Kimi K3全解析：2.8万亿参数旗舰上线，智能体编程新答卷

一场蓄谋已久的发布

2026年7月15日，月之暗面在B站、X、小红书几个平台同时放出一段预热视频，大约4秒的地方，画面里闪过一个数字“3”。眼熟的人都反应过来了——这是在给Kimi K3打广告。其实在这之前，测试平台上已经出现过一个匿名代号叫“Kivine”的模型，网友们扒出它的输出风格，猜测这就是K3的马甲，还有人翻出它和Claude Fable 5的对比截图，讨论得挺热闹。

7月16日晚上，Kimi K3正式上线。官网首页的标语也换了，变成“K3上线，专为智能体编程与知识工作打造”。这次不是先放个测试版试试水，而是App、API、Kimi Code、第三方工具几条渠道一起接入，动作很干脆。

官方给出的定调是：K3是Kimi目前能力最强的一代模型，2.8万亿参数、100万token上下文、原生视觉理解，主攻软件工程、知识工作和深度推理三个场景。这里有个小细节值得说一下——发布前流传的参数口径是“2.5万亿”，属于外界的推测，跟官方最终公布的2.8万亿有差距。写这篇文章时我们以7月16日晚官方正式确认的数字为准，那个2.5万亿的预期和最终数字之间的落差，本身也算是这次发布的一个小插曲。

技术底牌：架构、规模与多模态能力

先说参数。官方确认K3是2.8万亿参数的稀疏混合专家（MoE）模型，一共设置了896个专家，但每次推理只激活其中16个。换句话说，模型的“账面体重”很大，但真正干活的时候只调用一小部分，实际计算量比总参数量级低得多。这也是MoE架构的老套路了——大而不笨，靠专家分工来控制成本。

架构层面，K3底层组合了几项技术：Kimi Delta Attention、Attention Residuals、Stable LatentMoE。这几个名字听起来抽象，但作用比较直接：提升超长序列的处理能力，改善跨层信息传递的效率，同时让大规模训练过程更稳定。官方给出的说法是，相比上一代Kimi K2，整体扩展效率提升了约2.5倍。

训练工程上有个细节，从监督微调阶段就开始引入量化感知训练，权重用MXFP4，激活用MXFP8。这么做的好处是模型在不同推理硬件上适配得更好，部署时不用为了跑起来而牺牲太多精度。

上下文窗口是这次升级里最直观的一项：100万token，精确数值是1,048,576，比K2.6的256K足足提升了约4倍。而且这不是外挂检索、分段拼接出来的效果，是模型架构原生支持的。打个比较容易理解的比方，100万token大概能一次性装下一个完整的代码仓库，或者《三体》三部曲的全部文本量。

多模态能力也升级了。K3原生支持图像和视频理解，文本、图片、视频统一在同一个模型里处理，不是靠外部模块拼接实现的“伪多模态”。官方把这称为相比K2系列最大的能力跃迁，这个说法不算夸张，毕竟此前Kimi系列的视觉能力一直是短板。

还有一个使用上要注意的点：K3当前的“思考”强度锁定在“max”一档，暂时不支持low或high。如果第三方工具那边传入了effort参数，系统会自动把它映射到max档。官方也预告后面会开放更多思考强度档位，这意味着现在的K3还没到最终形态，速度上的一些短板（后面会讲到）很可能和这个限制有关。

核心能力实测：长程编程、智能体与多场景落地

K3这次的重点不是秀参数，而是软件工程和智能体任务这条线。官方强调它在持续执行、多次调用工具的复杂任务上做了专门强化，能够分析大型代码仓库、操作终端、修改代码、运行测试，整个过程不需要人工频繁介入就能跑完一段较长的软件工程任务。

有两个案例比较有代表性。一个是从零构建MiniTriton编程系统，涵盖DSL前端、MLIR中间表示、优化流程、PTX代码生成，还有运行时组件——这是一整套编译器工具链的活儿，不是简单的代码片段生成。另一个更夸张：K3连续自主运行了48小时，用开源EDA工具完成了一款小型芯片的设计、优化和验证。这种长时间、无人值守的持续任务，正是官方想突出的“长程”能力。

“视觉在环”是这次比较新鲜的一个开发模式。模型可以读取程序运行时的截图，再根据看到的画面反馈继续改代码。网页游戏、3D场景、前端页面、CAD设计这类需要“看效果调整”的任务，用这个模式比纯文本反馈更直接。早期测试里，交互式3D体验和前端生成的质量给不少测试者留下了印象，甚至有人用它做出了实时渲染的第一人称宇宙模拟。

科研和知识工作场景也有具体案例。一个计算天体物理的例子里，K3阅读并交叉验证了20多篇论文，评估了300多个状态方程，生成了超过3000行Python代码，还做了一个交互式数据分析页面。在Kimi Work里，模型能检索网页、PDF、财报和各类数据文件，生成行业研究报告、图表、演示文稿和交互式研究网站，新增的Widgets和Dashboard功能可以把这些结果整理成长期可复用的交互面板，而不是用完就扔的一次性输出。

多模态编辑方面，有个案例是从56段视频素材里完成镜头筛选、节奏匹配、音频处理和多轮剪辑修改，另外还做了技术动画制作。这些案例说明K3的多模态能力不只是“能看懂图片”，而是能真的参与到内容生产流程里。

