目录
一句话摘要：Kimi K3 以 2.8 万亿参数登顶全球开源模型，编程榜首次超越闭源旗舰；本文讲清它强在哪、贵不贵、在哪用。
数据截至 2026 年 8 月 12 日
本文数据综合自新华社、Artificial Analysis、LMArena、Moonshot 官方发布材料及多家第三方评测，发布前建议再核对最新榜单。
一、引言：开源模型第一次摸到了"天花板"
2026 年 7 月 16 日，就在上海世界人工智能大会（WAIC）开幕前一天，月之暗面（Moonshot AI）扔出了一颗重磅炸弹——Kimi K3。
它的头衔很唬人，但都是事实：
- 总参数 2.8 万亿，是目前全球参数规模最大的开源模型，远超 DeepSeek V4 Pro（1.6 万亿）和智谱 GLM-5 系列（7440 亿）；
- 全球首个 3 万亿参数级别的开源模型；
- 开源模型历史上第一次在主流排行榜上正面超越闭源旗舰——在前端编程盲测榜 Frontend Code Arena 上，Kimi K3 以 1679 分登顶，压过 Anthropic 的 Claude Fable 5 和 OpenAI 的 GPT-5.6 Sol。
用新华社的话说，这"标志着我国人工智能模型发展迈出新的一步"。而对普通用户来说，更实际的问题是：它强在哪？跟我有什么关系？去哪能用上？这篇文章一次讲清楚。
二、Kimi K3 是什么？
2.1 基本档案
| 项目 | 参数 |
|---|---|
| 开发方 | 月之暗面（Moonshot AI，2023 年由清华系创业者杨植麟创立，阿里、腾讯均为投资方） |
| 发布时间 | 2026 年 7 月 16 日发布，7 月 27 日开源完整权重 |
| 架构 | MoE 混合专家模型，93 层，共 896 个专家，每个 token 仅激活其中 16 个 |
| 总参数 / 激活参数 | 2.8 万亿 / 约百亿级（稀疏激活，推理成本远低于体量给人的想象） |
| 上下文窗口 | 100 万 token（1,048,576），一口价不分档 |
| 模态 | 原生支持文本 + 图像理解（MoonViT-V2 视觉编码器），部分渠道已支持视频输入 |
| 开源协议 | 自定义 Kimi K3 License（类 MIT，附收入分级条款） |
2.2 两项核心技术创新
Kimi K3 的看点不只是"大"，更在于它处理信息的方式：
1. KDA 混合线性注意力（Kimi Delta Attention）
传统 Transformer 的全注意力机制处理长文本时，计算量随文本长度接近平方级增长——内容增加 1 倍，计算量增至约 4 倍。这是超长文本难落地的根本原因。K3 在 93 层中的 69 层使用了自研的 KDA 线性注意力模块，把计算量压到接近线性增长。结果是：KV 缓存减少约 75%，百万 token 解码吞吐提升约 6.3 倍。简单说，同样算力下它能"读"得更长、想得更深。
2. 注意力残差（Attention Residuals / AttnRes）
模型越大、层数越多，信息在层间传递越容易衰减失真，训练越容易崩。注意力残差技术让模型跨深度有选择地检索表示，而不是机械地逐层累加——相当于给 2.8 万亿参数的巨型模型装了一套"稳定器"。官方称，两项技术叠加让 K3 相比 K2 实现了约 2.5 倍的训练扩展效率提升。
2.3 开源策略：人人可下载，但大厂要"报备"
7 月 27 日，K3 完整权重和技术报告登陆 Hugging Face 与 GitHub。许可证整体接近 MIT：任何人都可以免费使用、修改、分发、微调。只有两条收入相关限制：
- 以"模型即服务"方式大规模转售 K3 推理的云厂商，连续 12 个月收入超 20 万美元后需与 Moonshot 单独签约；
- 月活超 1 亿或月收入超 200 万美元的商业产品，需在界面显著标注"Kimi K3"。
对绝大多数开发者和中小企业来说，这就是"免费可商用"。
三、硬碰硬：各大排行榜上的真实位置
跑分要分开看：一类是第三方机构独立复测（可信度高），一类是厂商自报（参考即可）。先看最有含金量的两个综合榜单。
3.1 Artificial Analysis 智能指数（客观跑分，2026 年 8 月上旬数据）
| 排名 | 模型 | 综合智能分 | 属性 |
|---|---|---|---|
| 1 | Claude Opus 5 (max) | 63 | 闭源 |
| 3 | Claude Fable 5 | 62 | 闭源 |
| 5 | GPT-5.6 Sol (max) | 61 | 闭源 |
| 6 | Kimi K3 (max) | 60 | 开源 |
