Kimi K3 深度解讀:全球參數最大的開源模型,實力到底如何?
2026 年 7 月,月之暗面發布 2.8 兆參數的 Kimi K3,成為全球參數規模最大的開源模型,並在前端程式設計榜首次正面超越閉源旗艦。本文從核心技術、跑分、價格到使用入口,一次講清它強在哪、值不值得用。

一句話摘要:Kimi K3 以 2.8 兆參數登頂全球開源模型,程式設計榜首次超越閉源旗艦;本文講清它強在哪、貴不貴、在哪用。
資料截至 2026 年 8 月 12 日 本文資料綜合自新華社、Artificial Analysis、LMArena、Moonshot 官方發布材料及多家第三方評測,發布前建議再核對最新榜單。
一、引言:開源模型第一次摸到了「天花板」
2026 年 7 月 16 日,就在上海世界人工智慧大會(WAIC)開幕前一天,月之暗面(Moonshot AI)扔出了一顆重磅炸彈——Kimi K3。
它的頭銜很唬人,但都是事實:
- 總參數 2.8 兆,是目前全球參數規模最大的開源模型,遠超 DeepSeek V4 Pro(1.6 兆)和智譜 GLM-5 系列(7440 億);
- 全球首個 3 兆參數級別的開源模型;
- 開源模型歷史上第一次在主流排行榜上正面超越閉源旗艦——在前端程式設計盲測榜 Frontend Code Arena 上,Kimi K3 以 1679 分登頂,壓過 Anthropic 的 Claude Fable 5 和 OpenAI 的 GPT-5.6 Sol。
用新華社的話說,這「標誌著我國人工智慧模型發展邁出新的一步」。而對普通使用者來說,更實際的問題是:它強在哪?跟我有什麼關係?去哪能用上?這篇文章一次講清楚。
二、Kimi K3 是什麼?
2.1 基本檔案
| 項目 | 參數 |
|---|---|
| 開發方 | 月之暗面(Moonshot AI,2023 年由清華系創業者楊植麟創立,阿里、騰訊均為投資方) |
| 發布時間 | 2026 年 7 月 16 日發布,7 月 27 日開源完整權重 |
| 架構 | MoE 混合專家模型,93 層,共 896 個專家,每個 token 僅啟動其中 16 個 |
| 總參數 / 啟動參數 | 2.8 兆 / 約百億級(稀疏啟動,推理成本遠低於體量給人的想像) |
| 上下文視窗 | 100 萬 token(1,048,576),一口價不分檔 |
| 模態 | 原生支援文字 + 圖像理解(MoonViT-V2 視覺編碼器),部分管道已支援影片輸入 |
| 開源協議 | 自訂 Kimi K3 License(類 MIT,附收入分級條款) |
2.2 兩項核心技術創新
Kimi K3 的看點不只是「大」,更在於它處理資訊的方式:
1. KDA 混合線性注意力(Kimi Delta Attention)
傳統 Transformer 的全注意力機制處理長文字時,計算量隨文字長度接近平方級成長——內容增加 1 倍,計算量增至約 4 倍。這是超長文字難落地的根本原因。K3 在 93 層中的 69 層使用了自研的 KDA 線性注意力模組,把計算量壓到接近線性成長。結果是:KV 快取減少約 75%,百萬 token 解碼吞吐提升約 6.3 倍。簡單說,同樣算力下它能「讀」得更長、想得更深。
2. 注意力殘差(Attention Residuals / AttnRes)
模型越大、層數越多,資訊在層間傳遞越容易衰減失真,訓練越容易崩。注意力殘差技術讓模型跨深度有選擇地檢索表示,而不是機械地逐層累加——相當於給 2.8 兆參數的巨型模型裝了一套「穩定器」。官方稱,兩項技術疊加讓 K3 相比 K2 實現了約 2.5 倍的訓練擴展效率提升。
2.3 開源策略:人人可下載,但大廠要「報備」
7 月 27 日,K3 完整權重和技術報告登陸 Hugging Face 與 GitHub。許可證整體接近 MIT:任何人都可以免費使用、修改、分發、微調。只有兩條收入相關限制:
- 以「模型即服務」方式大規模轉售 K3 推理的雲廠商,連續 12 個月收入超 20 萬美元後需與 Moonshot 單獨簽約;
- 月活超 1 億或月收入超 200 萬美元的商業產品,需在介面顯著標註「Kimi K3」。
對絕大多數開發者和中小企業來說,這就是「免費可商用」。
三、硬碰硬:各大排行榜上的真實位置
跑分要分開看:一類是第三方機構獨立複測(可信度高),一類是廠商自報(參考即可)。先看最有含金量的兩個綜合榜單。
3.1 Artificial Analysis 智慧指數(客觀跑分,2026 年 8 月上旬資料)
| 排名 | 模型 | 綜合智慧分 | 屬性 |
|---|---|---|---|
| 1 | Claude Opus 5 (max) | 63 | 閉源 |
| 3 | Claude Fable 5 | 62 | 閉源 |
| 5 | GPT-5.6 Sol (max) | 61 | 閉源 |
