Kimi K3是什麼？2.8兆參數、100萬上下文、API與開源限制完整解析

Kimi K3是Moonshot AI在2026年7月推出的旗艦模型，擁有2.8兆總參數、100萬Token上下文、原生圖片與影片理解能力，主要面向長時間軟體開發、AI Agent、研究與知識工作。它採用Kimi Delta Attention、Attention Residuals與高度稀疏的Mixture of Experts架構，每次推理啟動896個專家中的16個。

截至2026年7月17日，Kimi K3已可透過Kimi.com、Kimi Work、Kimi Code及Kimi API使用；完整模型權重預定於7月27日前釋出，技術報告也仍待後續公布。現階段最實際的使用方式是官方API，而非自行下載權重部署。

重點快讀

Kimi K3共有2.8兆參數，是Moonshot AI目前規模最大的旗艦模型。
模型提供100萬Token上下文，約為Kimi K2.6的四倍。
MoE每次啟動16個專家，但完整模型共有896個專家，部署仍需容納完整權重。
K3原生支援文字、圖片與影片理解，也能使用終端工具、Function Calling及結構化輸出。
K3永遠啟用推理模式，發布初期只提供max等級的reasoning_effort。
官方API已上線，完整權重截至7月17日尚未公開下載。
官方建議以64張以上加速器組成的Supernode部署，單張消費級顯示卡無法承載完整模型。

Kimi K3的2.8兆參數代表什麼？

2.8兆是Kimi K3的總參數規模，並不代表每次生成一個Token時，所有參數都會同時參與計算。

Kimi K3採用Mixture of Experts架構，共有896個專家，每次推理只啟動其中16個。這種設計能在擴大模型總容量的同時，控制單次推理所需的計算量。Moonshot AI把這套架構稱為Stable LatentMoE，並表示K3相較K2取得約2.5倍的整體擴展效率。這些效率數字來自官方內部評估，仍需等待完整技術報告與第三方重現。

MoE的稀疏啟動不會消除完整權重的儲存需求。推理系統仍需保存或分散放置896個專家的參數，再由路由系統決定每個Token要送往哪些專家。

這也是Kimi K3規模很大，API價格卻未按2.8兆全參數等比例增加的原因之一。

KDA與Attention Residuals在解決什麼？

Kimi Delta Attention

Kimi Delta Attention簡稱KDA，是一種混合線性注意力架構。傳統完整注意力的計算與記憶體需求會隨序列長度快速增加，當上下文延伸到數十萬或100萬Token時，成本尤其明顯。

KDA透過線性注意力降低長序列處理成本，並搭配全域注意力保留需要精確關聯的部分。Moonshot AI先前公開的Kimi Linear研究採用3比1的KDA與全域注意力比例，顯示這條技術路線同時追求長上下文效率與資訊品質。

Attention Residuals

一般Transformer會把前一層輸出持續累加到後續層。模型變得非常深之後，資訊可能在長距離傳遞中被稀釋或混合。

Attention Residuals讓模型依據當前需求，選擇性讀取不同深度的表示。它的目的，是改善超大型模型在深度方向上的資訊流動，使重要資訊不必依靠逐層累加才能傳到後面。

KDA處理序列長度，Attention Residuals處理模型深度。兩者共同支撐Kimi K3的100萬上下文與2.8兆參數規模。

100萬Token上下文可以拿來做什麼？

100萬Token上下文讓Kimi K3能一次處理大型程式碼庫、長篇研究資料、多份文件、工具執行紀錄與較長的Agent工作歷史。官方把K3定位於長週期Coding與端到端知識工作，也展示了GPU核心優化、編譯器開發、科學研究及互動式報告等案例。

分析跨越數百個檔案的大型Repository。
同時閱讀多份規格、研究論文與會議紀錄。
保留長時間Agent執行過程中的決策與工具結果。
分析長影片、螢幕錄影或大量圖片。
建立需要反覆查閱同一份知識庫的工作階段。

上下文容量是上限，不代表每次請求都應塞滿100萬Token。輸入越長，首Token延遲、推理時間與費用通常也會增加。Kimi API會自動嘗試快取沒有變動的長前綴，因此多輪工作應維持知識庫與系統提示的順序，避免不必要的內容重排。

