งานเปิดตัว Kimi K3 Open Day: พารามิเตอร์ 2.8 ล้านล้านตัว และตอนนี้เปิดน้ำหนักแล้ว

เมื่อวันที่ 27 กรกฎาคม 2026 Moonshot AI จัดงาน Kimi K3 Open Day และประกาศการเปิดตัวแบบเชื่อมโยงกัน 3 รายการ ได้แก่ น้ำหนักโมเดล Kimi K3 ประกาศทางเทคนิคอย่างเป็นทางการ และเทคโนโลยีโครงสร้างพื้นฐาน 3 ด้าน ได้แก่ MoonEP, FlashKDA และ AgentEnv โดยงานนี้ได้วางตำแหน่ง Kimi K3 ไม่เพียงเป็นโมเดลขนาดใหญ่มากใหม่เท่านั้น แต่ยังเป็นการเปิดตัวที่ครอบคลุมการเข้าถึงโมเดล สถาปัตยกรรม และโครงสร้างพื้นฐานด้านการนำไปใช้งานด้วย

ประเด็นสเปกหัวข้อชัดเจนว่า Kimi K3 เป็นโมเดลแบบน้ำหนักเปิด (open-weight) ขนาด 2.8 ล้านล้านพารามิเตอร์ ที่สร้างขึ้นจากสถาปัตยกรรม Mixture of Experts (MoE) Moonshot AI เปิดเผยรายละเอียดทางเทคนิคที่สำคัญ รวมถึง 896 ผู้เชี่ยวชาญ, เปิดใช้งานผู้เชี่ยวชาญ 16 คนต่อหนึ่งโทเค็น, หน้าต่างบริบท 1M โทเค็น, KDA + AttnRes ในอัตราส่วน 3:1, MoonViT-V2 และรายงานว่า ประสิทธิภาพการสเกลเพิ่มขึ้น 2.5 เท่า

คำว่า open-weight สำคัญ หมายความว่าเปิดเผยน้ำหนักโมเดลที่ผ่านการฝึกภายใต้เงื่อนไขที่กำหนดไว้ ไม่ได้หมายความว่าโมเดลจะเป็นโอเพนซอร์สทั้งหมดโดยอัตโนมัติ ซึ่งโดยปกติจะหมายถึงการเข้าถึงที่กว้างขึ้นในระดับซอร์สโค้ด ข้อมูลการฝึก เครื่องมือ และไปป์ไลน์การทำซ้ำ อย่างไรก็ตาม การเข้าถึงแบบ open-weight สามารถเปลี่ยนวิธีที่นักพัฒนาและองค์กรนำโมเดล AI ขนาดใหญ่มาใช้งาน ตรวจสอบ และสร้างระบบต่อยอดได้

Moonshot AI สรุปคุณค่าของแนวทางนี้โดยกล่าวว่า “โมเดลแบบ open-weight... ลดอุปสรรคในการเข้าถึงความสามารถทางปัญญา กระตุ้นนวัตกรรม และมอบการควบคุมที่มากขึ้นให้ผู้ใช้เหนือข้อมูล ความเป็นส่วนตัว และความเป็นเจ้าของ”

อีเวนต์ Open Day: การเปิดตัวหลัก 3 หมวดหมู่

Kimi K3 Open Day มุ่งเน้นการเปิดตัว 3 หมวดหมู่

ประการแรก Moonshot AI ได้ปล่อย น้ำหนักโมเดล Kimi K3 นี่คือการประกาศแบบ open-weight แกนหลัก สำหรับผู้สร้าง การเข้าถึงน้ำหนักสามารถทำให้มีการนำไปใช้งานได้ยืดหยุ่นกว่าการใช้ API แบบให้บริการเพียงอย่างเดียว โดยเฉพาะเมื่อทีมต้องการควบคุมโครงสร้างพื้นฐาน ความหน่วง ความเป็นส่วนตัว หรือการจัดเก็บข้อมูลตามถิ่นที่อยู่

