月之暗面（Moonshot AI）于 2026 年 7 月 16 日正式发布 Kimi K3，总参数规模达 2.8 万亿，是目前全球参数规模最大的开源模型，采用 KDA 混合线性注意力机制（Kimi Delta Attention）和注意力残差（Attention Residuals）架构，原生支持视觉理解，上下文窗口达 100 万 token。第三方评测机构 Artificial Analysis 的基准测试显示，K3 在 14 项测试中击败 GPT-5.6 Sol 11 项、全面击败 Opus 4.8，在 Frontend Code Arena 前端代码竞技场以 1679 分登顶全球第一，超越 Claude Fable 5；但在综合智能指数上，K3 得分 57，仍落后于 Fable 5 和 GPT-5.6 Sol。月之暗面官方也在发布博客中坦言，K3 整体表现仍落后于最强闭源系统，但已在多项前沿任务上展现出稳定超越其他模型的能力，完整模型权重将于 2026 年 7 月 27 日前开源发布。
Kimi K3 是什么：核心规格一览
Kimi K3 是月之暗面迄今能力最强的模型，面向长程编程、知识工作和复杂推理场景设计。核心规格如下：
| 属性 | 数值 |
|---|---|
| 总参数 | 2.8 万亿 |
| 上下文窗口 | 100 万 token |
| 架构 | KDA 混合线性注意力 + 注意力残差 |
| MoE 专家配置 | 896 个专家中激活 16 个 |
| 支持模态 | 原生图像+文本输入，输出仅文本 |
| 默认思考强度 | max（后续将增加 low、high 档位） |
据月之暗面官方介绍，K3 相比上一代 K2 的整体扩展效率提升约 2.5 倍，这意味着同样的算力投入能转化出更强的能力，而不只是单纯堆参数。
K3 和 Claude Fable 5、GPT-5.6 Sol 差距在哪
跑分数据是判断差距最直接的方式。据 Artificial Analysis 的独立评测：
| 对比维度 | Kimi K3 表现 |
|---|---|
| 14 项基准测试对 GPT-5.6 Sol | 击败 11 项 |
| 14 项基准测试对 Opus 4.8 | 全部击败 |
| 14 项基准测试对 Claude Fable 5 | 击败 6 项 |
| Artificial Analysis Intelligence Index | 57 分，超越 Opus 4.8，落后 Fable 5 和 GPT-5.6 Sol |
| Frontend Code Arena（WebDev Arena） | 1679 分，全球第一，超越 Fable 5 |
| Text Arena | 1486 分，排名第 9，优于 GPT-5.6 Sol（xhigh 档位） |
前端能力是 K3 目前最突出的成绩。在 WebDev Arena 这个由用户匿名投票产生的榜单上，K3 从上一代 K2.6 的第 18 名跃升到第 1 名，累计约 48 万次投票支持，在品牌营销、基于参考的设计、数据分析、消费产品、模拟、内容创作工具等 7 个细分领域中的 6 个位居第一，仅在游戏领域小幅落后 Fable 5。
综合智能层面仍有差距。K3 在 Artificial Analysis Intelligence Index 上得分 57，超过了 Opus 4.8，但仍落后于 Claude Fable 5 和 GPT-5.6 Sol——月之暗面官方在发布博客中也直接承认，K3 整体表现仍落后于这两款最强闭源模型，只是在特定前沿任务上展现出稳定的领先能力。
从 K2.6 到 K3：提升的不只是参数
K3 的进步不仅体现在跑分排名的跃升，更体现在效率指标上：
- token 效率接近翻倍：K3 的令牌效率约为 Opus 4.8 的 2 倍
- 输出更精简：完成同样的九项评估任务，K3 约用 132M 输出 token，K2.6 约用 166M，减少约 21%，同时分数更高
- 每任务成本可控：据 Artificial Analysis 统计，K3 每任务成本约 0.94 美元，与 GPT-5.6 Sol（1.04 美元）接近，约为 Opus 4.8（1.80 美元）的一半；但相比开源同行 GLM-5.2（0.32 美元）和 DeepSeek V4 Pro（0.04 美元），K3 定价明显更高
需要注意的是，月之暗面此次对 K3 的定价策略与上一代有明显区别：按国际站美元计价口径，K3 输出 token 单价为每百万 15 美元，而 K2.6 仅为每百万 4 美元，涨幅接近 3 倍，反映出更强能力伴随更高的调用成本（国内 Kimi 开放平台另有独立的人民币定价体系，详见下文"怎么用上 Kimi K3"）。
