Kimi K3 开源 2.8T 权重：智能指数 57 分，推理成本另算
权重、通信库、注意力算子与 Agent 环境同日开放，门槛转到部署侧。
本文要点
- 开放与闭源的综合指数差距，从以月计变成 57 对 59 的 2 分
- 2.8T 总参数下每 token 只激活 104B，稀疏度推到 896 选 16
- 训练侧基础设施随权重一起开放，MoE 通信与 Agent 环境不再是黑箱
阅读辅助
先看数字、证据和来源，再读正文。
Kimi K3 是当前 Artificial Analysis 智能指数上得分最高的开放权重模型，得 57 分。
2026-04-20 · MoonshotAI/FlashKDA 仓库在 GitHub 建立，两天后生成 H20 基准文档，代码推送停在 2026-05-26
57 分。这是 Artificial Analysis 给 Kimi K3 打出的智能指数分数，也是这次开源里最值得先记住的一个数。榜单上排在它前面的六条(含同一模型的不同推理档位)全部闭源，从 Claude Opus 5（max）的 61 分到 GPT-5.6 Sol（xhigh）的 58 分。K3 是这条分数线附近唯一一个可以直接下载权重的模型。
北京时间 2026-07-27，月之暗面公开了 Kimi K3 的全部权重与技术报告。GitHub 上 MoonshotAI/Kimi-K3 仓库在 16:01 建立，官方公告在 23:14 发出(23:03 先发预告推文)，同期还开放了三个此前未公开的工程组件。
官方 README 给出的模型概览是：总参数 2.8T，每个 token 激活 104B，共 93 层，其中 69 层用 Kimi Delta Attention、24 层用 Gated MLA。路由专家 896 个、每 token 选 16 个，另有 2 个共享专家，上下文长度 1,048,576 token。
HuggingFace 上的 safetensors 索引给出更精确的数字：2,779,931,837,184 个参数，切成 96 个分片文件。视觉编码器 MoonViT-V2 只占 401M 参数，与模型总量相比几乎可以忽略。
有几处边界需要提前标注。Moonshot 自报的「相对 K2 提升约 2.5 倍扩展效率」没有公开测算口径，外部无从复核。官方评测表里 K3 的编码项用自家 Kimi Code harness 跑，而对手用 Claude Code 或 Codex harness，harness 差异未被控制。FlashKDA 公告里的 1.72–2.22 倍 prefill 加速，与仓库内 2026-04-22 生成的基准文档记录的 1.85–2.31 倍并非同一组测量，公告未说明新测量的条件。
受影响最直接的是三类人：需要在自有环境里跑前沿模型的企业买方、做推理服务的云厂商，以及此前把「开源模型落后一代」写进技术选型前提的团队。他们今天要重算的是同一笔账——权重能拿到之后，把它跑起来要付出什么。
2.8T 里真正被激活的是 104B
把官方 README 的模型概览铺开，K3 的架构选择比参数总量更值得看。
| 项目 | Kimi K3 |
|---|---|
| 总参数 | 2.8T（精确 2,779,931,837,184） |
| 每 token 激活参数 | 104B |
| 层数 | 93（其中 1 层稠密） |
| 注意力构成 | 69 层 KDA + 24 层 Gated MLA |
| 路由专家数 | 896，每 token 选 16 |
| 共享专家数 | 2 |
| 隐藏维度 | 注意力 7168，专家 FFN 3072 |
| 词表 | 160K |
| 上下文长度 | 1,048,576 token |
| 视觉编码器 | MoonViT-V2，401M 参数 |
| 量化 | MXFP4 权重、MXFP8 激活，SFT 阶段起量化感知训练 |
激活率约 3.7%，稀疏度比常见的百分之十量级 MoE 更激进。官方把这套配置称为 Stable LatentMoE，并称它带来相对 Kimi K2 约 2.5 倍的整体扩展效率提升。这个数字是厂商自报，报告里没有给出计算基线，外部无法复核，只能当作方向性描述。
量化方案是另一个容易被略过的细节。K3 从 SFT 阶段就开始量化感知训练，权重用 MXFP4、激活用 MXFP8，官方给出的理由是拓宽硬件兼容性。HuggingFace 上的数值类型分布印证了这一点：2.72T 参数存为 U8（MXFP4 打包），只有 57.18B 保留 BF16，1112 万为 FP32。
这意味着下载下来的就是量化后的形态，没有「先拿全精度再自己压」这一步。对部署方是好事，省掉了一轮压缩与校准；对想研究后训练量化的人则少了一个全精度基线，也让「量化损耗有多大」这个问题在外部暂时无法测量。
分数核对：57 分放在榜单上是什么位置
社交媒体上流传的说法是「57 分，仅落后 GPT-5.6 Sol（max）2 分」。逐条核对 Artificial Analysis 官方页面后，这个转述成立，但需要补上完整的对照关系。
