犯其至难而图其至远者，发之以勇，守之以专，达之以强。

2026 世界人工智能大会开幕前夕，月之暗面正式推出迄今能力最强的旗舰大模型 Kimi K3。这是全球首个迈入 3 万亿参数门槛的开源模型：总规模达 2.8 万亿，基于自研 KDA 混合线性注意力与注意力残差技术构建，原生支持多模态视觉理解，标配 100 万 token 上下文窗口，全面面向长程编程、复杂知识工作、深度推理等前沿智能场景。

官方评测显示，Kimi K3 综合能力仅次于当前最强的两款闭源模型 Claude Fable 5 与 GPT-5.6 Sol，稳定超越其余所有开源及商用模型，成为国产大模型首次站在全球开源规模与能力双顶点的标志性产品。完整模型权重将于 2026 年 7 月 27 日前正式开源，技术报告同步公布。

一、全球首个 3 万亿级开源基座：架构革新突破规模天花板

Kimi K3 是月之暗面持续 pushing 模型规模边界的里程碑之作 —— 过去 12 个月中，有 9 个月 Kimi 都保持着开源模型的参数规模纪录，而 K3 直接将开源模型的上限推高至 2.8 万亿参数级别。

支撑这一规模的，是两项核心自研架构创新：

1. Kimi Delta Attention（KDA）混合线性注意力

传统自注意力的计算成本随上下文长度呈平方级增长，是长序列与大模型扩容的核心瓶颈。KDA 作为新一代线性注意力架构，实现了计算量随序列长度线性扩展，同时首次在短上下文、长上下文、强化学习全场景下效果超越传统全注意力机制。

配合块状优化算法，KDA 让 KV 缓存占用量降低 75%，在 100 万 token 超长上下文下，解码吞吐量最高提升 6 倍，从底层解决了大模型长上下文推理的效率难题。

2. Attention Residuals（注意力残差）

传统深度模型的固定残差连接会随层数加深稀释底层特征，导致深层模型 "忘前事"。注意力残差将固定加法残差替换为动态注意力聚合：模型可根据输入内容，有选择地跨层检索前序层的有效信息，让信息在超深网络与超长序列中更顺畅流动，解决了万亿级模型加深后的信息衰减问题。

在此基础上，Kimi K3 采用升级的 Stable LatentMoE 稀疏专家架构：总计 896 个专家，单次推理仅激活 16 个，兼顾规模与运行效率。搭配 Quantile Balancing 专家均衡路由、Per-Head Muon 逐头优化、SiTU 激活单元与 Gated MLA 门控注意力等技术，K3 相比前代 K2 的整体扩展效率提升 2.5 倍，算力向模型能力的转化效率大幅跃升。

训练端，K3 从 SFT 阶段就采用量化感知训练，权重为 MXFP4、激活为 MXFP8，适配更广泛的硬件部署；推理端引入全均衡专家并行方案，规避专家负载不均导致的吞吐损耗，官方建议在 64 卡以上的 supernode 集群部署，可充分发挥大模型性能。针对 KDA 带来的前缀缓存适配问题，团队已向 vLLM 社区贡献对应实现，将随模型权重同步开源。

二、硬核长程 Agent 能力：从内核优化到自主设计芯片

Kimi K3 的核心突破不止于参数规模，更在于长周期、高复杂度的自主任务执行能力，尤其在编程与工程化场景展现出接近顶级闭源模型的实力。

1. GPU 内核优化：逼近第一梯队闭源模型

官方搭建了 GPU 内核优化竞技场，所有模型在独立沙箱中 24 小时自主运行，完成内核分析、重写、跑分验证全流程。测试覆盖 NVIDIA H200 上的 Attention Residuals、KDA 线性注意力、512 头维度 MLA 内核，以及国产 GPU 平台的 KDA 任务。

极致思考强度下，Kimi K3 的优化表现接近 Claude Fable-5（含回退机制），显著领先 Opus 4.8、GPT-5.6 Sol 与 GPT 5.5，成为首个在底层内核优化场景摸到第一梯队门槛的开源模型。

2. 从零搭建 GPU 编译器：端到端构建完整工具链

更具标志性的是，Kimi K3 自主开发了类 Triton 的紧凑 GPU 编译器MiniTriton：基于 MLIR 搭建独立的 tile 级中间表示，实现完整的优化 Pass 到 PTX 代码生成流水线。

在 Roofline 基准测试中，MiniTriton 的性能达到甚至超越 Triton 与 torch.compile，部分工作负载表现优于原生 Triton。团队进一步用其训练 nanoGPT 实现正常收敛，验证了这不是零散的代码生成，而是一套完整可用的编译器栈 —— 从编程抽象、中间表示、优化流程到后端生成全链路打通。

3. 48 小时自主完成芯片设计：模型为模型造芯片

作为长程 Agent 能力的终极验证，Kimi K3 在连续 48 小时的自主运行中，基于开源 EDA 工具与 Nangate 45nm 工艺库，独立完成了一颗专用推理芯片的设计、优化与时序验证。

该芯片面积 4mm²，集成 146 万个标准单元、0.277MB SRAM，搭载带融合反量化的 INT4 MAC 阵列，100MHz 下完成时序收敛，模拟解码吞吐超过 8700 token/s。一颗由模型设计、为模型推理服务的专用芯片，成为 K3 长程自主工程能力的最佳注脚。

