Kimi K3 評測：開源權重已發布，效能、授權與部署成本一次看
2.8 兆總參數、100 萬 Token 上下文、原生視覺能力，以及針對長時間程式開發、知識工作與複雜 Agent 任務所做的強化——單看規格，K3 已經足以成為今年最受矚目的模型之一。Moonshot 預計在 2026 年 7 月 27 日釋出完整權重；在那之前，更精確的稱呼應該是「即將開放權重」，而不是已經完全開源，因為授權條款與實際可下載檔案仍是判斷它是否真正開放的關鍵。
但 K3 真正引發震動的地方，不是「又出現一個更大的模型」，而是它把一個延續多年的產業共識推到了失效邊緣：
開源模型落後閉源旗艦半年，這句話可能已經不再成立。
過去開源模型追趕 GPT、Claude，常常像是在追逐一條移動中的終點線。當開源陣營終於摸到上一代旗艦，閉源公司又已經推出下一代產品。
K3 改變的，是這種時間差。
它或許仍然沒有全面擊敗最強的閉源模型，卻已經從「追趕者」變成必須被放進同一張比較表的競爭者。
而這兩者之間，差別很大。
K3 在牌桌上的位置：跟 Opus、GPT 怎麼排
根據 Artificial Analysis Intelligence Index v4.1，Kimi K3 Max 的分數約為 57.1。若以每個模型家族的最佳設定計算，它排在 Claude Fable 5 Max 的 59.9 與 GPT-5.6 Sol Max 的 58.9 之後，進入全球前三名的討論範圍。Artificial Analysis 官方頁面目前以四捨五入後的 57 分呈現，因此不同頁面可能會看到 57 或 57.1 的寫法。
這個排名當然不能直接解讀成「K3 是全球第三強」。
模型評測會受到提示詞、推理強度、工具框架、測試版本與 Agent Harness 影響。尤其 K3 的官方成績混用了 Kimi Code、Claude Code 與其他執行框架，目前也不是所有結果都已由第三方完整重現。
不過，K3 的成績仍透露出一個明確訊號：它不是靠單一數學或程式基準刷出漂亮數字，而是在多步驟工具使用、長時間任務和知識工作上，出現了相對一致的進步。
例如在模擬 44 種職業知識工作的 GDPval-AA v2 中，Artificial Analysis 公布的 K3 Elo 為 1668，超過 Claude Opus 4.8 的 1600、GPT-5.5 的 1494 與 GLM-5.2 的 1514，但仍落後 Claude Fable 5。K3 在 AutomationBench-AA 也取得領先成績，顯示它的強項不只是「回答問題」，而是串接工具、處理中間狀態並完成多步工作。
這是理解 K3 最重要的角度。
如果上一個時代的大模型是在比「誰知道得多」，現在的競爭已經轉向：
- 誰能維持更長的任務狀態；
- 誰能在失敗後修正路徑；
- 誰能正確使用終端、瀏覽器和各種工具；
- 誰能真正把工作交付出來。
K3 的價值，不只在於智能分數接近 GPT 或 Claude，而是它開始展現出一種過去多半只有頂級閉源模型才有的「工作感」。
為什麼這次發布引爆全網討論
K3 發布後，開發者社群的反應大致可以分成四派。
它們看似互相矛盾，但其實剛好反映了 K3 的四種不同身分：旗艦模型、開放權重模型、昂貴的基礎設施，以及尚未完全成熟的新產品。
第一派：開源終於有了「旗艦級體感」
最樂觀的聲音認為，K3 的突破不只是排行榜上的幾分，而是實際使用時開始接近頂級 Claude 的工作方式。
部分早期使用者把它形容為具有「Fable 級體感」：模型在長任務中比較不容易失去方向，能持續呼叫工具，也更願意自行檢查結果，而不是做完第一步就停下來等人類指示。社群對它在前端開發、視覺理解和長流程 Agent 任務上的初步反應尤其積極；Arena.ai 的前端開發相關評測也將 K3 排在非常前面。
這種「體感」往往比 Benchmark 更難量化，卻可能更重要。
因為真正讓使用者依賴一個模型的，不是它在選擇題上多答對三題，而是它能不能在你離開螢幕之後，繼續做對的事。
一個模型如果智力很高，卻每十分鐘就需要人類介入，那它仍然只是一個高級助理；如果它能在數小時的任務中維持目標、管理上下文並修復錯誤，它才開始接近真正的代理人。
從這個角度看，K3 的突破不是「更會回答」，而是「比較能被交付工作」。
第二派：2.8 兆參數是超跑海報，不是家用汽車
另一派的反應則務實得多。
2.8 兆總參數確實驚人，但它也讓「開放權重」與「人人可用」之間的距離變得非常明顯。
K3 採用高度稀疏的 MoE 架構，據公開資料是在 896 個專家中，每次選擇 16 個專家參與運算。這能控制每個 Token 的實際計算量，但部署時仍然要處理完整模型權重、專家路由、記憶體通訊與分散式推理等問題。Moonshot 建議使用 64 張以上加速卡的 Supernode 進行推理，這顯然不是一般個人玩家能負擔的規模。
社群有人用了一個很傳神的比喻：