| 模型 | 智能指数 | 权重是否开放 |
|---|---|---|
| Claude Opus 5（max） | 61 | 否 |
| Claude Opus 5（xhigh） | 60 | 否 |
| Claude Fable 5（with fallback） | 60 | 否 |
| GPT-5.6 Sol（max） | 59 | 否 |
| Claude Opus 5（high） | 59 | 否 |
| GPT-5.6 Sol（xhigh） | 58 | 否 |
| Kimi K3 | 57 | 是 |
| Claude Opus 4.8（max） | 56 | 否 |
| GLM-5.2（max） | 51 | 是 |
| Gemini 3.6 Flash | 50 | 否 |
| Qwen3.7 Max | 46 | 否 |
| DeepSeek V4 Pro（max） | 44 | 是 |
| MiniMax-M3 | 44 | 是 |
值得注意的是 K3 与国内同行的距离。它比 GLM-5.2（max）高 6 分，比 DeepSeek V4 Pro（max）和 MiniMax-M3 高 13 分。开放权重阵营内部的梯度，比开放与闭源之间的梯度更陡。
第三方对排名的表述并不完全一致。Nathan Lambert 在 Interconnects 的分析里写 K3 在 AA 智能指数上排第三、在 Vals AI 指数上排第二，而按当前榜单快照逐条比对（含同一模型不同推理档位的独立条目），排在 K3 之前的条目实际有六条，K3 位列第七。差异来自两点：榜单会随新模型上榜刷新，以及同一模型的不同推理档位在榜单上是独立条目——Lambert 的「第三」大概率是把同模型多档位合并计数后的排名。引用排名时需要注明快照日期与是否合并档位，引用分数则相对稳定。
官方评测表里赢在哪、输在哪
Moonshot 在 README 里放了一张覆盖推理、编码、智能体、视觉四大类的完整对照表。挑出差异最大的几项：
| 评测项 | Kimi K3 | Claude Fable 5 | GPT-5.6 Sol | GLM-5.2 |
|---|---|---|---|---|
| GPQA Diamond | 93.5 | 92.6 | 94.1 | 91.2 |
| HLE-Full（无工具） | 43.5 | 53.3 | 44.5 | — |
| Terminal-Bench 2.1 | 88.3 | 88.0 | 88.8 | 82.7 |
| FrontierSWE | 81.2 | 86.6 | 71.3 | 67.3 |
| SWE-Marathon | 42.0 | 35.0 | 39.0 | 13.0 |
| BrowseComp | 91.2 | 88.0 | 90.4 | — |
| MCPMark-Verified | 94.5 | 87.4 | 92.9 | — |
| GDPval-AA v2（Elo） | 1686 | 1747 | 1736 | 1510 |
| OmniDocBench | 91.1 | 89.8 | 85.8 | — |
| ZeroBench（pass@5，带工具） | 41.0 | 46.0 | 35.0 | — |
模式相当清晰：K3 在需要多轮工具调用、长程检索和文档理解的项目上占优，MCPMark、BrowseComp、SWE-Marathon、OmniDocBench 都是这一类；在需要密集知识与深度单步推理的项目上落后，HLE-Full 落后 Claude Fable 5 9.8 分是最明显的一处（CritPt 上的差距见后文「反向的证据」一节）。FrontierSWE 上落后 Claude Fable 5 5.4 分，但同时领先 GPT-5.6 Sol 9.9 分。
这张表有一处必须写明的方法学限制。README 脚注显示，K3 的多数编码项用自家 Kimi Code harness 评测，Claude 系列用 Claude Code、GPT 系列用 Codex。
harness 差异有多大，脚注里恰好留了两个可比对的数据点。Kimi Code Bench 2.0 上 K3 用自家 harness 得 72.9，换成 Claude Code harness 得 73.7；DeepSWE 上 K3 用 Kimi Code harness 得 67.5，换 mini-SWE-agent harness 得 67.3。两次换 harness 的波动都在一分以内。
脚注同时披露了对手侧的异常情况：Claude Fable 5 在 SWE-Marathon 评测中有 35% 的任务触发 fallback，在 Kimi Code Bench 2.0 的 80 个任务里有 13 次 fallback 和 1 次拒答，GPT-5.6 Sol 则有 10 次进入网络安全护栏。这些既是对手的真实表现，也说明对比条件并不完全对等。Moonshot 把它们写进脚注而非略过，比多数厂商的评测页更透明。
