**TLDR：**Moonshot AI 於 2026 年 7 月 16 日發佈 Kimi K3——劃時代的 2.8 兆參數開放權重模型（3T 級別首發），具備原生多模態、1-million-token 上下文，並在程式設計、代理式任務、前端開發與知識型工作上展現前沿表現，與 Claude Fable 5、GPT-5.6 Sol 等頂級閉源模型相抗衡甚至更勝。
重點整理
- 規模與創新：2.8T 參數，MoE 架構每個 token 啟用 16/896 個 experts，Kimi Delta Attention (KDA)、Attention Residuals，相較 K2 約 2.5x 擴展效率，Kimi K3 - Kimi API Platform
- 表現：Artificial Analysis Intelligence Index 約 57（前四名，領先 Claude Opus 4.8），Frontend Code Arena 名列前茅，Terminal-Bench（88.3%）、BrowseComp（91.2%）、GPQA-Diamond（93.5%）表現強勁。整體略落後 Fable 5/Sol，但超越多數其他模型；在 Arena.ai Frontend Code Arena 排名第 1（1,679 Elo，擊敗 Fable 5），參見 Arena 在 X 上的貼文 與 Tom's Hardware 的報導。
- 能力：原生視覺/影片，1M 上下文可覆蓋超大倉庫/程式碼庫，代理式編碼、3D 推理、影片編輯、研究型儀表板。
- 存取：可即時於 kimi.com 使用、API（模型 kimi-k3，接入指南）；開放權重即將釋出。Moonshot 因需求激增暫停新的 Kimi K3 訂閱。可透過 CometAPI 輕鬆整合。
- 價值：每任務成本更低（某些評測約 $0.94），拒答更少，特別適合程式與 Vision 工作流。
Kimi K3 技術部落格將 Kimi K3 描述為「Open Frontier Intelligence，Kimi K3 標誌著 AI 民主化的關鍵時刻。當像 Moonshot 這樣的中國實驗室在算力受限下持續突破，這個開放模型正挑戰美國閉源前沿的主導地位並賦能全球開發者。」
什麼是 Kimi K3？來自 Moonshot AI 的開放 3T 級模型
Moonshot AI（北京）於 2026 年 7 月 16 日推出旗艦模型 Kimi K3。官方定位為「約 3 兆參數級別中的首個開放模型」，採用稀疏 Mixture-of-Experts（MoE）架構，總參數 2.8 兆，每個 token 僅啟用 896 位專家中的 16 位，平衡超大規模與效率。
其承襲 Kimi K2 系列（K2.5、K2.6 等），在程式設計與多模態已具口碑。K3 引入架構創新：Kimi Delta Attention (KDA) 與 Attention Residuals (AttnRes)，以及 Stable LatentMoE、量化感知訓練（自 SFT 階段起採用 MXFP4 權重、MXFP8 啟動）。這些帶來約 2.5x 更佳擴展效率，並相較前代可達 6.3x 更快解碼。
關鍵規格（Kimi K3 Technical Specifications）：
- 參數：2.8T（稀疏 MoE）
- 上下文視窗：1,048,576 tokens（約 1M）
- 模態：原生文字 + 影像 + 影片理解；文字輸出
- 最大片段輸出：預設 131k tokens，可上探至上下文上限
- 推理：發佈時預設 Max effort；之後將提供較低/較高模式
- 開放權重：承諾於 2026 年 7 月 27 日前釋出（參照 K2 的修改版 MIT 授權）
K3 主打長期任務——不只是快速答覆，而是能完成含視覺回饋的複雜工程、研究或代理式工作流程（「Vision in the Loop」）。展示案例包括自動建構 GPU 編譯器（可與 Triton 匹敵）、以 45nm 製程進行晶片設計，以及快速的天體物理研究。
需求已對容量造成壓力
該模型的早期反響強勁到影響可用容量。Moonshot 在 X 上表示，過去 48 小時的需求已逼近現有 GPU 上限，將暫時停止新訂閱，同步擴充容量。Business Insider 亦報導了同一暫停消息，並指出既有訂閱不受影響。
這對生產規劃具有意義。即便模型很強，若需求超過算力也會影響可用性。評估 Kimi K3 的團隊應避免單一供應商依賴、監控延遲與錯誤率，並盡可能透過 CometAPI 之類的統一供應層進行回退路由。
程式設計基準：Kimi K3 最強之處
Kimi K3 的程式輪廓是開發者關注的核心原因。它在 Terminal-Bench 2.1 與 GPT-5.6 Sol 幾乎打成平手，在 Program Bench 略勝 GPT-5.6 Sol 與 Claude Fable 5，並在 FrontierSWE 上領先 GPT-5.6 Sol。在 OpenLM 的表格中，SWE Marathon 亦優於對比模型。
Arena 的前端結果提供了另一個實用信號。Arena 報告 Kimi K3 在 Frontend Code Arena 拿到 1679 分，領先 Claude Fable 5。此基準重要之處在於前端工作常由人類偏好而非單元測試評判。能從提示產出乾淨、視覺一致 UI 的程式助手，對產品團隊、代理商、SaaS 建設者與內部工具都很有價值。
綜合排行榜
- Artificial Analysis AI Leaderboard：初登場即第 3。Intelligence Index 分數具競爭力（如部分評測約 57.1）。