4. 科研编程：两小时完成资深研究员两周工作量

在计算天体物理的 I-Love-Q 普适关系复现任务中，Kimi K3 仅用 2 小时就完成了通常需要资深研究员 1-2 周的工作：交叉验证 20 余篇论文、实现完整数值计算流程、评估 300 多种状态方程、修正已发表公式的不一致之处，生成 3000 余行 Python 代码，最终输出可交互的 HTML 可视化仪表盘。

这种 "读文献 - 写代码 - 做验证 - 出结论" 的全链路科研能力，让大模型真正从科研辅助工具变成了科研生产力本身。

三、原生多模态 + 全场景覆盖：从创意生产到企业级知识工作

依托原生多模态架构，Kimi K3 实现了代码、视觉、文本的统一理解与闭环迭代，能力覆盖创意生产、知识工作、视频剪辑等多个场景。

1. 视觉闭环创作：从概念到可交互 3D 内容

K3 可在代码与实时截图间无缝迭代，实现 "视觉在环" 的创作模式：输入概念或参考图，就能生成可运行的 3D 交互内容，边运行边看效果边优化。官方展示案例包括 3D 长征十号火箭发射回收模拟、开放世界 3D 游戏、GBA 模拟器复刻、黑洞卡冈图雅特效复刻等，全部由模型自主完成代码开发与视觉调优。

2. 知识工作升级：端到端深度研究与可视化输出

Kimi K3 将知识工作从 "信息总结" 推向 "端到端研究产出"。在推理芯片行业研究任务中，K3 经过 120 多轮递归自我优化，覆盖 ASIC 行业 42 年历史，完成 2800 余次网页搜索抓取、1100 余次终端数据拉取，处理 87 份季报与 99 份原始 PDF（合计超 11000 页），最终输出带定制图表、动画示意图的交互式视觉叙事。

可控核聚变产业研究、GWTC-5 引力波事件分析等任务中，K3 均可自主完成数据采集、分析、可视化、报告生成全流程，输出达到咨询级发布标准。

配合 Kimi Work 新推出的小组件（Widgets）与看板（Dashboard）功能，用户可在对话中直接生成可交互的动态组件，接入本地数据或第三方插件持续更新，将长期关注的指标汇总为专属看板，让 AI 协作从单次对话变成持续的工作面板。

3. 视频剪辑：多模态原生能力落地创作

原生多模态架构让 K3 可同时理解文字、图像与视频，直接胜任动效设计与视频剪辑工作。官方案例中，K3 制作了 4 分半钟的 3Blue1Brown 风格架构讲解动画，将技术概念转化为流畅的动态图示；另一支品牌视频项目中，K3 从 56 段原始素材中完成选片、动作匹配剪辑、逐帧卡点、音频处理与多轮修改，1 天内完成专业剪辑师 3-5 天的工作量。

四、全渠道同步上线，开源生态即将落地

即日起，Kimi K3 已全渠道开放使用：

普通用户：访问kimi.com、升级最新版 Kimi 手机 App（iOS/Android/ 鸿蒙）即可使用，默认开启 max 极致思考强度，后续将新增 low/high 两档模式；

桌面办公：下载 3.1.0 及以上版本 Kimi Work 桌面客户端（Windows/Apple 芯片 Mac），解锁看板、小组件等深度工作流；

编程场景：终端运行 Kimi Code，通过/model指令切换 K3 模型即可使用长程编程能力；

开发者 API：Kimi 开放平台已上线kimi-k3模型，输入价格为缓存命中 2 元 / 百万 token、未命中 20 元 / 百万 token，输出价格 100 元 / 百万 token。依托 Mooncake 分离式推理架构，官方编程场景缓存率超 90%，实际输入成本仅为标准价的 1/4，同步开启最高 30% 充赠活动；

企业服务：Kimi 企业版支持数据隔离与成员管理，企业级托管 Agent 平台 Kimi Hosted Agent 即将开启测试，提供 Agent harness、隔离沙箱与长任务运行环境。

完整模型权重将于 2026 年 7 月 27 日前正式发布，目前团队正与推理合作伙伴、开源维护者协作对齐技术细节，保障全生态稳定适配。

写在最后：客观看待差距与局限

作为开源模型的新标杆，Kimi K3 首次将开源模型的能力边界推到了接近顶级闭源模型的位置，但官方也坦诚披露了当前局限：

思考历史依赖：K3 后训练全程保留思考历史，若 Agent 框架未完整回传思考内容、或会话中途从其他模型切换，可能引发上下文干扰，建议使用官方兼容的 Agent 框架，避免中途切换模型；

主动性偏强：因训练侧重长程高难任务，遇到模糊需求或小问题时，模型可能替用户做出预期外决策，需通过系统提示词明确行为边界；

综合能力仍有差距：整体用户体验上，与 Claude Fable 5、GPT-5.6 Sol 两款顶级闭源模型仍存在一定差距。

但毫无疑问，Kimi K3 的出现，重新定义了开源大模型的规模与能力上限。当万亿级参数的顶级智能从闭源黑箱走向开放可定制，整个 AI 行业的应用创新、部署模式与生态格局，都将迎来新一轮的重构。而这，只是 K3 系列的起点。