还有一处口径值得单独记下。BrowseComp 的 91.2 分是在 30 万 token 触发上下文压缩的策略下取得的；用满 100 万 token 上下文且不做任何上下文管理时，K3 得 90.4。更长的窗口没有换来更好的成绩，说明长上下文的价值取决于是否配合主动的上下文管理，而不是简单地把窗口开到最大。
原生多模态的成色
K3 把文本、图像与视频放进同一个模型，视觉编码器 MoonViT-V2 只占 401M 参数。README 的视觉分组里，K3 的强项与弱项同样分明。
文档理解是最突出的一项：OmniDocBench 91.1，领先 Claude Fable 5 的 89.8 和 GPT-5.6 Sol 的 85.8。视频侧 Video-MME（带字幕）得 90.0、MMVU 得 82.1，均小幅领先对照组。这两类都是把视觉当作信息载体来读取的任务，与 K3 在检索与文档类文本任务上的优势指向同一种能力。
需要更强视觉推理的项目上，差距反过来了。WorldVQA ForceAnswer 只有 51.0，落后 Claude Fable 5 的 56.7；BabyVision 带 Python 工具时得 85.7，落后 90.5；ZeroBench 在 pass@5、带工具的条件下得 41.0，落后 46.0。
PerceptionBench 是 Moonshot 自建的原子视觉感知基准，K3 得 58.5，低于 GPT-5.6 Sol 的 59.7。在自家出的题上没有占到便宜，这个细节反而增加了整张评测表的可信度。
权重之外：同一天放出的三件基础设施
比权重更少被讨论的，是同日开放的三个工程组件。它们分别对应训练 K3 这类模型的三个瓶颈。
| 组件 | 解决的问题 | 关键指标 | 许可 |
|---|---|---|---|
| MoonEP | MoE 专家并行的通信负载不均 | 每个 rank 恒定收到 S×K 个 token | MIT |
| FlashKDA | Kimi Delta Attention 算子性能 | H20 上相对 FLA 基线 1.85–2.31 倍 | MIT |
| AgentENV | 大规模 Agent 环境的启停开销 | 启动或恢复 <50ms，暂停与快照 <100ms | MIT |
MoonEP 的思路是用动态冗余专家把路由倾斜抹平：无论 router 输出多不均衡，每个 rank 恒定接收 S×K 个 token。README 给出的对照是 DeepEP v2——在 H20、EP=8 的设置下，随着不均衡度上升，DeepEP 的迭代时间稳步攀升并最终因显存碎片 OOM，MoonEP 因为形状静态而保持平坦。这条约束会直接决定超稀疏 MoE 的训练能不能跑完，属于工程层面的硬门槛。
AgentENV 与 kvcache-ai 合作开发，用 Firecracker 微虚拟机加 overlaybd 按需加载镜像，支持把运行中的环境 fork 成多个独立沙箱。README 明确写它「支撑 Kimi K3 的 agentic RL 训练」。它还提供 E2B 兼容的 HTTP API，把 E2B_API_URL 指过去就能用现成 SDK。对想复现 agentic RL 训练流程的团队，这是比权重更稀缺的东西。
FlashKDA 需要单独说明。GitHub API 显示这个仓库建于 2026-04-20，最后一次代码推送停在 2026-05-26，仓库内的 H20 基准文档生成于 2026-04-22。也就是说，07-27 公布的是一份已经沉淀两个月的代码，而非当天赶工的产物；公告里的 1.72–2.22 倍与基准文档里的 1.85–2.31 倍是两组不同测量，公告未说明测量条件。合理的解释是公告采用了更新的内部数据，但仓库里没有对应脚本，外部暂时无法复现。
这次发布把开放权重的竞争变量往前推了一格。过去两年评价一个开源模型，问的是「落后前沿几个月」；今天可以直接问「差几分」。Nathan Lambert 在 Interconnects 里把这个差距估为 3 到 5 个月，比此前的 6 到 9 个月明显收窄，而 AA 榜单给出的量化答案是 2 分。当差距可以用同一把尺子上的整数表达，采购方的决策语言就变了：从「要不要等开源追上」变成「这 2 分值不值这个价差」。
代价被移动到了另一侧。Artificial Analysis 在 K3 的模型页上写得很直接——它在开放权重模型中属于偏贵的一档，且明显偏慢、非常冗长。实测输出吞吐 33.3 tok/s，参考定价每百万输入 3 美元、输出 15 美元，仅智能指数一项评测就产出 1.3 亿输出 token。按该价位粗算，单这一项评测的输出侧开销就接近 2000 美元。
