基米K3是什么？ 2026 年完整开发者指南

TL;DR Kimi K3 是 Moonshot AI 的全新 2.8 万亿参数开源模型。截至 2026 年 8 月，它是发布的最大的开放权重模型，每个代币有 104B 个活跃参数，涉及 896 位专家。它支持 1,048,576 个令牌上下文窗口（正好是 Kimi K2.7 代码的 4 倍）。它可以本地处理文本、图像和视频。 Kimi K3 在基准测试中与 Claude Fable 5 和 GPT-5.6 Sol 等前沿专有模型进行了正面交锋。您可以通过 Hugging Face、OpenRouter、Fireworks AI、Baseten、Together AI 或 Moonshot 自己的平台访问它。大多数第一方提供商对每 100 万个代币收取相同的 3 美元/15 美元的费用，而 OpenRouter 的最便宜的路线低于他们。自托管在技术上是可行的，但“可能”意味着至少 8 个企业级加速器和高达六位数的硬件费用。加密矿工甚至没有足够的硬件来运行 K3。我们让 Kimi K3 在 OpenCode 中运行，并使用 Firecrawl MCP 为其提供实时 Web 访问。 Firecrawl MCP 扩展了 Kimi K3 的知识库并使其能够访问实时网络数据。基米K3是什么？ Kimi K3 是 Moonshot AI 最新的开放权重模型，也是截至 2026 年 8 月发布的最大模型，参数达 2.8 万亿个。它继承了 Kimi K2.7 Code，可以原生读取文本、图像和视频，并在单个上下文窗口中保存多达 1,048,576 个令牌。 Moonshot于2026年7月16日开放API访问，然后于7月27日发布了完整权重。Kimi K3的规格是什么？ Kimi K3 拥有一些令人印象深刻的规格，特别是对于开源型号而言。 Kimi K3 拥有 2.8 万亿个参数。 GLM-5.2 和 Kimi K2.7 Code 等模型的范围从大约 7000 亿到刚刚超过 1 万亿。其架构为Kimi K3在执行不同任务时提供了896个不同的专家。它还拥有超过 1,000,000 个令牌的上下文窗口。 Kimi K2.7 Code 的上下文窗口仅为 262,144，因此 K3 将其增加了四倍。 Kimi K3原生支持文本、图像和视频。参数总数：每个代币 2.8 万亿个激活参数：104B 架构：专家混合 (MoE)，稳定 LatentMoE 专家数量：总共 896 个，每个代币选择 16 个，2 个共享层：93（69 KDA + 24 门控 MLA，1 个密集层） 上下文窗口：1,048,576 个代币 量化： MXFP4 MoE 专家权重/MXFP8 激活，从 SFT 开始进行量化感知训练（非专家组件保持更高的精度） 模态：文本、图像和视频（原生）；视觉编码器 MoonViT-V2（401M 参数）许可证：自定义“Kimi K3 许可证”（不是普通的 MIT）这些统计数据来自 Kimi K3 的 Hugging Face 页面。 Moonshot 的 Kimi K3 技术报告称赞其架构和训练变化，包括 Kimi Delta Attention、Attention Residuals 和 Stable LatentMoE，总体扩展效率比 Kimi K2 提高了约 2.5 倍。 Kimi 的权重于 2026 年 7 月 27 日发布，您可以在下面 Kimi.ai 的 X 帖子中看到。 Kimi K3 编码基准 在 Moonshot AI 的技术博客上，他们浏览了 Kimi K3 的基准，这些基准也与前沿专有模型相当。本节中的每个数字都来自该博客。其中一些在 arXiv 技术报告中略有变化，该报告在发布后进行了修订，因此如果特定分数对您很重要，则值得检查两者。来源：https://www.kimi.com/blog/kimi-k3 DeepSWE：几乎与 GPT-5.5 持平，只是勉强以 67.5 比 67.0 领先。 Kimi K3 仅落后于 GPT-5.6 Sol (73.0) 和 Claude Fable 5 (70.0)。 FrontierSWE：以 81.2 分击败 GPT-5.6 Sol、GLM-5.2、Opus 4.8 和 GPT-5.5，仅次于 Claude Fable 5（86.6）。 Kimi Code Bench 2.0（内部）：以 72.9 分排名第二，落后于 Claude Fable 5 (76.9)。 Terminal Bench 2.1：以 88.3 分几乎追平 GPT-5.6 Sol (88.8)，位居第二。 Program Bench：以 77.8 的分数击败所有其他模型，包括 GPT-5.6 Sol (77.6)。 SWE Marathon：得分 42.0，击败所有其他测试模型。值得注意的是，《克劳德寓言 5》在其中 35% 的任务中遇到了安全带回退，导致其 35.0 下降。 Kimi K3 总代理性能 来源：https://www.kimi.com/blog/kimi-k3 GDPval-AA V2 Elo ：落后于 Fable 5 和 GPT-5.6 Sol，击败所有其他模型。 AA-Briefcase Elo ：获得第二名（1548），仅次于克劳德寓言 5（1583）。 Automation Bench：击败所有其他模型（30.8）。最接近的亚军是 GPT-5.6 Sol (29.7)。 JobBench：排名第二（52.9），落后于克劳德寓言 5（57.4）。 SpreadsheetBench 2：以 34.8 的分数击败所有其他模型。克劳德·法布尔以34.7分位居第二。 BrowseComp：以 91.2 的分数优于所有其他模型。 GPT-5.6 Sol 以 90.4 排名第二。 91.2 使用上下文压缩策略；在完整的 1M 窗口和无上下文管理的情况下运行，K3 得分为 90.4，与 Sol 持平。 Kimi K3 视觉代理性能 来源：https://www.kimi.com/blog/kimi-k3 Kimi K3 在两项测试中均落后于 Claude Fable 5，并且两组数字都是 Python 工具辅助运行的。在使用 Python 的 CharXiv (RQ) 上，Kimi K3 得分为 91.3，而《神鬼寓言 5》的得分为 93.5。