Kimi K3 開放日：2.8 兆參數，現已開放權重

2026 年 7 月 27 日，Moonshot AI 舉辦 Kimi K3 Open Day，並宣布三項關聯的發布：Kimi K3 模型權重、官方技術公告以及三項基礎設施技術：MoonEP、FlashKDA、和 AgentEnv。該活動將Kimi K3不僅定位為新的大型模型，也是一項涵蓋模型存取、架構以及部署基礎設施的發布。

重點規格一目了然：Kimi K3 是一個 2.8 兆參數的開權重模型，建立在專家混合（Mixture of Experts, MoE）架構之上。Moonshot AI 揭露了多項關鍵技術細節，包括 896 位專家、每個 token 啟用 16 位專家、1M-token 上下文視窗、3:1 比例的 KDA + AttnRes、MoonViT-V2，以及據稱 2.5 倍的縮放效率提升。

「開權重」這個概念很重要。開權重表示訓練後的模型權重會在明確定義的條款下提供。它並不代表模型一定是完全開源的——通常這還意味著更廣泛地存取原始碼、訓練資料、工具以及重現流程。即便如此，開權重存取仍可能改變開發者與組織如何部署、檢視，並圍繞這個大型 AI 模型進行構建。

Moonshot AI 對這種做法的價值進行了總結，表示 「開權重模型... 降低了獲取智能的門檻，推動創新，並讓使用者在資料、隱私與所有權方面擁有更大的掌控權。」

Open Day 活動：三項核心發布

Kimi K3 Open Day 聚焦在三個發布類別。

首先，Moonshot AI 發布了 Kimi K3 模型權重。這是核心的開權重公告。對於建置者而言，取得權重可以讓部署方式比「僅靠託管 API」更具彈性，特別是在團隊需要掌控基礎設施、延遲、隱私或資料所在地（data residency）時。

其次，Moonshot AI 公開了 Kimi K3 技術報告。這很重要，因為大型模型的公告不能僅靠參數數量來評估。架構、路由策略、長上下文設計、多模態能力，以及效率方面的宣稱，都決定該模型在實務中是否真的有用。

第三，Moonshot AI 發布了 MoonEP、FlashKDA 以及 AgentEnv。這些基礎設施技術旨在提升專家通訊、注意力效能以及代理執行。這些內容被納入其中，表明 Kimi K3 Open Day 不只是一次模型發布；它同時也是一項基礎設施發布，用以更有效地使用非常大型的開權重模型。

模型：關鍵規格

Kimi K3 是一個 2.8 兆參數的 MoE 模型。在專家混合架構中，每個 token 只會啟用模型的一部分。路由器會選擇一組專家子集，使系統能在比相同規模的密集模型更低的實際計算量下，結合非常龐大的整體容量。

根據 Moonshot AI 的說法，Kimi K3 擁有 896 位專家，且 每個 token 啟用 16 位專家。這種設計是模型效率特性的核心。它讓模型在推論階段能夠透過選擇性啟用，既維持龐大的整體容量，又降低計算負擔。

100 萬 token 的上下文視窗是最實用的規格之一。長上下文能支援完整文件分析、大型程式碼庫審閱、多檔推理、法律或金融文件工作流程，以及更長的代理任務，同時不必將每次輸入都強行切成小片段。

Kimi K3 也採用 3:1 比例的 KDA + AttnRes，這是一種與其長上下文策略相對應的混合注意力設計。該模型將 MoonViT-V2 作為其視覺架構，表明其具備原生的多模態能力，而不是純文字系統。Moonshot AI 也提到 2.5 倍的擴展效率提升，這暗示 Kimi K3 的設計不僅追求規模，也兼顧更實用的訓練與推論成本經濟性。

Infra 發佈：MoonEP、FlashKDA，以及 AgentEnv。

開放權重模型仍需要其周邊的強大系統。大型 MoE 模型依賴高效率的通訊，快速注意力核心，以及安全的執行環境。Moonshot AI 的基礎設施發佈正面回應了這些需求。

MoonEP：MoE 專家通訊

MoonEP 是用於 MoE 專家並行的通訊程式庫。在 MoE 系統中，tokens 會被路由到不同的專家，而這些專家可能分散在多台裝置上。這就帶來通訊方面的挑戰，可能會限制吞吐量並增加延遲。

以 Kimi K3 為例，具有 896 位專家，且每個 token 啟用 16 位，專家路由是主要的系統性問題。MoonEP 的設計目標是改善分散式專家通訊，並降低大規模 MoE 部署中的瓶頸。