权重可以免费下载，但 2.8T 参数意味着几乎没有团队能在单机上服务它。六家 Day 0 云厂商同时上线恰恰印证了这一点：开放的是模型，不包括运行模型的能力。这也解释了 HuggingFace 上 5386 个 like 对 2850 次下载的落差——想看的人远多于跑得动的人。
许可证进一步印证了这个判断。Kimi K3 License 对个人研究、内部使用和中小规模部署几乎没有限制，但对 MaaS 业务连续 12 个月收入超过 2000 万美元的主体要求另签协议，对月活超 1 亿或月收入超 2000 万美元的产品要求界面署名。条款精确地划在了「谁靠转售这个模型赚钱」这条线上。Moonshot 让所有人都能用，同时保留了向大规模转售者收费的接口。
反向的证据也要摆出来。K3 在 HLE-Full 上落后 Claude Fable 5 近 10 分，在 CritPt 上落后 GPT-5.6 Sol 8.9 分，这些都是密集知识与深度单步推理的项目——综合指数的接近，掩盖了能力分布上的实质差异。评测 harness 不统一是另一个未消除的变量。对需要长程 agent 执行的场景，K3 已经是可以进入候选名单的选项；对需要稳定深度推理的场景，2 分的差距不足以描述真实体验。
值得记住的还有资本效率这条暗线。Lambert 强调中国实验室融到的资金比美国 AI 生态的任何一个切片都少一个数量级，却把差距压到了个位数分差。他同时提醒，外界对中国实验室实际算力获取和数据实践「测量极其有限」，效率结论应当保留余地。这个提醒有必要——所有关于「用更少资源做到更多」的叙事，都建立在无法核验的分母上。
部署这一侧的账
官方推荐的推理引擎是 vLLM、SGLang 与 TokenSpeed，三者都已提供 K3 的 recipe 或 cookbook。API 侧在 platform.kimi.ai 选择 kimi-k3 即可，兼容 OpenAI 与 Anthropic 两套协议。
使用上有两个容易踩的约定。一是 K3 始终开启思考模式并返回 reasoning_content，思考强度通过顶层 reasoning_effort 字段控制，取值为 low、high、max，默认 max。二是 K3 采用保留思考历史的训练方式，多轮对话和工具调用时必须把 API 返回的完整 assistant 消息原样传回 messages，包括 reasoning_content 和 tool_calls，而不只是 content。省略这部分会改变模型的输入分布。
六家 Day 0 合作方的侧重点各不相同。
| 厂商 | 接入形态 | 差异化说明 |
|---|---|---|
| Nebius | Token Factory 的 OpenAI 兼容 API 与控制台 | 公告中给出 57 分与落后 2 分的表述 |
| Fireworks | 推理加训练 | 美国托管、零数据留存，支持点击式微调 |
| Baseten | Model APIs | Model APIs 上 Day 0 上线，官方未给出进一步差异化说明 |
| Modal | 自训推测解码 | 为 K3 新架构训练 DFlash 推测器，称无质量损失 |
| DigitalOcean | Serverless Inference | 接入 Inference Router 与模型合成 |
| Together | 高吞吐推理 | 美国托管、零数据留存，面向编码 agent 与生产负载优化 |
六家同时到位，本身就是 2.8T 模型难以自托管的侧面证据。其中 Modal 的做法值得单独注意：为一个刚开源几小时的新架构训练配套的推测解码器，说明服务商已经把「适配开放权重模型」当成常规工程流程，而不是一次性活动。
社区热度可以从仓库数据看出强度。截至采集时，MoonshotAI/Kimi-K3 已获 801 星，FlashKDA 591 星，AgentENV 368 星，MoonEP 272 星。三个基础设施组件都采用 MIT 许可，比模型权重的自定义许可宽松得多——工程工具无条件开放，模型本体保留商业接口，这是两条不同的策略。
接下来的观察窗口
最值得盯的是价格曲线。AA 记录的每百万输出 15 美元是当前托管口径，六家云厂商竞争之后能压到什么位置，将决定 K3 究竟是「可以下载的前沿模型」还是「可以负担的前沿模型」。这两件事之间的距离，比 57 分和 59 分之间的距离大得多。
其次是复现与验证。MoonEP 与 AgentENV 都是本周新建仓库，代码新鲜但缺少外部验证；FlashKDA 的加速倍数存在两组不一致的数字，需要社区脚本来确认。评测层面，如果有第三方在统一 harness 下重跑 FrontierSWE 与 Terminal-Bench 2.1，K3 与 Claude Fable 5 的真实编码差距才会有可比答案。
硬件路径同样值得跟踪。K3 原生 MXFP4 的设计意图是拓宽硬件兼容性，MoonEP 的 README 里已经写明 Zhenwu PPU 支持「审核中，即将到来」。如果这条路走通，开放权重的意义会从「谁能下载」延伸到「在什么芯片上跑」，而那是比榜单分数更长期的变量。