| 7 | GPT-5.6 Sol (xhigh) | 59 | 闭源 |
| 9 | Qwen3.8 Max | 58 | 闭源 |
Kimi K3 是全榜排名最高的开源模型，也是国产模型第一。 它与前五名闭源旗舰的差距只有 1–3 分，属于"同档前沿"，而不是代差。
3.2 LMArena（真人盲测投票，2026 年 8 月）
| 模型 | 文本榜 Elo | 备注 |
|---|---|---|
| Claude Fable 5 | 1525 | 文本 #1 |
| Claude Opus 5 | 1522 | 新旗舰 |
| GPT-5.6 Sol | 1514 | OpenAI 旗舰 |
| Kimi K3 | ≈1500 | 与闭源第一梯队持平；编程分榜 #1 |
| GLM-5.2 | 1483 | 开源 |
| DeepSeek V4 Pro | 1462 | 开源 |
最值得大书特书的是编程分榜：Kimi K3 在 Frontend Code Arena 以 1679 Elo 拿下第一（Claude Fable 5 为 1631，GPT-5.6 Sol 为 1618），在 7 个子领域中拿下 6 个第一。这是开源模型首次在 Arena 系列榜单上登顶——上一代 K2.6 还在第 18 名，一代提升了 17 个位次。
3.3 专项能力对比（Moonshot 官方数据 + 第三方整理）
| 评测项 | Kimi K3 | Claude Fable 5 | GPT-5.6 Sol | Claude Opus 4.8 |
|---|---|---|---|---|
| SWE Marathon（超长时序开发） | 42（第1） | 35 | 39 | 40 |
| Program Bench（软件逆向） | 77.8（第1） | 76.8 | 77.6 | 71.9 |
| Terminal-Bench 2.1（终端运维） | 88.3 | 84.6 | 88.8 | 84.6 |
| FrontierSWE（高难度软工） | 81.2 | 86.6 | 71.3 | 66.7 |
| BrowseComp（网页深度调研） | 91.2（SOTA） | 88.0 | 90.4 | 84.3 |
| Automation Bench（办公自动化） | 30.8（第1） | 29.1 | 29.7 | 27.2 |
| SpreadsheetBench 2（Excel 建模） | 第1 | — | — | — |
| GPQA-Diamond（科学推理） | 93.5 | 92.6 | 94.1 | 91.0 |
| MMMU-Pro（视觉推理） | 81.6 | 81.2 | 83.0 | 78.9 |
| OmniDocBench（文档理解） | 91.1（第1） | 89.8 | 85.8 | 87.9 |
（注：部分项目各家用不同 agent 框架测试，横向对比仅供参考。）
一句话总结 K3 的能力画像：
- ✅ 长程编程和前端开发：目前开源界无对手，多项第一；
- ✅ 深度调研与办公自动化：BrowseComp 创下新纪录；
- ✅ 超长文档理解：100 万 token 上下文 + 文档理解第一，适合整仓代码、大部头资料分析；
- ⚠️ 综合体验：官方自己也承认，在交互细节、任务完成度的"体感"上仍略逊 Claude Fable 5 和 GPT-5.6 Sol；第三方实测输出速度约 36–55 token/s，不算快，且思考模式下 token 消耗偏多。
3.4 性价比：便宜是相对的
| 模型 | 输入（$/百万 token） | 输出（$/百万 token） | 缓存命中输入 |
|---|---|---|---|
| Kimi K3 | 3.0 | 15.0 | 0.30 |
| Claude Fable 5 | 10.0 | 50.0 | — |
| Claude Opus 4.8 | 5.0 | 25.0 | — |
| GPT-5.6 Sol | 5.0 | 30.0 | — |
| Kimi K2.6 | 0.95 | 4.0 | 0.16 |
国内官方定价为输入 ¥20/百万 token、输出 ¥100/百万 token、缓存命中 ¥2/百万 token。
K3 的价格约为 Claude Fable 5 的 1/3，但比自家 K2.6 贵了 4–5 倍。关键省钱技巧是缓存：编程场景下官方称缓存命中率可超 90%，命中部分输入价打一折，OpenRouter 实测有效输入成本约 $0.55/百万 token。第三方测算，同样一轮 agent 编码任务（10 万输入 + 2 万输出），K3 约 $0.60，Fable 5 约 $2.00。