ประการที่สอง Moonshot AI ได้เผยแพร่รายงานทางเทคนิคของ Kimi K3 เรื่องนี้มีความสำคัญ เพราะการประกาศโมเดลขนาดใหญ่ไม่สามารถประเมินได้จากจำนวนพารามิเตอร์เพียงอย่างเดียว สถาปัตยกรรม กลยุทธ์การกำหนดเส้นทาง การออกแบบบริบทยาว ความสามารถด้านมัลติโหมด และข้อกล่าวอ้างด้านประสิทธิภาพ จะเป็นตัวกำหนดว่าโมเดลจะมีประโยชน์ในทางปฏิบัติหรือไม่

ประการที่สาม Moonshot AI ได้ปล่อย MoonEP, FlashKDA และ AgentEnv เทคโนโลยีโครงสร้างพื้นฐานเหล่านี้มุ่งเป้าไปที่การสื่อสารของผู้เชี่ยวชาญ ประสิทธิภาพของความสนใจ (attention) และการทำงานของเอเจนต์ การรวมเอาไว้แสดงว่า Kimi K3 Open Day ไม่ใช่แค่การเปิดตัวโมเดล แต่ยังเป็นการเปิดตัวโครงสร้างพื้นฐานเพื่อใช้โมเดลแบบ open-weight ขนาดใหญ่มากได้อย่างมีประสิทธิภาพยิ่งขึ้น

โมเดล: สเปกหลัก

Kimi K3 เป็น โมเดล MoE 2.8 ล้านล้านพารามิเตอร์ ในสถาปัตยกรรมแบบ Mixture of Experts จะมีเพียงส่วนหนึ่งของโมเดลที่ถูกเปิดใช้งานสำหรับแต่ละโทเค็น ตัวกำหนดเส้นทาง (router) จะเลือกชุดย่อยของผู้เชี่ยวชาญ ทำให้ระบบสามารถรวมความสามารถรวมที่ใหญ่มากเข้ากับการคำนวณที่เปิดใช้งานจริงน้อยกว่าสำหรับโมเดลแบบหนาแน่น (dense) ที่มีขนาดใกล้เคียงกัน

ตามที่ Moonshot AI ระบุ Kimi K3 มี ผู้เชี่ยวชาญ 896 คน โดย เปิดใช้งานผู้เชี่ยวชาญ 16 คนต่อหนึ่งโทเค็น การออกแบบนี้เป็นหัวใจของโปรไฟล์ด้านประสิทธิภาพของโมเดล ช่วยให้โมเดลสามารถคงความจุโดยรวมขนาดมหาศาลไว้ได้ ขณะเดียวกันก็ใช้การเปิดใช้งานแบบเลือกสรรระหว่างการอนุมาน

“หน้าต่างบริบท 1M-token” ที่ ยาวมาก ถือเป็นหนึ่งในสเปกที่ใช้งานได้จริงที่สุด ความยาวของบริบทช่วยรองรับการวิเคราะห์ทั้งเอกสาร การตรวจสอบโค้ดเบสขนาดใหญ่ การให้เหตุผลแบบหลายไฟล์ เวิร์กโฟลว์เอกสารด้านกฎหมายหรือการเงิน และงานของเอเจนต์ที่ยาวขึ้น โดยไม่จำเป็นต้องบังคับให้องอินพุตทุกอย่างไปอยู่ในชิ้นเล็กๆ

Kimi K3 ยังใช้ KDA + AttnRes ในอัตราส่วน 3:1 ซึ่งเป็นการออกแบบความสนใจแบบผสมผสานที่เชื่อมโยงกับกลยุทธ์บริบทที่ยาวของมัน โมเดลนี้มี MoonViT-V2 เป็นสถาปัตยกรรมด้านวิสัยทัศน์ แสดงถึงความสามารถมัลติโหมดแบบเนทีฟ ไม่ใช่ระบบที่เป็นข้อความล้วน Moonshot AI ยังรายงานว่า ประสิทธิภาพการสเกลเพิ่มขึ้น 2.5 เท่า ซึ่งบ่งชี้ว่า Kimi K3 ถูกออกแบบมาไม่เพียงเพื่อรองรับขนาดเท่านั้น แต่ยังเพื่อความคุ้มค่าด้านการฝึกและการอนุมานที่ใช้งานได้จริงมากขึ้นด้วย