FlashKDA：更快的長上下文注意力

FlashKDA 是針對 KDA 優化的注意力核心。它在長上下文工作負載中特別重要，因為在長上下文場景中，prefill 計算可能會變得昂貴。Moonshot AI 表示，FlashKDA 在 Nvidia H20 GPU 上的 prefill 效能，相較於 flash-linear-attention 的基準方案，能帶來 1.72 倍至 2.22 倍的加速。

這很重要，因為只有在能被高效率地提供服務時，100 萬 token 的上下文視窗才真正有用。更快的注意力核心能讓長文件分析、程式碼審閱、研究工作流程，以及多步推理在量產環境中更具可行性。

AgentEnv：面向 AI 代理的沙盒環境

AgentEnv 是一套由 KVCache.ai 共同開發的代理沙盒系統。它為需要執行步驟、測試操作、分叉狀態、還原先前狀態，或運行平行分支的代理，提供一個隔離的沙盒環境。

代理工作流程往往不只涉及文字生成。它們可能會使用檔案、工具、程式碼執行，並做出多步決策。沙盒能在支援實驗的同時，將代理行為與外部系統隔離開來。當代理需要在產出最終結果之前探索多種路徑時，AgentEnv 的快照、還原與分叉功能特別有用。

為什麼「開放權重」至關重要

開放權重的獲取方式，改變了模型供應商與建置者之間的關係。封閉的託管式 API 當然強大，但基礎建設、託管方式、資料流與運營限制仍由供應商掌控。開放權重模型則讓合格的團隊有更多空間去部署、調整、優化，並將模型整合到自身系統中。

對企業而言，最大的優勢是 部署與資料控制。敏感文件、內部程式碼、法律紀錄、客戶資訊以及金融材料，可能需要私有基礎設施。開放權重的存取可以支援本地或私有雲部署，使 資料治理、隱私與所有權成為核心要求。

對開發者而言，開放權重的存取能讓 更深度的技術整合 成為可能。團隊可以針對推論堆疊進行最佳化、測試適配方法，並以模型的優勢來打造工作流程。Kimi K3 的 MoE 規模、1M-token 上下文、MoonViT-V2 的視覺能力，以及基礎設施的釋出，為特定領域應用奠定了基礎。

與開源的差異仍然至關重要。開放權重並不會自動提供訓練資料、來源管線，或完整的重現配方。然而，它仍可能降低對於那些需要模型存取、私有部署或更大效能與隱私控制的團隊而言的實務門檻。

結論：模型與基礎設施的釋出

Kimi K3 Open Day 最好理解為在三個層面上的協調式釋出：模型存取、技術揭露、以及 部署基礎設施。2.8 兆參數的 MoE 模型 是公告的核心，但技術報告與基礎設施工具同樣關鍵，能幫助理解其更廣泛的意義。

官方規格相當完整：總計 2.8T 參數、每個 token 啟用 16 個的 896 位專家、1M-token 的上下文視窗、3:1 比例的 KDA + AttnRes、MoonViT-V2，以及據稱 2.5 倍的縮放效率提升。MoonEP、FlashKDA 與 AgentEnv 顯示，Moonshot AI 也在回應有效運作大型開放權重模型所需的系統層面需求。

Kimi K3 並未被描述為完全開源；它是開放權重。即便如此，透過釋出權重、技術細節與支援性的基礎設施，Moonshot AI 仍讓 Kimi K3 成為大規模開放權重 AI 開發中的一件重大事件。

常見問題（FAQ）

Q：Kimi K3 是什麼？

A：Kimi K3 是來自 Moonshot AI 的一款 2.8 兆參數、開放權重的「專家混合（Mixture of Experts）」AI 模型，於 2026 年 7 月 27 日的 Kimi K3 Open Day 公布。

Q：什麼是開放權重（open-weight）？

A：開放權重表示在定義的授權條款下，已訓練的模型權重可被存取。它不同於開源：開源通常意味著對程式碼、資料與重現流程的存取範圍更廣。

Q：Kimi K3 釋出了哪些基礎設施（Infra）技術？

A：Moonshot AI 釋出了 MoonEP、FlashKDA 與 AgentEnv。MoonEP 支援 MoE 通訊，FlashKDA 加速 KDA 注意力（attention），而 AgentEnv 則為 AI 代理提供沙盒系統。

Q：Kimi K3 最重要的規格是哪些？

A：Kimi K3 總參數量為 2.8T，包含 896 位專家，每個 token 啟用 16 位，具備 1M-token 的上下文視窗，KDA + AttnRes 以 3:1 的比例，MoonViT-V2，以及 2.5x 的縮放效率提升。

把這份 Kimi K3 分析整理成一份精緻的 PPT，並搭配 Pi，讓複雜的 AI 研發變得清晰且容易展示。