- 私有長期知識型工作評測：Elo 1547（較 K2.6 +732），僅次於 Fable 5。
程式與代理式基準（自報與獨立）
K3 在此尤為突出，依靠規模與架構，在持續代理式表現中占優。
- Frontend Code Arena（Arena.ai）：第 1，1,679 分，領先 Fable 5 與 GPT-5.6 Sol。於盲測開發者偏好中，網頁開發表現出色。
- DeepSWE：67.3–67.5（強勁，使用 KimiCode 測 harness）
- Program Bench：第 1，77.8
- SWE Marathon：第 1，42.0（部分 harness）
- Terminal-Bench 2.1：具競爭力，接近 GPT-5.6 Sol
視覺與多模態
原生訓練（非外掛）帶來穩健結果：
- MMMU-Pro：81.6%
- MathVision：部分報告為高 90 段位
- OmniDocBench：91.1%（領先）
支援螢幕截圖、圖表、影片，用於 UI 微調或遊戲開發等閉環任務。
比較表：Kimi K3 vs. 領先模型（約略/匯編自多方報告；未註明時為 Max Effort）
| 基準 | Kimi K3 | Claude Fable 5 | GPT-5.6 Sol | 備註/來源 |
|---|---|---|---|---|
| Frontend Code Arena | 1,679（#1） | 較低 | 較低 | Arena.ai |
| DeepSWE | 67.3–67.5 | 具競爭力 | - | Moonshot/KimiCode |
| Program Bench | 77.8（#1） | - | 接近 | Vals.ai |
| Intelligence Index (AA) | 約 57.1 | 約 59.9 | 約 58.9 | Artificial Analysis |
| Long-Horizon Elo | 1547 | 更高 | - | Internal Moonshot |
| 每任務成本（評測） | 約 $0.94 | 較高 | 較高 | 獨立測試 |
資料來源：Moonshot 的技術部落格、獨立排行榜與分析。結果會受測試框架/努力程度影響；請隨時核對最新數據。
K3 在敏感主題的拒答率較低，且於代理式流程中一致性強。獨立測試（如 YouTube 評測、Vals AI）亦確認其為真實世界程式場景最強的開放模型之一。
Kimi K3 能做什麼？在程式、視覺與更多場景的能力
程式與代理式工程
K3 能維持長時段會話且需最少監督：可導航龐大倉庫、使用工具、透過螢幕截圖除錯（「vision in the loop」）。
範例：
- 核心優化與編譯器開發：自零打造 MiniTriton（類 Triton 編譯器），可與優化堆疊匹敵。GPU 核心優化與 Fable 5 競爭。
- 遊戲開發：將構想/圖像/影片轉化為可遊玩的 3D/多人作品，並進行迭代微調。
- 晶片設計：自動連續 48 小時完成 nano 級晶片設計。
- 前端：在網頁應用與全端任務的排行榜上名列前茅。
視覺與多模態
原生圖像/影片理解可支援：
- 影片編輯：從 56 段素材自編宣傳片（選片、剪輯、同步、修訂）——以分鐘完成需時數小時的工作。
- 3D 推理、動態圖形、互動式儀表板。
- 透過螢幕截圖進行程式迭代的「vision in the loop」。
Kimi API 文件顯示以 base64 data URLs 傳入影像，影片則透過上傳檔案並以 ms:// 參照。同時提醒不支援公開影像 URL 作為 vision 輸入，因此開發者應傳送 base64 或上傳檔案參照，並將訊息內容組織為物件陣列。這點對實作很重要：不要將混合了影像與文字的訊息序列化為單一純文字字串。
知識型工作與研究
對企業而言，這比一般聊天機器人更有價值。該模型專為「代理式」工作設計，能維持計畫、呼叫工具、處理中間結果並產出最終成果。範例包含市調報告、資料清理助手、合規摘要、客服知識庫維護與內部工程 Copilot。
- 產出顧問級報告、互動視覺化、儀表板（例如從數千來源生成 42 年 ASIC 產業分析）。
- 科學流程：重現天體物理關係，並以子代理分析重力波。
- 透過 Kimi Work 的小工具/儀表板進行持續、資料驅動的呈現。
K3 將文獻與可執行程式碼相連，快速產出具出版水準的成果。
Kimi K3 與其他前沿模型：實務比較
| 模型 | 最佳適配場景 | 優勢 | 注意事項 | CometAPI 建議 |
|---|---|---|---|---|
| Kimi K3 | 長上下文程式、知識型工作、代理、視覺推理 | 2.8T MoE 規模、1M 上下文、強勁的程式與代理式基準、開放權重路線圖 | 發佈周容量壓力、對思考歷史的敏感性、視覺支援可能因接入路徑而異 | 作為旗艦程式與長上下文模型優先測試 |
| GPT-5.6 Sol | 困難推理、程式、研究、廣泛生產任務 | 整體基準很強、工具成熟 | 多數路徑價格更高 | 作為對照與升級模型使用 |
| Claude Fable 5 | 寫作、程式、代理式工作流、偏好導向任務 | 優質使用體驗與廣泛前沿表現 | 成本較高，某些任務可能出現政策退回 | 適合導向使用者的代理與寫作密集型應用做比較 |
| Claude Opus 4.8 | 深度推理與可靠專業助手 | 穩定的高端助手行為 | 較新旗艦版本發布後，相對偏舊 | 作為回退或基準基線 |
| GLM-5.2 | 成本敏感的開放模型評估 | 作為開放替代具競爭力 | 在多項 K3 對比中較弱 | 納入成本/效能路由測試 |
