Kimi K3 是什麼？2.8 兆參數、100 萬 Token、Coding 與 Agent 能力完整解析
Moonshot AI 推出 Kimi K3，以 2.8 兆參數、原生視覺與 100 萬 Token 進攻長流程 Coding、研究與 Agent 工作。本文一次整理規格、實際用途、開發者價格與官方承認的限制。
Moonshot AI 正式發布 Kimi K3。這是一款擁有 2.8 兆總參數、原生視覺能力與最長 100 萬 Token context window 的多模態模型，主打長流程 Coding、研究、簡報、儀表板與影片剪輯。
Kimi K3 的話題很容易停在「第一個 3T 級開放模型」。但真正值得看的，不是參數又多了多少，而是 Moonshot AI 正試著把模型從一次回答問題，推進到可以連續工作幾小時、操作工具、查看畫面，再自己修正結果的 Agent。
它也不是只停在發表會。Kimi K3 已經上線 Kimi、Kimi Work、Kimi Code 與 Kimi API（Application Programming Interface，讓開發者把模型能力接進自家產品的介面）；完整模型權重，也就是模型學到並用來產生結果的核心參數檔案，則預計在 2026 年 7 月 27 日前釋出。
我的初步判斷是：Kimi K3 值得開發者和 AI 產品團隊測試，但不該因為 2.8 兆參數就直接貼上「最強模型」標籤。Moonshot AI 自己也承認，它的整體使用體驗仍落後最強的封閉模型。
Kimi K3 規格：2.8 兆參數、100 萬 Token 與 MoE 架構
Kimi K3 是 Moonshot AI 最新的多模態大型模型。多模態代表模型不只處理文字，也能理解圖片與畫面資訊；context window 則是模型一次能保留並處理的內容範圍，100 萬 Token 約可容納大量文件、程式碼與長時間 Agent 軌跡。
| 項目 | Kimi K3 規格 |
|---|---|
| 總參數量 | 2.8 兆 |
| 最長 context | 100 萬 Token |
| 核心能力 | 文字、原生視覺、推理、Coding、知識工作、工具操作 |
| 架構 | Kimi Delta Attention、Attention Residuals、Stable LatentMoE |
| MoE 啟用方式 | 每次有效啟用 896 個 experts 中的 16 個 |
| 使用入口 | Kimi、Kimi Work、Kimi Code、Kimi API |
| 完整權重 | 預計於 2026 年 7 月 27 日前釋出 |
MoE（Mixture of Experts，混合專家）可以把它想成一個大型專家團隊：模型雖然共有 2.8 兆參數，但每次處理任務時，只選出一小部分 experts 參與，不必讓整個模型同時運算。這能降低推論成本，但不代表一般電腦就能執行 K3。官方建議自建部署使用至少 64 顆加速器組成的 supernode，硬體門檻仍然很高。
Kimi K3 架構：如何降低長流程 Agent 的資訊流失？
Kimi K3 使用 Kimi Delta Attention（KDA）與 Attention Residuals（AttnRes）。白話來說，KDA 處理的是長內容中的注意力效率；AttnRes 則讓模型能從不同深度選擇需要的資訊，而不是一路把所有中間結果平均累加。
Moonshot AI 宣稱，搭配更稀疏的 MoE、訓練方法與資料配方後，K3 相較 Kimi K2 的整體 scaling efficiency 約提高 2.5 倍。這是官方測量結果，還不能直接換算成每個 API 任務都快 2.5 倍或便宜 2.5 倍。
真正的產品意義是穩定性。Agent 若要在大型程式庫工作、查數百份資料或持續修正設計，模型不能做到一半忘記目標。K3 的架構敘事，正是在處理「模型能不能把長 context 變成長時間工作能力」，而不是只把更多文字塞進提示框。
Kimi K3 Coding 能力：從 GPU Kernel 到編譯器、晶片設計
Moonshot AI 把 K3 的 Coding 能力放在這次發表核心。官方讓模型在相同 sandbox 裡，最長使用 24 小時分析、改寫與測試 GPU kernel；另一個案例中，K3 從零建立 MiniTriton，完成自己的中介表示、最佳化流程與 PTX 程式碼生成管線。
