跳到主内容

月之暗面发布 Kimi K3：2.8T 开源权重，Arena 编程榜全球第一

2026-07-17 · 月之暗面 Moonshot AI

要点

  • 2.8T 参数，当前参数量最大的开源中文大模型，1M 上下文，支持 reasoning 与 vision
  • 首创 Kimi Delta Attention + Attention Residual 架构，提升长上下文效率
  • Arena.ai 编程榜全球第一；Artificial Analysis 智能指数 57，位列全球第三（仅次于 GPT-5.6 Sol、Gemini 3.1 Pro）
  • 模型权重将于 2026-07-27 前全部公开，延续 Moonshot 开源路线
  • API 混合价约 $2.3/M（中国模型最高档）：输入约 ¥20/M、输出约 ¥100/M

中国开源的又一次登顶

Kimi K3 把"开源"和"最强"两个标签同时贴到了一个中文模型上。在 Arena.ai 的编程对战榜上，它压过了一众闭源前沿模型排到第一；在综合智能指数上也稳居全球第三。这意味着开发者第一次能够自托管一个编程能力接近顶级闭源模型的权重。

维度Kimi K3
参数量2.8T（开源权重）
上下文1M
能力reasoning + vision
Arena 编程榜全球第一
AA 智能指数57（全球第三）

背景上下文

月之暗面（Moonshot AI）在 2025 年凭借 Kimi K2 系列在国内 ToC 市场积累了海量用户，但 K2 的编程能力一直被诟病"够用但不拔尖"。K3 是月之暗面第一次在编程赛道上明确瞄准全球第一梯队，而非仅做国内对标。

这次发布的时机也耐人寻味——恰在 GPT-5.6 全量 GA（7-09）后仅一周，Claude Sonnet 5 上市也将满月。在这个时间点宣布"Arena 编程榜全球第一"，既是对自身实力的展示，也是在向企业客户传递一个信号：开源权重已经追上闭源前沿。叠加 7-27 全量开源权重的承诺，K3 把 2026 下半年的"开源 vs 闭源"辩论推向了新高度。

值得一提的是，这是继 DeepSeek V3、GLM-5.2、Qwen3.7 之后，中国开源阵营在 2026 年的第四次重磅发布。中国团队已经从"跟随开源"转向"定义开源"。

技术细节

K3 在架构上有几处值得关注的创新：

  • Kimi Delta Attention：对传统多头注意力的变体，在长上下文场景下显著降低 KV cache 内存占用；据称可让 1M 窗口下的远端召回率显著提升。月之暗面称该机制让 1M 上下文的推理显存较标准 MHA 下降约 35%，这是 2.8T 模型能在合理硬件上跑起来的关键。
  • Attention Residual：在每层注意力输出上引入残差连接，缓解超深网络（K3 层数远超前代）的梯度退化问题，对训练稳定性和长程依赖建模都有帮助。
  • 2.8T MoE 架构：总参数 2.8T，采用细粒度专家分组，单次激活约 15B 参数。这意味着虽然模型"很大"，但单次推理成本并非线性增长。
  • reasoning + vision 多模态：原生支持文本推理与视觉理解，无需外挂 vision encoder。对代码截图分析、UI 走查、图表理解等场景有直接价值。
  • 训练数据：月之暗面披露 K3 的训练 token 量达到数十万亿级，其中编程数据占比显著高于 K2，并引入了大量真实 GitHub PR 与 issue 修复数据。
  • 开源协议：采用修改版 MIT 许可证，开发者可下载、修改、本地部署与商用。

行业影响

K3 的影响可以从三个层面看：

1. 开源权重的战略价值

对企业与政府客户，"权重可自托管"解决了三个刚需：数据不出域、成本可控、可深度微调。K3 的到来，加上此前的 GLM-5.2、Qwen3.7，让 2026 下半年的中文开源阵营在编程赛道具备了与闭源正面竞争的实力。尤其是金融、政务、军工等强合规行业，过去只能用能力较弱的国产闭源 API，现在有了"自托管顶级能力"的选项。

2. 对闭源 API 的价格压力

K3 权重开源后，第三方推理服务商（硅基流动、火山引擎、Together 等）大概率会迅速上线 K3 推理服务，价格会远低于月之暗面官方的 $2.3/M。这会反过来挤压 Claude、GPT 在编程场景的定价空间——当开源替代品"够用且便宜一半"时，企业的切换意愿会显著上升。

3. 对中国 AI 编程工具的拉动

通义灵码、CodeBuddy、Trae 等国产 AI 编程工具此前多依赖 DeepSeek 或自研较小模型，编程能力与 Cursor/Claude Code 有差距。K3 开源后，这些工具可以快速接入一个"Arena 编程榜第一"的模型，缩小与海外竞品的差距。

部署成本提醒

2.8T 参数的开源模型，"开源"不等于"人人能跑"。自托管 K3 至少需要：

  • FP8 量化下：约 8 张 H100 80GB 或同等算力（如 4 张 B200）
  • BF16 全精度：约 16 张 H100，硬件投入在百万人民币量级
  • 推理框架：建议使用 vLLM 0.7+ 或 SGLang，均已确认将适配 K3

中小团队用官方 API（$2.3/M）仍是更务实的路径；只有日均调用量极大、或数据合规要求高的团队，自建才划算。

AI 之家 观点

Kimi K3 的价值不只在跑分，而在于它把"顶级编程能力"从闭源 API 的围墙里放了出来。对有算力、重数据合规的团队，等 7-27 权重公开后自建推理服务是值得认真评估的选项。但 2.8T 的部署成本不低，中小团队用官方 API（$2.3/M）仍是更务实的路径。

一个值得关注的趋势是：中国开源模型正在从"便宜替代"走向"能力定义"。K3 在 Arena 编程榜登顶，意味着开源阵营不再只是"闭源的低价平替"，而是开始在某些垂直能力上反超。这对整个行业的格局影响深远。

相关阅读