| 6 | Kimi K3 (max) | 60 | 開源 |
| 7 | GPT-5.6 Sol (xhigh) | 59 | 閉源 |
| 9 | Qwen3.8 Max | 58 | 閉源 |
Kimi K3 是全榜排名最高的開源模型,也是國產模型第一。 它與前五名閉源旗艦的差距只有 1–3 分,屬於「同檔前沿」,而不是代差。
3.2 LMArena(真人盲測投票,2026 年 8 月)
| 模型 | 文字榜 Elo | 備註 |
|---|---|---|
| Claude Fable 5 | 1525 | 文字 #1 |
| Claude Opus 5 | 1522 | 新旗艦 |
| GPT-5.6 Sol | 1514 | OpenAI 旗艦 |
| Kimi K3 | ≈1500 | 與閉源第一梯隊持平;程式設計分榜 #1 |
| GLM-5.2 | 1483 | 開源 |
| DeepSeek V4 Pro | 1462 | 開源 |
最值得大書特書的是程式設計分榜:Kimi K3 在 Frontend Code Arena 以 1679 Elo 拿下第一(Claude Fable 5 為 1631,GPT-5.6 Sol 為 1618),在 7 個子領域中拿下 6 個第一。這是開源模型首次在 Arena 系列榜單上登頂——上一代 K2.6 還在第 18 名,一代提升了 17 個位次。
3.3 專項能力對比(Moonshot 官方資料 + 第三方整理)
| 評測項 | Kimi K3 | Claude Fable 5 | GPT-5.6 Sol | Claude Opus 4.8 |
|---|---|---|---|---|
| SWE Marathon(超長時序開發) | 42(第1) | 35 | 39 | 40 |
| Program Bench(軟體逆向) | 77.8(第1) | 76.8 | 77.6 | 71.9 |
| Terminal-Bench 2.1(終端運維) | 88.3 | 84.6 | 88.8 | 84.6 |
| FrontierSWE(高難度軟工) | 81.2 | 86.6 | 71.3 | 66.7 |
| BrowseComp(網頁深度調研) | 91.2(SOTA) | 88.0 | 90.4 | 84.3 |
| Automation Bench(辦公自動化) | 30.8(第1) | 29.1 | 29.7 | 27.2 |
| SpreadsheetBench 2(Excel 建模) | 第1 | — | — | — |
| GPQA-Diamond(科學推理) | 93.5 | 92.6 | 94.1 | 91.0 |
| MMMU-Pro(視覺推理) | 81.6 | 81.2 | 83.0 | 78.9 |
| OmniDocBench(文件理解) | 91.1(第1) | 89.8 | 85.8 | 87.9 |
(註:部分項目各家用不同 agent 框架測試,橫向對比僅供參考。)
一句話總結 K3 的能力畫像:
- ✅ 長程程式設計和前端開發:目前開源界無對手,多項第一;
- ✅ 深度調研與辦公自動化:BrowseComp 創下新紀錄;
- ✅ 超長文件理解:100 萬 token 上下文 + 文件理解第一,適合整倉程式碼、大部頭資料分析;
- ⚠️ 綜合體驗:官方自己也承認,在互動細節、任務完成度的「體感」上仍略遜 Claude Fable 5 和 GPT-5.6 Sol;第三方實測輸出速度約 36–55 token/s,不算快,且思考模式下 token 消耗偏多。
3.4 性價比:便宜是相對的
| 模型 | 輸入($/百萬 token) | 輸出($/百萬 token) | 快取命中輸入 |
|---|---|---|---|
| Kimi K3 | 3.0 | 15.0 | 0.30 |
| Claude Fable 5 | 10.0 | 50.0 | — |
| Claude Opus 4.8 | 5.0 | 25.0 | — |
| GPT-5.6 Sol | 5.0 | 30.0 | — |
| Kimi K2.6 | 0.95 | 4.0 | 0.16 |
國內官方定價為輸入 ¥20/百萬 token、輸出 ¥100/百萬 token、快取命中 ¥2/百萬 token。
K3 的價格約為 Claude Fable 5 的 1/3,但比自家 K2.6 貴了 4–5 倍。關鍵省錢技巧是快取:程式設計場景下官方稱快取命中率可超 90%,命中部分輸入價打一折,OpenRouter 實測有效輸入成本約 $0.55/百萬 token。第三方測算,同樣一輪 agent 編碼任務(10 萬輸入 + 2 萬輸出),K3 約 $0.60,Fable 5 約 $2.00。
四、在哪裡可以用上 Kimi K3?