如何存取 Kimi K3：逐步指南
如何存取 Kimi K3
1. 透過 Kimi 產品使用 Kimi K3
非開發者最簡單的路徑是使用 Kimi 的消費與生產力產品：Kimi 網頁端、App、Kimi Work、Kimi Code。這是最快體驗其寫作、程式、研究與偏向 UI 行為的方式，而無需先做整合。7 月 20 日報導的暫停新訂閱意味著存取情況可能變動，規劃團隊部署前請先查詢最新產品頁資訊。
2. 透過 Kimi API Platform 使用 Kimi K3
開發者可使用 OpenAI 風格的用戶端呼叫 Kimi K3。Moonshot 文件列出：
- base URL：
https://api.moonshot.ai/v1 - model ID：
kimi-k3 - 範例中的環境變數：
MOONSHOT_API_KEY - Python SDK 要求：OpenAI SDK 1.0 或更新版
基本 Python 範例：
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ["MOONSHOT_API_KEY"],
base_url="https://api.moonshot.ai/v1",
)
completion = client.chat.completions.create(
model="kimi-k3",
messages=[
{"role": "user", "content": "Introduce Kimi K3 in one sentence."}
],
)
print(completion.choices[0].message.content)
Kimi K3 預設啟用思考模式，並支援 reasoning_effort 的 low、high、max 值，預設為 max。API 支援串流、嚴格 JSON 結構化輸出、Partial Mode、工具呼叫、動態工具載入、自動上下文快取，以及透過 Formula 的官方工具整合。文件同時列出若干重要上限：max_completion_tokens 預設 131,072，可設定至 1,048,576；temperature 與 top-p 為固定；在多輪與工具呼叫工作流中，開發者應回傳完整的 assistant 訊息；且網路搜尋正在更新，近期不建議用於生產。
3. 透過 CometAPI 使用 Kimi K3
對許多團隊而言，CometAPI 更實用，因其提供多家模型供應商的統一 API 層。CometAPI 的 Kimi K3 頁面顯示該模型已上線，包含：
- model ID：
kimi-k3 - provider：Moonshot AI
- 上下文視窗：最高 1,000,000 tokens
- CometAPI 價格：每 1M tokens，輸入 $2.4、輸出 $12
- 官方標價：每 1M tokens，輸入 $3、輸出 $15
- endpoint：
/v1/chat/completions - base URL：
https://api.cometapi.com/v1
CometAPI Python 範例：
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ["COMETAPI_KEY"],
base_url="https://api.cometapi.com/v1",
max_retries=0,
)
completion = client.chat.completions.create(
model="kimi-k3",
messages=[
{
"role": "system",
"content": "You are a careful software engineering assistant.",
},
{
"role": "user",
"content": "Review this migration plan and identify the riskiest steps.",
},
],
max_completion_tokens=1024,
)
print(completion.choices[0].message.content)
若你的應用已使用 OpenAI SDK，CometAPI 的 quickstart 建議僅變更兩處設定：將 base_url 設為 https://api.cometapi.com/v1，並改用 COMETAPI_KEY 取代先前供應商金鑰。之後在 model 欄位傳入 CometAPI 的模型 ID 即可。
4. 權重釋出後以開放權重方式使用 Kimi K3
Moonshot 稱將於 2026 年 7 月 27 日前釋出完整 Kimi K3 權重。釋出後，研究人員、基礎設施團隊與進階企業用戶可評估自建、優化或私有部署。對多數公司而言，核心問題會是經濟性：雖然模型開放，但要服務一個 2.8T 的 MoE 系統，仍需嚴肅的 GPU 基礎設施、推理工程與營運監控。
最終結論
Kimi K3 可說是 2026 年迄今最重要的模型發佈之一。它結合了超大規模、認真的開放權重策略、100 萬 token 的上下文視窗、原生視覺理解，以及位居當前程式與代理式系統前列的基準表現。它並未抹去對 GPT、Claude、Gemini、DeepSeek、Qwen 或其他模型的需求，但確實為最棘手的長上下文工作流程提供了可信的新選擇。
立即在 kimi.com 或透過 CometAPI 快速整合。善用其在程式與視覺上的強項開始實驗——結果不言自明。