三个案例，看 K3 能干到什么程度
月之暗面在发布博客中展示的几个案例，比跑分数字更能说明 K3 的实际能力边界：
- GPU 编译器开发：K3 从零构建了一款名为 MiniTriton 的类 Triton 编译器，包含完整的 tile 级中间表示层、优化 pass 和 PTX 代码生成流水线，在部分工作负载的 Roofline 基准测试上性能达到或超越 Triton 和 torch.compile。
- 芯片自主设计概念验证：在连续 48 小时的自主 Agent 运行中，K3 基于开源 EDA 工具独立完成了一款面积 4 mm² 芯片的构建、优化与验证，集成 146 万个标准单元，仿真解码吞吐持续超过每秒 8700 个 token。
- 科研编程复现：K3 用约两小时完成了通常需要资深研究人员一到两周才能完成的工作——阅读交叉验证 20 多篇论文，评估 300 多种状态方程，生成 3000 多行 Python 代码并产出交互式分析仪表盘。
这些案例共同指向一个方向：K3 的核心竞争力不只是"回答问题更准"，而是能在极少人工监督下，独立完成横跨多个专业领域、持续数十小时的长程任务。
怎么用上 Kimi K3
K3 目前已通过多个渠道开放使用：
- 移动端：在应用商店搜索下载或升级至最新版 Kimi App，支持 iOS、Android、鸿蒙系统，也可直接访问 kimi.com
- 桌面办公：下载最新版 Kimi Work 桌面客户端（3.1.0 及以上版本），支持 Windows 和 Apple 芯片 Mac
- 编程场景：在 Kimi Code 中通过
/model命令切换至 K3 模型 - API 接入：访问 Kimi 开放平台，模型调用名称为
kimi-k3，国内平台按人民币计价，每百万 token 输入 2 元（命中缓存）/20 元（未命中缓存），输出 100 元；借助 Mooncake 分离式推理架构，官方编程场景缓存命中率超过 90%，实际输入成本可降至标准价的四分之一（注：前文"每任务成本"对比数据来自 Artificial Analysis 按国际站美元计价口径统计，与国内人民币定价分属两套体系，不可直接换算比较）
需要提醒的是，K3 在后训练阶段全程使用了"思考历史保留模式"，如果所用的 Agent 框架没有按要求回传完整的历史思考内容，或从其他模型会话中途切换到 K3，可能引发上下文干扰，导致输出质量不稳定，建议优先使用经过兼容性验证的框架，并避免会话中途切换模型。
常见问题
Q：Kimi K3 是开源模型吗？
是。K3 是目前全球参数规模最大的开源模型，达 2.8 万亿参数，完整模型权重计划于 2026 年 7 月 27 日前发布，此前已在过去 12 个月中的 9 个月保持开源模型规模上限。
Q：Kimi K3 前端能力真的超过 Claude 了吗？
在 WebDev Arena（Frontend Code Arena）这一由用户匿名投票产生的榜单上，K3 以 1679 分排名第一，确实超过了 Claude Fable 5；但这只反映前端代码生成这一细分能力，综合智能指数上 K3 仍落后于 Fable 5。
Q：Kimi K3 和 K2.6 相比提升有多大？
K3 在 WebDev Arena 上从第 18 名跃升到第 1 名，token 效率相比 K2.6 提升约 21%（用更少输出获得更高分数），整体扩展效率提升约 2.5 倍，是一次跨度较大的迭代。
Q：企业接入 Kimi K3 API 需要注意什么？
需要注意输出 token 定价相比上一代 K2.6 上涨明显（15 美元/百万对比 4 美元/百万），建议结合具体任务的复杂度评估是否需要迁移；同时官方提示会话中途切换模型可能导致上下文干扰，建议保持会话内模型一致性。
Q：Kimi K3 适合哪些场景？
根据官方案例，K3 尤其适合长程编程任务（大型代码库理解、终端工具协调）、结合视觉反馈的前端与 CAD 开发、以及需要跨专业领域检索验证的科研编程场景。
Kimi K3 的发布再次缩小了国内开源模型与海外顶尖闭源模型之间的差距——据 Artificial Analysis 的独立评测和月之暗面官方数据，K3 已在前端代码生成等细分场景做到全球领先，但在综合智能指数上仍落后于 Claude Fable 5 和 GPT-5.6 Sol。本文内容基于 2026 年 7 月 16-17 日的官方发布信息和第三方评测数据整理，模型权重完整开源和后续技术报告发布后，相关能力评估可能进一步更新，建议读者关注月之暗面官方渠道获取最新信息。
延伸阅读：七牛云 AI 大模型广场——多模型统一接入与对比测试平台。
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