Kimi K3可以本地部署嗎？

截至2026年7月17日，完整權重尚未公開，因此目前無法透過官方權重自行部署。Moonshot AI表示完整模型權重預定於7月27日前發布，技術報告與更多架構資訊也會同步公布。

即使權重發布，單張RTX 5090或一般桌上型工作站仍無法執行完整Kimi K3。

以2.8兆參數和4-bit權重做理論估算，模型權重本身約需要1.4TB儲存空間，尚未計算路由、KV Cache、執行框架及視覺模組。Moonshot AI也明確建議使用包含64張以上加速器的Supernode部署。

MoE讓每個Token只使用部分專家，可以降低計算負擔；完整專家權重仍需要分散在多張加速器中。對個人與一般企業來說，官方API或推理合作夥伴會比自行架設實際。

權重發布後仍需確認三件事：

模型授權是否允許商業使用與衍生模型。
vLLM、SGLang等推理框架何時完整支援KDA與前綴快取。
官方是否同步提供量化權重、硬體需求與分散式部署範例。

在這些資料公開前，「開源」應理解為官方已宣布模型開放方向，完整自架條件仍在形成。

Kimi K3 API怎麼呼叫？

Kimi API相容OpenAI Chat Completions格式。開發者可以沿用OpenAI Python SDK，將base_url改成Moonshot AI端點，再把模型名稱設為kimi-k3。

import os
from openai import OpenAI
client = OpenAI(
    api_key=os.environ["MOONSHOT_API_KEY"],
    base_url="https://api.moonshot.ai/v1",
)
response = client.chat.completions.create(
    model="kimi-k3",
    reasoning_effort="max",
    messages=[
        {
            "role": "user",
            "content": "分析這個專案的架構與主要技術風險。",
        }
    ],
)
print(response.choices[0].message.content)

K3與K2系列有一個重要參數差異。K2.6使用thinking物件控制思考模式，透過OpenAI SDK時通常放在extra_body；K3永遠啟用推理，改用頂層reasoning_effort欄位。發布初期只支援max，其他推理強度仍待後續開放。

多輪對話不能只保存content

Kimi K3在多輪對話、工具呼叫與推理工作流中，要求開發者把API回傳的完整Assistant Message放回下一次請求。

reasoning_content
tool_calls
Tool Call ID
Partial Mode狀態
其他模型需要延續的欄位

若程式只保存message.content，工具呼叫鏈、推理狀態或下一輪上下文可能不完整。

assistant_message = response.choices[0].message
messages.append(assistant_message)

串流輸出也會分開傳回reasoning_content與最終content。使用者介面可以分別處理兩種Delta，但業務程式不應把推理內容誤當成最終答案或JSON輸出。

Kimi K3支援哪些Agent功能？

Kimi K3 API支援自訂Function Calling、tool_choice、動態載入工具、結構化輸出及官方工具。

強制先呼叫工具

第一次請求可設定tool_choice=”required”，模型至少會選擇一個工具。工具執行完成後，程式必須把完整Assistant Message與對應的Tool Result一併放回對話，再呼叫模型取得最終答案。

動態載入工具

當Agent擁有數十或數百個工具時，把所有Schema放進每次請求會增加Token成本，也可能降低工具選擇準確度。

K3允許在對話中的System Message動態宣告工具。工具從該訊息的位置開始生效，後續請求則要保留這段訊息。這適合大型MCP環境或依任務逐步載入Skills的Agent。

結構化輸出

K3支援json_schema與strict: true。資料抽取、工作流狀態、任務規劃與API輸出可以限制成固定結構。程式應解析最終message.content，不要解析reasoning_content。

Partial Mode

Partial Mode可以先提供一段Assistant文字前綴，再讓模型從前綴後繼續生成。這適合固定格式、受控開頭或需要續寫特定結構的工作。

Kimi K3支援圖片與影片嗎？

Kimi K3具有原生視覺能力，可處理文字、圖片與影片。官方展示案例包括讀取程式執行畫面、依照Screenshot修正前端、建立3D遊戲、處理CAD，以及分析和剪輯影片。

圖片內容必須使用物件陣列格式，不能把整段內容序列化成字串。
公開圖片網址目前不屬於支援格式，需傳入Base64 Data URL，或先上傳檔案後使用ms://<file-id>。