การปล่อยโครงสร้างพื้นฐาน: MoonEP, FlashKDA และ AgentEnv

โมเดลน้ำหนักแบบโอเพนยังคงต้องใช้ระบบที่แข็งแกร่งอยู่รอบๆ โมเดล MoE ขนาดใหญ่พึ่งพาการสื่อสารที่มีประสิทธิภาพ “fast attention kernels” และสภาพแวดล้อมการรันที่ปลอดภัย การปล่อยโครงสร้างพื้นฐานของ Moonshot AI ช่วยตอบโจทย์ความต้องการเหล่านี้โดยตรง

MoonEP: การสื่อสารระหว่างผู้เชี่ยวชาญของ MoE

MoonEP เป็นไลบรารีการสื่อสารสำหรับการขนานของผู้เชี่ยวชาญใน MoE ในระบบ MoE โทเค็นจะถูกส่งต่อไปยังผู้เชี่ยวชาญที่แตกต่างกัน และผู้เชี่ยวชาญเหล่านั้นอาจถูกกระจายอยู่บนอุปกรณ์หลายเครื่อง สิ่งนี้ก่อให้เกิดความท้าทายด้านการสื่อสาร ซึ่งอาจจำกัดอัตราการประมวลผลและเพิ่มความหน่วง

สำหรับ Kimi K3 เมื่อมี ผู้เชี่ยวชาญ 896 คน และ เปิดใช้งาน 16 คนต่อโทเค็น การกำหนดเส้นทางผู้เชี่ยวชาญคือปัญหาระดับระบบหลัก MoonEP ถูกออกแบบมาเพื่อปรับปรุงการสื่อสารระหว่างผู้เชี่ยวชาญแบบกระจาย และลดปัญหาคอขวดในการทำงาน MoE ระดับขนาดใหญ่

FlashKDA: ความสนใจแบบบริบทที่ยาวได้เร็วขึ้น

FlashKDA คือ attention kernel ที่ปรับให้เหมาะกับ KDA บทบาทของมันสำคัญเป็นพิเศษสำหรับงานที่มีบริบทยาว ซึ่งการคำนวณเฟส prefill อาจมีค่าใช้จ่ายสูง Moonshot AI รายงานว่า FlashKDA ให้ ความเร็วขึ้น 1.72x ถึง 2.22x ในประสิทธิภาพของ prefill บน GPU Nvidia H20 เมื่อเทียบกับ baseline แบบ flash-linear-attention

เรื่องนี้สำคัญเพราะ “หน้าต่างบริบท 1M-token” จะมีประโยชน์ก็ต่อเมื่อสามารถให้บริการได้อย่างมีประสิทธิภาพ attention kernel ที่เร็วขึ้นช่วยทำให้การวิเคราะห์เอกสารยาว การตรวจสอบโค้ด เวิร์กโฟลว์ด้านการวิจัย และการให้เหตุผลแบบหลายขั้นตอนทำได้จริงมากขึ้นในสภาพแวดล้อมการใช้งาน

AgentEnv: แซนด์บ็อกซ์สำหรับเอเจนต์ AI

AgentEnv คือระบบแซนด์บ็อกซ์สำหรับเอเจนต์ ซึ่งร่วมพัฒนากับ KVCache.ai มันมอบสภาพแวดล้อมแซนด์บ็อกซ์ที่แยกออกจากกันสำหรับเอเจนต์ที่ต้องดำเนินขั้นตอน ทดสอบการทำงาน แยกสถานะ (fork) คืนค่าสถานะก่อนหน้า หรือรันสาขาขนาน

