的接入方式对比。
Kimi K3 的性能到底强不强？
在开源模型阵营中综合能力最强，Artificial Analysis 智能指数全球第 3，仅次于 Claude Fable 5 和 GPT-5.6 Sol；但成本高于同为开源的 GLM-5.2，属于「开源阵营天花板最高、但非性价比最优」的选择。蒸馏争议背景见Opus 5 与 K3 蒸馏门。
Kimi K3 和 Kimi K2 有什么区别？
K3 参数规模是 K2.5 的约 3 倍，架构上新增了 Attention Residuals 和 Per-Head Muon，上下文窗口和多模态能力也大幅提升；许可证方面 K3 新增了 Model-as-a-Service 收入门槛，商业限制比 K2 系列更细化。
如何在生产环境 7×24 运行对接 K3 的 Agent 栈？
推荐在专用 Mac 云主机部署 OpenClaw / Hermes Agent 等 Gateway，配合 K3 API 或 OpenRouter 分层路由；避免笔记本睡眠中断长会话。查看MACCOME Mac 云租用方案获取节点配置与定价。