影片要先透過Files API上傳，purpose設為video，再將檔案ID放入video_url。完成後應刪除不再使用的檔案，避免媒體庫持續累積。

Kimi K3的API價格是多少？

Moonshot AI公布的Kimi K3發布價格，以每100萬Token計算：

類型	價格
快取命中輸入	0.30美元
未命中快取輸入	3.00美元
輸出	15.00美元

官方表示，Coding工作負載的API快取命中率可超過90%，但這項數字來自Moonshot AI自身平台資料，實際結果會受到提示結構、工作階段設計與前綴是否穩定影響。

100萬Token上下文若全部屬於未命中快取輸入，單次輸入費用約3美元，尚未加入輸出費用。大量Agent工作流更需要控制輸出長度，因為K3的輸出單價明顯高於快取輸入。

Kimi API另有帳戶層級的RPM、TPM與並發限制。新帳戶需要先儲值才能開始使用，限制依累計儲值級別調整。

Kimi K3能接Hermes Agent或OpenClaw嗎？

Kimi API採用OpenAI相容介面，因此具備接入Hermes Agent、OpenClaw及其他OpenAI-compatible Agent框架的基礎條件。一般整合需要設定：

Provider：Moonshot AI或Kimi
Base URL：https://api.moonshot.ai/v1
API Key：MOONSHOT_API_KEY
Model：kimi-k3

目前官方Hermes Agent頁面仍以Kimi K2.6為範例，OpenClaw頁面仍以Kimi K2.5為範例。這代表文件與框架內建選項可能尚未同步K3。使用前應先從模型列表確認kimi-k3是否可見，再檢查框架是否會保留完整Assistant Message及K3的reasoning_effort欄位。

若框架只允許K2系列的thinking參數，直接替換模型名稱可能出現參數錯誤。較穩定的做法，是使用可自訂OpenAI-compatible Provider的設定，明確指定Kimi端點與模型參數。

Kimi K3適合哪些工作？

大型程式碼庫分析與重構。
長時間Coding Agent工作。
依照Screenshot反覆修正前端或遊戲。
多文件研究、資料分析及互動式報告。
影片理解、素材分類與剪輯規劃。
具有大量Skills或MCP工具的Agent。
需要100萬Token上下文的知識工作。

一般聊天、短文生成與簡單分類工作未必需要K3。K2.6等較小模型的輸出價格更低，延遲也可能較容易控制。模型選擇應以任務長度、工具需求、上下文規模及可接受成本決定。

官方Benchmark應該怎麼看？

Moonshot AI公布的測試顯示，Kimi K3在部分Coding、Agent、工具使用與視覺任務上達到前沿水準。官方也明確表示，K3的整體表現仍落後最強的封閉模型。

部分項目屬於Moonshot AI內部Benchmark。
不同模型可能使用Kimi Code、Claude Code或Codex等不同Agent Harness。
所有K3成績都使用max推理強度，成本與執行時間可能高於一般模式。

K3是否適合正式環境，仍應使用自己的程式碼、工具、文件與驗收標準測試。公開排行榜可以提供初步方向，無法取代實際工作流評估。

Kimi K3目前有哪些限制？

完整權重尚未公開，無法立即自行部署。
技術報告尚未發布，訓練資料與更多架構細節仍待確認。
reasoning_effort目前只提供max。
公開圖片URL不能直接作為視覺輸入。
官方Web Search仍在更新，近期不建議直接用於生產工作流。
Hermes Agent與OpenClaw官方教學仍以K2系列為主。
超大模型的本地部署門檻遠高於一般企業工作站。
官方Benchmark包含內部測試與不同Agent Harness，解讀時要保留比較條件。

這些限制不影響K3作為API模型使用，但會影響自架、成本控制及既有Agent框架的遷移方式。

發布48小時後：Kimi K3真的進入Frontier了嗎？

截至2026年7月18日，較準確的判斷是：Kimi K3已經進入開放模型的第一梯隊，並在前端生成等特定任務達到Frontier水準，但整體能力仍未穩定超越最強封閉模型。Moonshot AI官方也承認，K3與最強專有模型之間仍存在使用體驗差距。

這項判斷必須拆開不同測試。Frontend Code Arena、Artificial Analysis Intelligence Index與Coding Agent Index測量的是不同能力，不能把其中一個第一名直接解讀成所有程式工作都已超越Claude或GPT。

