Kimi K3正式开源：2.8万亿参数、多模态与百万上下文意味着什么

开源内容不只有模型权重

月之暗面于2026年7月27日公开Kimi K3模型权重、技术报告和官方代码资料。与只开放API不同，这次发布允许开发者研究模型结构、下载权重并在符合许可证的条件下进行部署和二次开发。官方同时公开了与训练和推理相关的基础设施项目，使外部团队能够更完整地理解模型如何扩展到超大规模。

根据官方仓库，Kimi K3总参数量为2.8万亿，采用Mixture-of-Experts架构，每个token激活约1040亿参数。模型包含896个专家，每次选择16个专家，并设置共享专家。总参数量代表模型容量，但实际推理成本更接近激活参数量、上下文长度、KV缓存、视觉编码器和并行通信开销的综合结果。

三项关键技术变化

第一是Kimi Delta Attention与Gated MLA组合。模型93层中包含69层KDA和24层Gated MLA，目标是在保持长上下文能力的同时降低注意力计算与缓存压力。

第二是Attention Residuals和Stable LatentMoE。官方称新的稀疏专家组织方式提升了规模化训练效率。对于工程团队而言，真正需要关注的不只是评测分数，而是专家路由、跨卡通信、负载均衡和推理框架是否成熟。

第三是原生多模态。Kimi K3集成MoonViT-V2视觉编码器，可处理文本与图像输入，并面向软件工程、知识工作、长周期智能体任务和多模态理解进行优化。它支持1048576 token上下文，但百万上下文并不意味着所有请求都应使用最大长度；上下文越长，首token延迟、显存占用和服务成本通常越高。

为什么2.8T不等于普通服务器可以部署

即便采用MoE，完整权重仍然非常庞大。官方模型使用MXFP4权重和MXFP8激活的量化感知训练方案，能够降低存储和计算压力，但生产部署仍需要多卡或多节点系统、充足的主机内存、高速互连和适配的推理引擎。

官方推荐的推理生态包括vLLM、SGLang和TokenSpeed。部署团队应重点核对：推理框架是否支持KDA与模型自定义代码；GPU架构是否支持相应低精度格式；单机能否容纳模型分片；跨节点通信带宽；百万上下文下KV缓存的实际容量；并发量和延迟目标。

因此，Kimi K3更适合云端集群、研究机构和拥有大规模GPU资源的企业。普通工作站更现实的方式是调用官方API、使用托管推理服务，或者等待社区提供经过验证的蒸馏和更小规模版本。

对国内开源生态的意义

Kimi K3把竞争从“开放聊天模型”推进到开放超大规模多模态智能体模型。开发者不仅能比较模型能力，还能研究长上下文、MoE路由、低精度训练和智能体工程。配套基础设施的开放，也有利于国产GPU和推理框架团队开展适配。

但开源权重不等于没有使用条件。官方采用Kimi K3 License，对模型服务业务和超大规模商业产品设置了额外条款。企业在部署、再分发或提供模型服务前，应核对许可证原文，不应只根据“开源”两个字判断商业使用范围。

信息来源

本文根据月之暗面官方Kimi K3仓库、模型卡、技术报告和许可证进行二次整理，参数与部署要求以官方后续版本为准。

• 官方GitHub：https://github.com/MoonshotAI/Kimi-K3
• 官方Hugging Face：https://huggingface.co/collections/moonshotai/kimi-k3
• 技术报告：https://arxiv.org/abs/2607.24653

本文没有把官方评测榜单作为绝对结论。不同模型的测试工具、推理预算和运行环境不同，选型时仍需使用自己的任务集进行验证。