四、在哪里可以用上 Kimi K3？
这是大家最关心的部分，也是我最近一直在找的，记录在这里分享给大家，按门槛从低到高排列：
4.1 WorkBuddy（最省心的方式之一）
https://www.workbuddy.cn/ （WorkBuddy 邀请链接）
为什么不是首推 Kimi 官网呢？因为现在压根就不开放，不知道什么时候开放订阅，等了有 2 周了我。除非你是 Kimi 的老会员，可以直接跳过哈哈。
WorkBuddy 已经内置接入 Kimi K3——你现在正在阅读的这段对话，背后跑的就是 Kimi K3。对于不想折腾 API key、不想研究参数的普通用户和办公场景，打开 WorkBuddy 直接用即可：写文档、做表格、读 PDF、跑代码、生成网页，K3 的长上下文和 Agent 能力在 WorkBuddy 里是开箱即用的状态。这也是国内用户零门槛体验 K3 完整能力的最短路径之一。
4.2 Kimi 官方产品矩阵
- Kimi 网页版 / App（kimi.com / kimi.moonshot.cn）：注册即可对话，免费额度有上下文和频率限制，会员解锁完整 1M 上下文；
- Kimi Work：桌面端知识工作环境（Windows / Apple 芯片 Mac，3.1.0 版本起）；
- Kimi Code：终端编程 Agent，
npm i @moonshot-ai/kimi-code安装，用/model切换到 K3。
4.3 官方 API（开发者）
- 平台：platform.moonshot.cn（国内）/ platform.kimi.ai（国际）；
- 完全兼容 OpenAI SDK，模型 ID 为
kimi-k3，把base_url指向https://api.moonshot.ai/v1即可迁移现有代码。
from openai import OpenAI
client = OpenAI(
api_key="你的 API Key",
base_url="https://api.moonshot.ai/v1"
)
resp = client.chat.completions.create(
model="kimi-k3",
messages=[{"role": "user", "content": "帮我分析这段代码"}]
)4.4 第三方平台
- OpenRouter：模型 ID
moonshotai/kimi-k3，官方同价无加价； - 硅基流动 SiliconFlow：国内访问友好；
- Cloudflare Workers AI、Groq：也已上架；
- 自部署：Hugging Face / GitHub 下载权重，支持 vLLM / SGLang，MXFP4/NVFP4 量化——但生产级部署需要 64 卡以上的超节点，普通人看看就好。
4.5 一个小提醒
K3 发布后因需求火爆，Kimi 官方会员一度暂停新购（7 月 20 日起优先保障存量用户）。如果遇到官方渠道拥挤，WorkBuddy、OpenRouter、硅基流动等都是可靠的替代入口。
五、写在最后
Kimi K3 的意义，可能要到几年后才能完全看清：
- 它证明了开源可以追平闭源。 2.8 万亿参数、Arena 编程榜第一、智能指数开源第一——"开源 = 二流"的时代结束了；
- 它证明了中国团队能做底层架构创新。 KDA 线性注意力和注意力残差不是工程堆料，而是针对"超长文本算得省、超大模型训得稳"这两个世界级难题给出的原创解法；
- 它把前沿能力的价格打了下来。 三分之一的 Claude 价格、人人可下载的权重，会让更多产品和研究站在 K3 的肩膀上长出来。
当然也要清醒：综合体验上它仍落后于最强的两三个闭源模型，推理速度不快，思考模式烧 token 也狠。它不是万能钥匙，但如果你面对的是长文档、整仓代码、深度调研、前端开发这类硬骨头任务，Kimi K3 就是目前开源世界能给你的最强答案——而且现在打开 WorkBuddy 就能用上。
参考资料
- 新华社：《新突破 中国企业发布全球最大规模的开源模型 Kimi K3》，2026-07-17
- Artificial Analysis Intelligence Index，2026-08 数据
- LMArena 排行榜，2026-08 快照
- Moonshot AI 官方发布材料及 Kimi K3 技术报告，2026-07
- PureAI / Neowin / SiliconFlow / dev.to 等第三方评测，2026-07~08
免责声明：文中跑分含厂商自报数据，不同测试框架下结果不完全可比；价格和可用渠道以各平台实时页面为准。