Frontend Code Arena第一名代表什麼？

Arena在K3發布當日公布的Frontend Code Arena結果中，Kimi K3以1679分排名第一，並在七個前端子領域中的六項取得最高分，只有Gaming落後Claude Fable 5。相較Kimi K2.6原本約第18名的位置，這是明顯跨代提升。

Frontend Code Arena主要反映使用者對網頁介面、視覺完成度、互動效果與前端程式輸出的偏好。它能證明K3在Screenshot理解、UI生成與視覺型程式任務上具備競爭力，卻無法直接回答大型後端重構、長期維護、測試覆蓋或複雜Repository除錯是否同樣領先。

獨立測評顯示：整體接近Frontier，但沒有全面奪冠

Artificial Analysis在發布後的初步測試中，給Kimi K3的Intelligence Index為57，整體約位於第三名附近，落後Claude Fable 5 max的60與GPT-5.6 Sol max的59，但領先Claude Opus 4.8等模型。Coding Agent Index同樣約為57，排名接近第五。

這組結果支持「幾乎Frontier」的說法。K3的通用推理、Coding Agent與前端能力已經足以進入封閉模型比較區間，但目前沒有證據顯示它在所有任務上都比Fable 5或GPT-5.6 Sol更強。

評測	Kimi K3表現	可以說明	不能直接推論
Frontend Code Arena	1679分、排名第一	UI、前端與視覺程式生成很強	所有軟體工程任務都第一
Intelligence Index	57、約第三名	通用能力接近頂級封閉模型	整體已超越Fable與Sol
Coding Agent Index	57、約第五名	Agentic Coding具備第一梯隊競爭力	在任何Harness都能維持相同排名

榜單很強，為什麼實測仍有人覺得慢？

Kimi K3發布初期預設使用max thinking effort。這會增加模型在複雜任務上的推理時間，也可能產生更多推理與輸出Token。部分開發者因此回報，K3雖然最後結果很好，但等待時間、Token消耗與API過載讓互動體感不如榜單直接。

延遲問題還受到發布初期流量影響。Day-1與Day-2的API容量、排隊與第三方路由Fallback都可能改變結果。這些回報具有參考價值，但目前樣本仍偏小，不能直接視為穩定的長期服務品質。

更重要的是Harness。Claude Code、Codex與Kimi Code會用不同的系統提示、工具格式、上下文管理和錯誤恢復策略。同一個模型若放進沒有調校過的Harness，表現可能接近較低一級模型。企業評估時應同時測試模型與執行框架，而不是只替換API名稱。

Kimi K3真的比較便宜嗎？

Kimi K3官方API定價為每100萬Token輸入3美元、輸出15美元，快取命中輸入為0.30美元。以公開價格比較，它對長前綴、重複Repository與Agent循環具有明顯成本優勢，部分獨立測試也顯示單項任務成本低於Claude Fable 5。

便宜不等於每個任務的最終成本都低。K3預設思考時間較長，若輸出大量推理Token、反覆重跑或因API不穩定中斷，有效成本可能上升。與K2系列相比，K3本身的單價也提高，因此它適合用在真正需要更強能力的工作，而非全面取代較小模型。

現在能稱為開源模型嗎？

截至2026年7月18日，Kimi K3已經在Kimi產品、Kimi Work、Kimi Code與API上線，但完整可下載權重仍預定於7月27日前發布。現階段可以確認的是Open Weights承諾，不能說權重已經公開，也不能假設現在就能在本地Fine-tune。

真正會改變評價的時間點是7月27日。屆時需要確認權重是否準時上線、授權條款、模型卡、量化版本、KDA推理框架支援，以及社群能否在多機環境重現官方表現。只要其中任何一項延遲，「第二個DeepSeek時刻」的敘事都需要重新調整。

Kimi Code CLI能取代Claude Code嗎？

Kimi Code CLI採MIT授權開源，產品定位明確對準Claude Code與Codex CLI。它提供終端工作流、程式碼修改與Agent執行入口，對希望避免被單一模型或單一供應商鎖定的開發者具有吸引力。