更激進的展示是晶片設計。官方表示，K3 在一次 48 小時自主流程中，使用開源 EDA 工具替一個小型模型完成晶片設計、最佳化與驗證。這些案例都由 Moonshot AI 提供，不能當成獨立驗證；但它們至少指出 K3 想競爭的不是短題答對率，而是能不能把規劃、程式、工具與驗證串成一條完整流程。
在官方 Coding benchmark 中，K3 並非每一項第一。例如 DeepSWE 為 67.5，低於 GPT 5.6 Sol 的 73.0；但在 SWE Marathon，K3 以 42.0 領先表中的其他模型。這個差異很有意思：K3 的優勢更可能出現在長時間、需要持續修正的任務，而不是所有單次程式題。
Kimi K3 多模態能力：用原生視覺建立「看完再修」的迴圈
K3 不只產生程式碼，也能把畫面重新當成輸入。官方稱為「vision in the loop」：模型寫完程式後查看實際畫面，找出視覺或互動問題，再回頭修改。
官方展示一款瀏覽器 3D 開放世界遊戲。K3 使用 Three.js WebGPU 與 GPU compute 產生環境，並搭配外部角色、馬匹與地形素材，完成森林、村莊、雪山與動態天氣。這並不是「一句 Prompt 生成整個遊戲且完全不用外部資產」，但比只產生一段遊戲程式更接近真正的製作循環。
Kimi K3 透過程式、畫面回饋與外部 3D 素材完成可遊玩的瀏覽器開放世界。影片來源：Kimi 官方。
這項能力對前端、遊戲、CAD 與內容製作很實用。當模型能看到結果，開發者不必把每個視覺錯誤重新翻成文字描述，Agent 才有機會完成「做出來、看一遍、再修正」的閉環。
Kimi K3 知識工作：研究、簡報、Dashboard 與影片剪輯
在知識工作上，Moonshot AI 展示 K3 製作一份涵蓋 42 年 AI ASIC 產業的互動研究網站。官方描述這個流程經過 120 多輪改進、2,800 多次網頁搜尋與抓取、1,100 多次 terminal 資料擷取，處理超過 11,000 個頁面。
Kimi Work 也新增 Widgets 與 Dashboard。Widgets 可以在對話中產生可互動元件，連接本機資料或外部 plugin；Dashboard 則把需要持續追蹤的內容放進固定視圖。這比單次產生報告更有產品價值，因為結果不再只是一次性文字，而是可以持續更新的工作介面。
官方還讓 K3 製作介紹自身架構的動態影片，並從 56 段素材剪出自己的 teaser。這些仍是精心設計的案例，不能直接推論 K3 已能取代研究員、設計師或剪輯師；比較合理的結論是，它已經把多種內容格式放進同一條 Agent 工作流，減少人員在研究、程式、視覺與交付工具之間反覆搬資料。
Kimi K3 Benchmark：哪些項目領先，哪些仍落後？
Kimi K3 在 Moonshot AI 的完整表格中，有些項目第一，有些落後。以下挑 4 個代表結果：
| Benchmark | Kimi K3 | 表中最高分 | 怎麼看 |
|---|---|---|---|
| DeepSWE | 67.5 | GPT 5.6 Sol：73.0 | 單一 Coding 項目並未領先 |
| SWE Marathon | 42.0 | Kimi K3：42.0 | 長流程 Coding 表現突出 |
| BrowseComp | 91.2 | Kimi K3：91.2 | 搜尋與 Agent 任務具競爭力 |
| GPQA-Diamond | 93.5 | GPT 5.6 Sol：94.1 | 高難度知識推理接近前段 |
這些數字不能直接合併成一張「模型總排名」。官方說明，K3 使用 max reasoning effort，不同模型也可能使用 KimiCode、Claude Code 或 Codex 等不同 harness；部分 Claude 成績還可能包含 fallback。harness 是模型執行任務時所搭配的工具與流程，換了 harness，結果也可能改變。
因此，我會把官方 benchmark 解讀為「K3 已經進入 frontier model 的競爭區間」，但還不能下 K3 在所有項目都領先 GPT 與 Claude 的結論。真正有說服力的下一步，是等模型權重、技術報告與第三方實測公開後，看它在相同工具、成本與限制下能不能維持表現。