เวิร์กโฟลว์ของเอเจนต์มักเกี่ยวข้องกับมากกว่าการสร้างข้อความ อาจใช้ไฟล์ เครื่องมือ การประมวลผลโค้ด และการตัดสินใจหลายขั้นตอน แซนด์บ็อกซ์ช่วยแยกพฤติกรรมของเอเจนต์ออกจากระบบภายนอก ขณะเดียวกันก็รองรับการทดลอง คุณสมบัติ snapshot การคืนค่า (restore) และการแยกสถานะ (fork) ของ AgentEnv มีประโยชน์เมื่อเอเจนต์จำเป็นต้องสำรวจหลายทางเลือกก่อนที่จะได้ผลลัพธ์สุดท้าย

เหตุผลที่ Open-Weight สำคัญ

การเข้าถึงแบบ open-weight เปลี่ยนความสัมพันธ์ระหว่างผู้ให้บริการโมเดลและผู้พัฒนา API แบบโฮสต์ที่ปิดอยู่สามารถทรงพลังได้ แต่โครงสร้างพื้นฐาน การโฮสต์ การไหลของข้อมูล และขีดจำกัดเชิงปฏิบัติการยังคงอยู่ภายใต้การควบคุมของผู้ให้บริการ โมเดลแบบ open-weight ทำให้ทีมที่มีคุณสมบัติเหมาะสมมีพื้นที่มากขึ้นในการนำไปใช้งาน ปรับใช้ ปรับแต่ง และบูรณาการโมเดลเข้ากับระบบของตนเอง

สำหรับองค์กร ข้อได้เปรียบที่ใหญ่ที่สุดคือ การควบคุมการนำไปใช้งานและข้อมูล เอกสารที่อ่อนไหว โค้ดภายใน บันทึกทางกฎหมาย ข้อมูลลูกค้า และเอกสารทางการเงินอาจต้องใช้โครงสร้างพื้นฐานแบบส่วนตัว การเข้าถึงแบบ open-weight สามารถรองรับการนำไปใช้งานภายในองค์กรหรือบนคลาวด์ส่วนตัวได้ โดยที่ การกำกับดูแลข้อมูล ความเป็นส่วนตัว และความเป็นเจ้าของเป็นข้อกำหนดหลัก

สำหรับนักพัฒนา การเข้าถึงแบบ open-weight ช่วยให้เกิด การบูรณาการด้านเทคนิคที่ลึกกว่า ทีมสามารถปรับแต่งสแตกสำหรับการอนุมาน ทดสอบวิธีการปรับใช้ และสร้างเวิร์กโฟลว์โดยอิงจากจุดแข็งของโมเดล ความสามารถด้านสเกล MoE ของ Kimi K3 บริบท 1M-token ความสามารถด้านการมองเห็น MoonViT-V2 และการเปิดตัวโครงสร้างพื้นฐาน สร้างรากฐานสำหรับแอปพลิเคชันเฉพาะทาง

ความแตกต่างจากโอเพนซอร์สยังคงจำเป็นต่อการทำความเข้าใจ Open-weight ไม่ได้ให้ข้อมูลการฝึก สายพายที่มาของซอร์สโค้ด หรือสูตรการทำซ้ำแบบครบถ้วนโดยอัตโนมัติ อย่างไรก็ตาม ยังสามารถลดอุปสรรคเชิงปฏิบัติสำหรับทีมที่ต้องการการเข้าถึงโมเดล การนำไปใช้งานแบบส่วนตัว หรือการควบคุมที่มากขึ้นต่อประสิทธิภาพและความเป็นส่วนตัว