這是大家最關心的部分,也是我最近一直在找的,記錄在這裡分享給大家,按門檻從低到高排列:
4.1 WorkBuddy(最省心的方式之一)
https://www.workbuddy.cn/ (WorkBuddy 邀請連結)
為什麼不是首推 Kimi 官網呢?因為現在壓根就不開放,不知道什麼時候開放訂閱,等了有 2 週了我。除非你是 Kimi 的老會員,可以直接跳過哈哈。
WorkBuddy 已經內建接入 Kimi K3——你現在正在閱讀的這段對話,背後跑的就是 Kimi K3。對於不想折騰 API key、不想研究參數的普通使用者和辦公場景,打開 WorkBuddy 直接用即可:寫文件、做表格、讀 PDF、跑程式碼、生成網頁,K3 的長上下文和 Agent 能力在 WorkBuddy 裡是開箱即用的狀態。這也是國內使用者零門檻體驗 K3 完整能力的最短路徑之一。
4.2 Kimi 官方產品矩陣
- Kimi 網頁版 / App(kimi.com / kimi.moonshot.cn):註冊即可對話,免費額度有上下文和頻率限制,會員解鎖完整 1M 上下文;
- Kimi Work:桌面端知識工作環境(Windows / Apple 晶片 Mac,3.1.0 版本起);
- Kimi Code:終端程式設計 Agent,
npm i @moonshot-ai/kimi-code安裝,用/model切換到 K3。
4.3 官方 API(開發者)
- 平台:platform.moonshot.cn(國內)/ platform.kimi.ai(國際);
- 完全相容 OpenAI SDK,模型 ID 為
kimi-k3,把base_url指向https://api.moonshot.ai/v1即可遷移現有程式碼。
from openai import OpenAI
client = OpenAI(
api_key="你的 API Key",
base_url="https://api.moonshot.ai/v1"
)
resp = client.chat.completions.create(
model="kimi-k3",
messages=[{"role": "user", "content": "幫我分析這段程式碼"}]
)
4.4 第三方平台
- OpenRouter:模型 ID
moonshotai/kimi-k3,官方同價無加價; - 矽基流動 SiliconFlow:國內存取友好;
- Cloudflare Workers AI、Groq:也已上架;
- 自部署:Hugging Face / GitHub 下載權重,支援 vLLM / SGLang,MXFP4/NVFP4 量化——但生產級部署需要 64 卡以上的超節點,普通人看看就好。
4.5 一個小提醒
K3 發布後因需求火爆,Kimi 官方會員一度暫停新購(7 月 20 日起優先保障存量使用者)。如果遇到官方管道擁擠,WorkBuddy、OpenRouter、矽基流動等都是可靠的替代入口。
五、寫在最後
Kimi K3 的意義,可能要到幾年後才能完全看清:
- 它證明了開源可以追平閉源。 2.8 兆參數、Arena 程式設計榜第一、智慧指數開源第一——「開源 = 二流」的時代結束了;
- 它證明了中國團隊能做底層架構創新。 KDA 線性注意力和注意力殘差不是工程堆料,而是針對「超長文字算得省、超大模型訓得穩」這兩個世界級難題給出的原創解法;
- 它把前沿能力的價格打了下來。 三分之一的 Claude 價格、人人可下載的權重,會讓更多產品和研究站在 K3 的肩膀上長出來。
當然也要清醒:綜合體驗上它仍落後於最強的兩三個閉源模型,推理速度不快,思考模式燒 token 也狠。它不是萬能鑰匙,但如果你面對的是長文件、整倉程式碼、深度調研、前端開發這類硬骨頭任務,Kimi K3 就是目前開源世界能給你的最強答案——而且現在打開 WorkBuddy 就能用上。
參考資料
- 新華社:《新突破 中國企業發布全球最大規模的開源模型 Kimi K3》,2026-07-17
- Artificial Analysis Intelligence Index,2026-08 資料
- LMArena 排行榜,2026-08 快照
- Moonshot AI 官方發布材料及 Kimi K3 技術報告,2026-07
- PureAI / Neowin / SiliconFlow / dev.to 等第三方評測,2026-07~08
免責聲明:文中跑分含廠商自報資料,不同測試框架下結果不完全可比;價格和可用管道以各平台即時頁面為準。