Kimi K3 Open Day: 2,8 billones de parámetros, ahora disponible con pesos abiertos
El 27 de julio de 2026, Moonshot AI celebró el Kimi K3 Open Day y anunció tres lanzamientos conectados: las ponderaciones del modelo Kimi K3, el anuncio técnico oficial y tres tecnologías de infraestructura: MoonEP, FlashKDA y AgentEnv. El evento posicionó Kimi K3 no solo como un nuevo modelo a gran escala, sino también como un lanzamiento que abarca el acceso al modelo, la arquitectura y la infraestructura de despliegue.
La especificación principal es clara: Kimi K3 es un modelo de pesos abiertos con 2,8 billones de parámetros construido sobre una arquitectura de Mixture of Experts (MoE). Moonshot AI dio a conocer detalles técnicos importantes, incluidos 896 expertos, 16 expertos activados por token, una ventana de contexto de 1M de tokens, KDA + AttnRes en una proporción de 3:1, MoonViT-V2 y una mejora de la eficiencia de escalado de 2,5 veces informada.
El término pesos abiertos importa. «Pesos abiertos» significa que los pesos del modelo entrenado se ponen a disposición bajo términos definidos. No implica automáticamente que el modelo sea completamente de código abierto, lo cual suele conllevar un acceso más amplio al código fuente, los datos de entrenamiento, las herramientas y las canalizaciones de reproducción. Aun así, el acceso con pesos abiertos puede cambiar la forma en que los desarrolladores y las organizaciones despliegan, inspeccionan y construyen en torno a un modelo de IA importante.
Moonshot AI resumió el valor de este enfoque diciendo que «los modelos de pesos abiertos... reducen la barrera para acceder a la inteligencia, impulsan la innovación y otorgan a los usuarios un mayor control sobre los datos, la privacidad y la propiedad».
El evento Open Day: tres lanzamientos principales
El Kimi K3 Open Day se centró en tres categorías de lanzamiento.
En primer lugar, Moonshot AI lanzó las ponderaciones del modelo Kimi K3. Esta es la comunicación principal sobre pesos abiertos. Para quienes desarrollan, el acceso a las ponderaciones puede permitir un despliegue más flexible que una API solo alojada, especialmente cuando los equipos necesitan control sobre la infraestructura, la latencia, la privacidad o la residencia de los datos.
En segundo lugar, Moonshot AI publicó el informe técnico de Kimi K3. Esto importa porque los anuncios de modelos de gran escala no pueden evaluarse únicamente por el recuento de parámetros. La arquitectura, la estrategia de enrutamiento, el diseño de contexto largo, la capacidad multimodal y las afirmaciones de eficiencia determinan si el modelo es útil en la práctica.
En tercer lugar, Moonshot AI lanzó MoonEP, FlashKDA y AgentEnv. Estas tecnologías de infraestructura se orientan a la comunicación entre expertos, el rendimiento de la atención y la ejecución de agentes. Su inclusión muestra que el Kimi K3 Open Day no fue solo un lanzamiento de modelo; también fue un lanzamiento de infraestructura para usar de manera más eficaz modelos de pesos abiertos muy grandes.
El modelo: especificaciones clave
Kimi K3 es un modelo MoE de 2,8 billones de parámetros. En una arquitectura Mixture of Experts, solo se activa una parte del modelo para cada token. Un enrutador selecciona un subconjunto de expertos, lo que permite que el sistema combine una capacidad total muy grande con un cómputo activo menor que el de un modelo denso del mismo tamaño.
Según Moonshot AI, Kimi K3 tiene 896 expertos, con 16 expertos activados por token. Este diseño es clave para el perfil de eficiencia del modelo. Le permite mantener una capacidad global masiva mientras usa activación selectiva durante la inferencia.
| Especificación | Detalles oficiales de Kimi K3 |
|---|---|
| Parámetros totales | 2,8 billones |
| Arquitectura | Mixture of Experts (MoE) |
| Asignación experta | 896 expertos / 16 activados por token |
| Ventana de contexto | 3 tokens |
| Diseño de la atención | KDA + AttnRes en una proporción de 3:1 |
| Arquitectura de visión | MoonViT-V2 |
| Eficiencia de escalado | Mejora de 2,5x |
La ventana de contexto de 1M tokens es una de las especificaciones más prácticas. Un contexto largo puede admitir análisis de documentos completos, revisión de grandes bases de código, razonamiento entre varios archivos, flujos de trabajo de documentos legales o financieros y tareas de agentes más largas sin obligar a que cada entrada se divida en fragmentos pequeños.
Kimi K3 también utiliza KDA + AttnRes en una proporción de 3:1, un diseño híbrido de atención vinculado a su estrategia de contexto largo. El modelo incluye MoonViT-V2 como arquitectura de visión, lo que indica capacidad multimodal nativa en lugar de un sistema puramente de texto. Moonshot AI también informó una mejora de la eficiencia de escalado de 2,5x, lo que sugiere que Kimi K3 se diseñó no solo para escalar, sino también para mejorar la economía práctica de entrenamiento e inferencia.
La publicación de Infraestructura: MoonEP, FlashKDA y AgentEnv.
Los modelos de código abierto aún necesitan sistemas sólidos a su alrededor. Los grandes modelos MoE dependen de una comunicación eficiente, kernels de atención rápida y entornos de ejecución seguros. El lanzamiento de infraestructura de Moonshot AI aborda estas necesidades directamente.