คำตัดสิน: การเปิดตัวโมเดลและโครงสร้างพื้นฐาน

Kimi K3 Open Day ควรมองว่าเป็นการเปิดตัวแบบประสานกันในสามชั้น ได้แก่ การเข้าถึงโมเดล การเปิดเผยทางเทคนิค และ โครงสร้างพื้นฐานสำหรับการนำไปใช้งาน โมเดล MoE พารามิเตอร์ 2.8 ล้านล้าน คือหัวใจของการประกาศ แต่รายงานทางเทคนิคและเครื่องมือด้านโครงสร้างพื้นฐานมีความสำคัญต่อการเข้าใจความหมายที่กว้างขึ้นของมัน

สเปกอย่างเป็นทางการนั้นมีรายละเอียดมาก ได้แก่ พารามิเตอร์รวม 2.8T ผู้เชี่ยวชาญ 896 คน โดยเปิดใช้งาน 16 ตัวต่อหนึ่งโทเค็นหน้าต่างบริบท 1M-token KDA + AttnRes ในอัตราส่วน 3:1 MoonViT-V2 และที่รายงานว่า ประสิทธิภาพการสเกลเพิ่มขึ้น 2.5 เท่า MoonEP, FlashKDA และ AgentEnv แสดงให้เห็นว่า Moonshot AI กำลังจัดการกับระบบที่จำเป็นต่อการใช้งานโมเดล open-weight ขนาดใหญ่ได้อย่างมีประสิทธิภาพด้วย

Kimi K3 ไม่ได้ถูกอธิบายว่าเป็นโอเพนซอร์สแบบเปิดเต็มรูปแบบ แต่เป็น open-weight ถึงกระนั้น ด้วยการเปิดเผย weights รายละเอียดทางเทคนิค และโครงสร้างพื้นฐานที่รองรับ Moonshot AI ทำให้ Kimi K3 กลายเป็นเหตุการณ์สำคัญในวงการการพัฒนา AI แบบ open-weight ระดับขนาดใหญ่

คำถามที่พบบ่อย (FAQ)

Q: Kimi K3 คืออะไร?

A: Kimi K3 คือโมเดล AI แบบ Mixture of Experts แบบ open-weight ที่มีพารามิเตอร์ 2.8 ล้านล้านจาก Moonshot AI ซึ่งประกาศในงาน Kimi K3 Open Day เมื่อวันที่ 27 กรกฎาคม 2026

Q: Open-weight หมายถึงอะไร?

A: Open-weight หมายถึง weight ของโมเดลที่ผ่านการฝึกจะสามารถเข้าถึงได้ภายใต้เงื่อนไขสัญญอนุญาตที่กำหนด ซึ่งแตกต่างจากโอเพนซอร์สที่โดยปกติมักหมายถึงการเข้าถึงที่กว้างขึ้นต่อซอร์สโค้ด ข้อมูล และไปป์ไลน์สำหรับการทำซ้ำ

Q: ได้เปิดตัวเทคโนโลยีโครงสร้างพื้นฐาน (Infra) อะไรบ้างพร้อม Kimi K3?

A: Moonshot AI ได้เปิดตัว MoonEP, FlashKDA และ AgentEnv MoonEP รองรับการสื่อสารของ MoE FlashKDA เร่งความสนใจ (attention) ของ KDA และ AgentEnv มอบระบบแซนด์บ็อกซ์สำหรับเอเจนต์ AI

Q: สเปกที่สำคัญที่สุดของ Kimi K3 คืออะไร?

A: Kimi K3 มีพารามิเตอร์รวม 2.8T ผู้เชี่ยวชาญ 896 คน โดยเปิดใช้งาน 16 คนต่อ 1 โทเคน มีหน้าต่างบริบท 1M โทเคน อัตราส่วน KDA + AttnRes ที่ 3:1 MoonViT-V2 และการปรับปรุงประสิทธิภาพการสเกล 2.5 เท่า

เปลี่ยนบทวิเคราะห์ของ Kimi K3 นี้ให้เป็นสไลด์ PPT ที่ดูดี โดยใช้ Pi เพื่อทำให้ความก้าวหน้าทาง AI ที่ซับซ้อนนั้นชัดเจน เข้าใจง่าย และนำเสนอได้อย่างสะดวก