Kimi K3 怎麼用？網頁、Kimi Work、Kimi Code 與 API
- Kimi 網頁與 App：一般使用者可直接在 Kimi 使用 K3，適合研究、文件、簡報與多步驟任務。
- Kimi Work：Windows 與 Apple silicon Mac 可使用，版本必須是 3.1.0 或以上。
- Kimi Code：在 terminal 中執行 Kimi Code，再用
/model選擇 Kimi K3。 - Kimi API：開發者可在 Kimi Platform 選擇
kimi-k3串接產品。
官方 API 定價為：cache hit input 每 100 萬 token US$0.30、cache miss input US$3、output US$15。cache hit 代表系統重複使用已處理過的相同前綴內容，因此輸入成本較低；但官方提到 Coding 工作負載的 cache hit rate 可超過 90%，仍不代表每一種應用都能達到相同命中率。
延伸閱讀：OpenAI GPT-5.6 正式亮相：Sol、Terra、Luna 三模型家族全面解析，AI 戰局再度洗牌
Kimi K3 的 3 個限制：thinking history、過度主動與 UX 落差
第一，K3 對 thinking history 很敏感。若 Agent 工具沒有完整傳回先前的推理歷史，或使用者在同一段流程中途切換模型，品質可能突然不穩定。這代表 100 萬 context 不等於任何工具接上去都會自動穩定。
第二，K3 可能過度主動。它為長時間困難任務訓練，因此遇到小問題或模糊意圖時，可能替使用者做出未預期的決定。若應用涉及檔案修改、對外發送或商業流程，必須在 system prompt 或 AGENTS.md 寫清楚權限與停止條件。
第三，官方承認 K3 的整體使用體驗與最強封閉模型仍有明顯差距。這句話比單一高分更重要，因為真實產品不只看答對率，也看延遲、穩定性、工具相容性與錯誤發生時能否恢復。
Kimi K3 值得用嗎？適合長流程 Agent，但別只看參數量
Kimi K3 最吸睛的數字是 2.8 兆參數，但最值得追蹤的是它能否持續完成幾小時甚至幾天的工作。Coding、GPU kernel、互動研究網站、遊戲與影片案例，都在講同一件事：模型不只要回答得對，還要能規劃、操作工具、查看結果，再反覆修正。
我的判斷是，K3 已經足以成為 GPT、Claude 之外值得實測的 Agent 模型，尤其適合大型程式庫、研究整理與跨格式內容生產。不過，完整權重與技術報告尚未公開，benchmark 也以官方測試為主，現在就把它稱為「最強開放模型」仍太早。
如果只是想快速試用，可以直接從 Kimi 網頁開始；如果是產品團隊，我會先挑一個原本需要 2 至 4 小時、包含搜尋、檔案與驗證的任務，用相同成功標準比較 K3、GPT 與 Claude。這比比參數量，更接近模型能不能真正進入工作流程。
FAQ
Kimi K3 是誰開發的？
Kimi K3 由中國 AI 公司 Moonshot AI 開發，Kimi 是其面向一般使用者與開發者的產品品牌。K3 已可在 Kimi、Kimi Work、Kimi Code 與 Kimi API 使用。
Kimi K3 是開源模型嗎？
官方稱 K3 為 open model，並表示完整權重會在 2026 年 7 月 27 日前釋出。截至 2026 年 7 月 17 日，較精確的說法是「預計開放權重」，不應寫成權重已可下載。
Kimi K3 有多少參數？
Kimi K3 有 2.8 兆總參數，採 MoE 架構，每次有效啟用 896 個 experts 中的 16 個。總參數很大，但每次推論不會同時使用全部參數。
Kimi K3 可以在本機執行嗎？
一般個人電腦不適合自行部署完整 K3。官方建議使用 64 顆以上加速器的 supernode；多數使用者與團隊較實際的方式仍是 Kimi 網頁、Kimi Code 或 API。
Kimi K3 比 GPT 或 Claude 強嗎？
K3 在部分長流程 Coding、搜尋與 Agent benchmark 表現領先，但並非所有項目第一。由於不同模型使用的 harness 與測試條件不完全一致，目前只能說 K3 進入前沿模型競爭區間，不能下全面勝出的結論。