短期內，CLI是否免費並不是唯一標準。Claude Code與Codex已累積更完整的Harness、工具相容性、權限控制與失敗恢復經驗。Kimi Code的優勢是低門檻與模型原生整合；它能否取代既有工具，仍取決於大型Repository中的穩定性、Diff品質、測試執行與長任務翻車率。

Kimi K3是否迫使Anthropic把Fable留在Max？

2026年7月18日，Anthropic宣布Fable 5將自7月20日起正式納入Max與Team Premium方案，額度為各方案Limit的50%。這個時間點與Kimi K3、GPT-5.6 Sol及Codex競爭加劇重疊，因此社群普遍把兩件事連在一起。

目前只能確認時間上的關聯，不能證明直接因果。Anthropic官方理由仍是早期需求難以預測，容量到位後才能把Fable存取標準化。Kimi K3是否促使其加快決策，屬於合理市場推論，不是已被官方證實的事實。

對台灣開發者與本地部署者的實際意義

台灣個人開發者目前最實際的使用方式仍是Kimi API或Kimi Code。2.8兆參數即使量化，也不是單張RTX 5090或一般Mac Studio能完整承載的模型。7月27日權重公開後，本地社群更可能先從多機推理、遠端叢集、量化研究與蒸餾模型受益。

企業採用時可把K3放進Router，而非立即全面遷移。前端生成、Screenshot-to-Code與長上下文研究可以優先路由到K3；需要成熟工具鏈、低延遲或高穩定性的任務，則保留Claude Code、Codex或其他模型。模型可替換的工作流，會比押注單一排行榜冠軍更耐用。

接下來要觀察的五件事

7月27日完整權重是否準時發布，授權是否允許商業使用與衍生模型。
vLLM、SGLang與社群推理框架能否快速支援KDA、AttnRes與高度稀疏MoE。
Kimi Code在大型Repository與一週以上實戰中的失敗率。
API延遲、容量與低／高thinking effort模式何時穩定上線。
下一輪Claude、GPT或其他中國開放模型發布後，K3的價格與排名能否維持。

本輪更新來源

常見問題

Kimi K3已經開源了嗎？

Moonshot AI已將Kimi K3定位為開放模型，完整權重預定於2026年7月27日前發布。截至2026年7月17日，Kimi K3服務與API已上線，完整權重與技術報告仍待公開。

Kimi K3有多少參數？

Kimi K3共有2.8兆參數，採用Mixture of Experts架構。模型包含896個專家，每次推理啟動其中16個。總參數代表模型完整容量，不等同每個Token實際啟動的參數量。

Kimi K3支援多少上下文？

Kimi K3支援100萬Token上下文，可用於大型程式碼庫、長文件、多輪Agent紀錄、圖片及影片工作流。長上下文仍會增加延遲與成本，穩定前綴可利用自動快取降低重複輸入費用。

Kimi K3可以跑在RTX 5090嗎？

完整Kimi K3無法放入單張RTX 5090。以4-bit權重理論估算，模型權重約1.4TB，官方部署建議也以64張以上加速器的Supernode為基礎。一般桌機適合透過API使用，或等待社群後續是否推出更小的蒸餾版本。

Kimi K3和Kimi K2.6有什麼主要差異？

K3從K2.6的256K上下文提升到1M，總規模增至2.8兆參數，並導入KDA、Attention Residuals與更稀疏的MoE。API方面，K2.6使用thinking控制思考模式；K3固定啟用推理，改用reasoning_effort。

Kimi K3可以使用OpenAI SDK嗎？

可以。Kimi API相容OpenAI Chat Completions介面，開發者可以沿用OpenAI Python或Node.js SDK，只需替換API Key、Base URL與模型名稱。部分K3專屬欄位仍需確認所用SDK或框架是否完整傳遞。

收尾

Kimi K3目前最具辨識度的能力，是把2.8兆參數、100萬Token上下文、原生視覺及長時間Agent執行放進同一個模型。它適合處理大型程式碼庫、跨文件研究、工具鏈及持續數小時的工程工作，也把開放模型的規模推到新的硬體層級。

目前最實際的採用路線是官方API。完整權重、授權、推理框架與硬體部署方案仍待7月27日前後進一步確認。K3能否建立長期開放生態，將取決於權重發布後的可部署性、社群支援及第三方測試，而不只取決於2.8兆這個數字。