刚刚，Kimi K3正式开源！3万亿模型权重全球开放（附开源地址）
就在刚刚，全球AI领域迎来一个里程碑式的时刻：Kimi K3正式开源了。这不仅是全球首个3万亿参数级别的开源模型，更是一个信号——开源大模型的能力边界，被实实在在地往前推了一大截。
Moonshot AI这次的动作相当干脆，直接放出了Kimi K3的完整模型权重、一份47页的技术报告，还顺带把支撑K3训练的关键基础设施技术——MoonEP、FlashKDA和AgentEnv——也一并开源了。
K3的体量是惊人的2.8T参数，一个原生多模态MoE架构的“巨兽”。更关键的是，它在长逻辑链编程、超长上下文智能体协作、复杂推理这些硬核场景下，已经具备了和目前最强闭源模型（比如Fable 5和GPT-5.6 Sol）掰手腕的实力。这不仅是国产AI团队实力的证明，更是给整个开源社区注入了一针强心剂。
3万亿参数级的开源时代，正式开启
2026年7月27日，Moonshot AI兑现了承诺，Kimi K3的完整模型权重在面向全球开源社区发布。这标志着，开源大模型正式进入了2.8万亿参数的新纪元，Kimi K3也因此成为全球首个真正落地的3万亿参数级别开源模型。
这次发布的不仅是冷冰冰的权重，还有详细的技术细节和报告。Moonshot表示，他们已经和多家推理合作伙伴以及开源维护者紧密协作，确保K3能在主流硬件和框架中稳定运行。这意味着什么？开发者可以下载完整权重，进行本地部署或二次开发；研究机构能够基于K3探索超大规模MoE、新型注意力机制等前沿课题；企业则可以构建专属的超长上下文知识系统和智能Agent集群。可以预见，开源社区将迎来新一轮的应用浪潮。
参数规模天花板，又被抬高一截
过去一年，Kimi系列几乎每个季度都在刷新开源模型的天花板。K3这次，直接把天花板捅到了“3T俱乐部”。
相比前代K2，K3在架构上实现了显著突破，主要体现在几个关键点：
- 采用了专为超长序列设计的KDA混合线性注意力机制。
- 引入了Attention Residuals，提升了深层模型的训练稳定性。
- MoE架构大幅优化：896个专家，每次只激活16个，结合Stable LatentMoE框架，在保持巨量参数的同时，极大提高了计算效率。
官方数据显示，这些创新让K3的整体扩展效率较K2提升了约2.5倍，真正做到了“规模”与“可用性”的平衡。
与Kimi K2.5的主要区别在于，Kimi K3的视觉编码器MoonViT-V2完全从零开始训练，仅依赖后续token预测，可以直接依据语言建模目标调整编码器的表征，并且在整个训练过程中保持稳定。
值得一提的是，MoonViT-V2在视觉评估中的表现与SigLIP初始化的基线模型相当，支持100万token超长上下文，并原生具备多模态能力。可以说，K3是架构创新与场景适配的综合进化。官方技术博客的那句话说得很好：“前沿智能属于所有人”。Kimi K3的开源，正是这一理念的最新实践。
根据官方及第三方评测，Kimi K3在编程、代码Agent、前端开发、长上下文推理等场景中表现突出。它的整体智能水平已经进入全球第一梯队，在开源阵营中更是处于领先地位。
技术报告解读：K3到底强在哪？
和开源消息一起放出的，是一份47页的技术报告，里面干货满满。
一个2.8万亿参数的“六边形战士”
Kimi K3用实际表现证明，开源模型同样可以做到极致的Scaling与Reasoning。它的核心底座数据堪称豪华：总参数量高达2.88万亿，每个Token激活参数量为1040亿；原生支持100万Token的超长上下文窗口；视觉与文本从预训练第一天起就交织在一起，原生多模态，没有任何后期的“缝合”对齐阶段；并且支持从Low、High到Max多种Thinking Effort级别，在复杂任务上会像人类一样“三思而后行”。
架构三大革新：扩展效率提升2.5倍
训练一个3万亿参数级别的模型，绝非简单地堆叠GPU。Kimi K3相比上一代Kimi K2，整体扩展效率实现了约2.5倍的飞跃，这归功于其极其优雅且暴力的架构设计。
1. 混合注意力机制：KDA + Gated MLA
传统的Softmax注意力机制在处理百万级上下文时，KV Cache的内存占用会瞬间撑爆显存。Kimi K3独创性地采用了混合架构——每一个Block包含3层Kimi Delta Attention (KDA) 和1层Gated MLA。
KDA（线性注意力）负责高效的长序列混合，将冗长的上下文压缩成固定大小的循环状态，彻底打破了上下文长度的内存诅咒。而Gated MLA（全局注意力）则周期性地保留极致的全局信息检索能力。这种“3:1”的搭配，既保住了长文本的“命”，又留住了找细节的“魂”。