评测表现与横向对比

官方公布了一批具体分数，列出来方便直观对比：

这些分数在多项指标上超过了部分参评的闭源模型。但月之暗面官方自己也做了提示：不同模型在测试时用的智能体框架、工具配置和推理设置并不完全一致，所以这些成绩不能直接当成同一环境下的绝对排名来看，参考的时候留个心眼比较合适。

更值得关注的是官方对自身定位的表态。月之暗面明确说，K3整体表现仍然落后于Claude Fable 5和GPT-5.6 Sol，综合用户体验上还有差距。这个说法挺实在，没有硬吹自己是第一。不过雪球那边流出的内测数据给出了不太一样的描述，说综合表现介于GPT-5.6 Sol和Fable 5之间，超过了Opus 4.7和GPT-5.5。两处说法有一定出入，这里如实摆出来，不做拉齐处理——官方的谨慎表态和第三方内测的相对乐观，本身就是两种不同来源的信息，读者可以自己判断权重。

横向对比国产大模型这块，需要特别说明一下：相关的对比分析文章发布在K3正式上线之前，用的参数口径是发布前流传的“2.5万亿”，跟官方最终确认的2.8万亿存在差异，引用时要注明这一点。按那份分析的说法，把DeepSeek V4 Pro（1.6万亿MoE架构）、文心5.0（2.4万亿）、通义千问3.7 Max拿来对比，K3在上下文窗口上是断崖式领先——100万token对比其他产品普遍128K到200K的水平，处理完整代码仓库、财报堆、判例库这类大体量文本时，体验差距是能直接感受到的。

速度是当前比较明显的短板。前面提到过，K3现在思考强度锁死在max档，复杂的Agent任务因此耗时偏长。官方已经预告后续会开放low/high档位，理论上能通过降低思考强度来换取速度，这个优化空间是留出来的。

全渠道落地：产品矩阵、定价与开放计划

K3不是孤立上线的，而是嵌进了一整套产品矩阵里。

App端目前是三档模型并行：K3·Max是默认主力，擅长对话和Agent任务；K3集群·Max是Agent Swarm智能体集群的产品化形态，面向批量检索和处理任务；K2.6·Fast则用在轻量、低延迟的场景。另外新增了一个“超长”对话档位，支持百万token上下文，但标注的是“Allegro会员可用”，而且消耗额度更快——也就是说，1M上下文在消费端是按会员档位分层开放的，不是所有用户上来就能随便用满。

开发者侧，Kimi Code提供了三个模型ID：kimi-k3是旗舰款，尤其擅长编程、游戏/3D以及知识类任务，上下文最高支持1M；kimi-for-coding是K2.7 Code，256K上下文；kimi-for-coding-highspeed速度是前者的6倍，但消耗是3倍。不同会员档位（Andante、Moderato、Allegretto等）对能不能调用K3、可用的上下文长度都有明确限制，选型时得先看清楚自己的会员权限对得上哪个模型。

API定价方面，缓存命中的输入价格是每百万token 0.30美元，普通输入是3美元，输出是15美元。官方数据显示，编程类工作负载下的上下文缓存命中率可以超过90%，缓存命中价格比未命中低10倍，输出价格是未命中输入的5倍。这组数字换算成实际使用建议就是：想控制成本，关键在于善用缓存机制，同时合理分配上下文长度，别一股脑把长文本都塞进未命中的普通输入里。

部署门槛这块，2.8万亿参数的规模意味着即便未来开放权重，私有化部署也不是随便一台服务器就能扛得住的事。官方建议用配备64张或更多加速卡的Supernode来做推理部署，这基本把私有化部署的门槛锁定在了云平台、研究机构和大型企业这几类主体身上，个人或小团队想自己跑起来不太现实。

关于开源，官方计划在2026年7月27日前公开完整模型权重。截至目前，具体的API单价细节、完整模型卡、基准测试成绩，以及是否延续开源策略等信息，官方还没有进一步公布，这些都得等后续消息。

产品阵容也在同步做新老交替。kimi-k2.5和moonshot-v1系列已经停止向新用户开放，计划于2026年8月31日在全平台下线；再往前，kimi-k2系列已于2026年5月25日下线。目前在售的阵容是kimi-k3、kimi-k2.7-code（含高速版）以及kimi-k2.6，一款旗舰配两款专精工具，是当下的产品格局。

旗舰之外，选型比追新更重要

K3这次的核心突破挺清楚：2.8万亿参数、100万token上下文、原生多模态、更强的长程编程和智能体能力，是月之暗面成立以来最激进的一次旗舰升级。

但升级归升级，官方自己给出的建议反而挺理性——K3不是要取代K2.7 Code或者K2.6，三者是搭配着用的关系。K2.7 Code仍然是编程专精工具，日常写代码、跑测试用它足够；K2.6适合那些已经跑顺了流程的长程Agent任务，没必要为了追新去换掉一套已经调好的工作流；K3面向的是真正需要旗舰级推理和超长记忆的硬任务，比如分析整个代码仓库、处理海量文档、做跨论文的科研验证。把默认模型全量切换到K3，对大多数日常场景来说不一定是最优选择，反而可能因为思考强度锁在max档而拖慢速度、增加消耗。

还有几件事目前还没有定论，得往后看：具体的API单价细节会不会调整，完整的基准测试报告什么时候放出来，开源权重的许可安排最终是什么样子，以及K3上线之后能不能在真实使用体验里兑现它参数和上下文上的优势——这些都需要时间，也需要更多第三方评测的检验，现在下判断还早。