MoonEP: Comunicación de expertos MoE
MoonEP es una biblioteca de comunicación para la paralelización de expertos MoE. En los sistemas MoE, los tokens se enrutan a diferentes expertos, y esos expertos pueden distribuirse entre múltiples dispositivos. Esto crea desafíos de comunicación que pueden limitar el rendimiento y aumentar la latencia.
Para Kimi K3, con 896 expertos y 16 activados por token, el enrutamiento de expertos es un gran problema de sistemas. MoonEP está diseñado para mejorar la comunicación distribuida entre expertos y reducir los cuellos de botella en despliegues a gran escala de MoE.
FlashKDA: Atención de contexto largo más rápida
FlashKDA es un kernel de atención optimizado para KDA. Su papel es especialmente importante para cargas de trabajo de contexto largo, donde el cálculo de prefill puede resultar costoso. Moonshot AI informó que FlashKDA ofrece un aceleración de 1,72x a 2,22x en el rendimiento de prefill en GPUs Nvidia H20, en comparación con los baselines de flash-linear-attention.
Esto es importante porque una ventana de contexto de 1M tokens solo es útil si puede servirse de forma eficiente. Los kernels de atención más rápidos pueden hacer que el análisis de documentos largos, la revisión de código, los flujos de trabajo de investigación y el razonamiento de varios pasos sean más prácticos en producción.
AgentEnv：用于 AI 智能体的沙盒
AgentEnv 是一个与 KVCache.ai 联合开发的智能体沙盒系统。它为需要执行步骤、测试操作、分叉状态、恢复先前状态或运行并行分支的智能体提供一个隔离的沙盒环境。
智能体工作流往往不止涉及文本生成。它们可能会使用文件、工具、代码执行以及多步决策。沙盒有助于在支持实验的同时，将智能体行为与外部系统分离。AgentEnv 的快照、恢复和分叉功能在智能体需要在产出最终结果之前探索多条路径时尤其有用。
为何“开权重”至关重要
“开权重”的访问方式改变了模型提供方与构建者之间的关系。封闭托管的 API 可能很强大，但基础设施、托管、数据流动以及运维限制仍由提供方掌控。开权重模型则让具备资质的团队拥有更多空间来部署、改造、优化，并将模型集成到他们自己的系统中。
对企业而言，最大的优势是 部署与数据控制。敏感文档、内部代码、法律记录、客户信息以及金融资料可能需要私有化基础设施。开权重访问可以支持本地或私有云部署，使 数据治理、隐私和所有权成为核心要求。
对开发者而言，开权重访问使 更深度的技术集成 成为可能。团队可以优化推理栈、测试适配方法，并围绕模型的优势构建工作流。Kimi K3 的 MoE 规模、1M-token 上下文能力、MoonViT-V2 的视觉能力，以及基础设施的发布，为专业化应用打下了基础。
与开源之间的区别仍然至关重要。开权重并不会自动提供训练数据、源代码流水线或完整的复现配方。然而，它仍然可以降低那些需要模型访问、私有部署或对性能与隐私拥有更多控制权的团队的实际门槛。
结论：模型与基础设施的发布
Kimi K3 Open Day 最好理解为在三个层面上的协调式发布：模型访问、技术披露和部署基础设施。2.8 万亿参数的 MoE 模型是公告的核心，但技术报告与基础设施工具对于理解其更广泛的意义同样至关重要。
官方规格分量很足：2.8T 总参数、896 位专家且每个 token 激活 16 位、1M-token 上下文窗口、KDA + AttnRes 按 3:1 比例、MoonViT-V2，以及据称 2.5x 的缩放效率提升。MoonEP、FlashKDA 和 AgentEnv 表明，Moonshot AI 也在着力解决让大规模开权重模型能够高效运行所需的系统能力。
Kimi K3 并未被描述为完全开源；它是开权重。即便如此，通过发布权重、技术细节以及配套的基础设施，Moonshot AI 仍让 Kimi K3 成为大规模开权重 AI 开发领域的一件重要事件。
常见问题（FAQ）
Q：Kimi K3 是什么？
A：Kimi K3 是来自 Moonshot AI 的一个 2.8 万亿参数开权重专家混合（Mixture of Experts）AI 模型，于 2026 年 7 月 27 日在 Kimi K3 Open Day 公布。
Q：开权重是什么意思？
A：开权重指的是，训练好的模型权重可在明确定义的许可条款下获取。它不同于开源：开源通常意味着对源代码、数据以及复现流水线拥有更广泛的访问。
Q：Kimi K3 发布了哪些基础设施技术？
A：Moonshot AI 发布了 MoonEP、FlashKDA 和 AgentEnv。MoonEP 支持 MoE 通信，FlashKDA 加速 KDA 的注意力计算，而 AgentEnv 则为 AI 智能体提供了一个沙盒系统。
Q：Kimi K3 最重要的规格有哪些？
A: Kimi K3 tiene 2,8 T de parámetros totales, 896 expertos con 16 activados por token, una ventana de contexto de 1M tokens, KDA + AttnRes en una proporción de 3:1, MoonViT-V2 y una mejora de la eficiencia de escalado de 2,5 veces.