2. 注意力残差（Attention Residuals）
在极深的网络中，信息往往会在层层传递中损耗。Kimi K3引入了Attention Residuals，允许当前层“跨级”直接读取之前所有层的特征表示。这就像是给模型装上了“直达电梯”，信息流转不再拥堵。
3. 稳如泰山的超稀疏MoE (Stable LatentMoE)
Kimi K3的路由专家数量暴增至896个，每个Token激活16个专家。为了在极度稀疏的情况下保持训练稳定，Kimi团队祭出了两大杀器：SiTU-GLU激活函数，它完美解决了传统SwiGLU在极端规模下容易导致激活值爆炸的问题；以及Quantile Balancing（分位数负载均衡），它摒弃了传统的辅助损失函数，采用动态调整偏差的方式，让896个专家“不闲着也不累坏”，实现了近乎完美的负载均衡。
百万Token的Agent进化论：K3 是如何炼成的？
大模型的强大不仅在于预训练，更在于“后训练/RL”。Kimi K3的强化学习完全是为“100万Token超长视距的智能体”量身定制的。
1. 极度复杂的白盒沙盒训练 (AgentENV)
Kimi K3的训练环境不再是简单的问答，而是真实的模拟器。月之暗面开发了基于微型虚拟机（microVM）的沙盒AgentENV。在这个环境里，Kimi K3会历经成百上千个步骤：写代码、截图、查Bug、自我修正。它甚至在模拟的Slack、Notion、Gmail环境中扮演人类员工，处理跨越“虚拟数天”的超长待机任务。
2. 知识图谱引导的任务合成
为了让模型见多识广，研发团队构建了一个自我进化的知识图谱，让爬虫智能体在全网自动抓取、合成涵盖从天体物理到前端开发的各种高难度验证任务，以此来“折磨”K3。
3. 多层思考的蒸馏 (MOPD)
Kimi K3交叉训练了通用、智能体、代码三大领域的专家模型，并在低、高、极限三个“思考努力”级别上进行强化学习。最后，通过多教师在策略蒸馏，将这些强大的能力浓缩到了一个统一的模型中。
算力与基础设施的极限压榨
2.8T参数、1M上下文，这不仅是对算法的考验，更是对系统工程的史诗级挑战。Kimi Infra团队交出了一份惊艳的答卷。
MoonEP（零浪费的专家并行）：
KDA融合Prefix Cache：
实测表现：逼近甚至超越人类极客
在报告展示的全面评测中，Kimi K3在各项公开与内部基准测试中，全面超越了Claude Opus 4.8、GLM-5.2 和 GPT-5.5，并逼近目前最强的Claude Fable 5 和 GPT-5.6 Sol。
Kimi K3在真实极客任务中的表现，更是惊人。
找出Linux内核的Zero-Day漏洞：
爆改GPU编译器：
48小时内设计出一颗芯片：
替代科研人员打工：
极致的性价比
性能比肩最强闭源模型，那推理成本呢？得益于量化感知训练、投机解码以及系统底层的疯狂优化，Kimi K3的性价比极其恐怖。在第三方平台Artificial Analysis的统计中，Kimi K3在保持第一梯队性能的同时，在BrowseComp基准上单次任务的成本仅为GPT-5.6 Sol的一半，甚至比Claude Fable5便宜了近乎一个数量级。
硅谷集体发声，开源浪潮势不可挡
近200家硅谷创始人联合表态，反对美国政府切断企业获取开源大模型的渠道。老黄在X上发出了人生第一推，25家企业联合署名表示支持开源，名单里包括英伟达、微软、Meta、IBM、a16z、YC等等，几乎囊括了硅谷的半壁江山。
在这个风口浪尖，K3的全面开源，意义更加重大。在今日的Arena.ai榜单上，Kimi K3仍是全球第一。
开源之光，点亮前沿智能
国产开源路线，也是面对闭源巨头的一次弯道超车的机会。可以预计，随着K3权重的全面开放，大量社区优化版本、本地部署方案和垂直应用会蓬勃而出。曾经Llama的开源，让Meta一举打破了闭源巨头的垄断，彻底点燃了全球开源AI社区的热情。如今，以K3为代表的中国开源AI的崛起，或许将彻底改变全球大模型的游戏规则。
据传，Kimi团队周五在一家酒吧举行庆功活动，现场大屏写着“K3，扩容升级”、“K4，给我狠狠干到极致”、“冲上月球”。而就在Kimi K3开放权重几小时前，Kimi K 3.1传出将于下月发布。
“虽然在整体表现上，Kimi K3仍略微落后于最强大的闭源模型，但它已经稳稳确立了开源领域的全新边界。”Kimi K3的横空出世，打破了“只有闭源巨头才能玩转百万级Agent和慢思考”的偏见。当代码、权重和技术细节毫无保留地开放，属于开源AI的星辰大海，才刚刚开始。