1990 年代的年輕人會在房間貼超跑海報，夢想有一天能買一台；今天的 AI 玩家則在螢幕上收藏 Kimi、DeepSeek 等模型，夢想有一天自己的機器跑得動。
這個比喻點出了當代開放模型的一個尷尬：
權重可以下載，不代表能力可以民主化。
對一般使用者而言，K3 的權重即使公開，實際使用方式很可能還是透過 Moonshot API、第三方雲端供應商或量化後的衍生版本。真正有能力完整部署的，仍然是雲端平台、研究機構與大型企業。
所以 K3 是開放權重的里程碑，但還不是個人 AI 的里程碑。
第三派：Benchmark 很漂亮，但先別急著刪掉 Claude
第三種聲音是典型的工程師懷疑論。
社群對 K3 的跑分感到興奮，但不少人仍想知道：它在真實專案裡能不能穩定地重現這些表現？
目前首批實測對 K3 的視覺理解與前端頁面復刻能力評價不錯，但也有人反映 Agent 集群會自動中止、排程卡住，以及部分客戶端尚未完整支援新 API 參數。這些回饋還不足以形成全面結論，但提醒我們：模型能力與產品可靠性不是同一件事。
這也是為什麼我不建議因為 K3 發布，就立刻把現有的 GPT、Claude 或其他編程模型全部替換掉。
Benchmark 測的是在特定環境中「最高可以做到什麼」；企業真正關心的，則是在大量、重複、混亂的任務中「穩定能做到什麼」。
兩者之間隔著：
- API 穩定性；
- 工具呼叫成功率；
- 長任務的失敗恢復；
- 延遲與併發；
- 內容安全規則；
- 上下文快取；
- 成本預測；
- 版本是否會突然改變。
對開發者而言，一款模型最昂貴的地方，往往不是 Token，而是不知道它會在哪個步驟突然失敗。
第四派：這是中國模型正式進入前沿競爭的訊號
還有一種討論，已經超出模型本身。
Reuters 將 K3 放在中國 AI 實驗室加速開放模型的脈絡中觀察；包括 Moonshot、Z.ai、DeepSeek 等團隊，都正在用更快的發布週期、較低的使用成本與開放權重策略，挑戰「中國模型長期落後美國數個月」的既有判斷。
這並不只是技術競賽，也是生態競賽。
美國頂級實驗室的核心商業模式，是把最強能力封裝在 API 與訂閱服務裡；中國模型廠商則愈來愈常透過權重開放，換取全球開發者採用。
前者要的是收入與控制權，後者要的是擴散速度與生態位置。
對 Moonshot 來說，開放 K3 的真正目的，未必是讓每個人都在家裡架一套模型，而是讓未來的 AI 工具、研究專案、企業平台和模型衍生版本，都有機會建立在 Kimi 的技術路線上。
權重是入口，生態才是終點。
2.8 兆參數很大，但「大」不是重點
K3 的 2.8 兆參數很容易成為標題，但只看總參數其實會誤判它的技術意義。
由於它採用 Mixture of Experts 架構，並不是每生成一個 Token，就同時啟用全部 2.8 兆參數。公開資料顯示，K3 以 Stable LatentMoE 搭配 896 個專家、每次選用其中 16 個；然而完整的有效參數量、記憶體需求與不同硬體下的推理效率，仍有待正式技術報告與權重發布後驗證。
我認為 K3 真正值得看的，不是「模型有多大」，而是 Moonshot 試圖解決三項限制：
- 超長上下文怎麼跑得動；
- 超深網路中的資訊怎麼保留下來；
- 巨大 MoE 的專家怎麼穩定分工。
K3 採用 Kimi Delta Attention 與 Attention Residuals 等技術，目標是改善長序列處理和深層資訊傳遞。換句話說，2.8 兆是結果，不是核心；核心在於 Moonshot 是否找到一種方法，讓龐大的模型容量真正轉化成長任務能力。
如果只是參數更大、成本更高，K3 很快就會成為一座昂貴的技術紀念碑。
如果它能證明長上下文、工具使用與專家路由可以穩定結合，那它就可能成為下一代 Agent 模型的架構範本。
100 萬 Token，不等於模型真的記得一切
100 萬 Token 上下文是 K3 的另一個賣點。
它可以一次容納大型程式碼倉庫、數百份報告、長時間 Agent 紀錄，或跨文件的研究材料。對需要讀取完整專案、追蹤大量規格與處理複雜文件的使用者來說，這顯然比 128K 或 256K 更有彈性。
但這裡必須區分三件事：
- 模型能不能「放進」100 萬 Token；
- 模型能不能在其中「找到」正確資訊；
- 模型能不能在數十輪任務後，仍然知道哪些資訊最重要。
上下文窗口比較像倉庫容量，而不是記憶力。
倉庫可以放進一百萬件物品，不代表管理員能在需要時立刻找到正確的一件。對 Agent 來說，更關鍵的是資訊檢索、優先順序、狀態壓縮與錯誤恢復能力。
因此，K3 的 100 萬 Token 真正價值不在「可以塞更多」，而在 Moonshot 聲稱它可以不依賴大量外部上下文壓縮，直接處理長時間工作的完整狀態。K3 在 BrowseComp 等長流程檢索測試上取得亮眼成績，說明這個方向值得期待，但仍需要更多獨立的真實任務驗證。
K3 的官方 Demo 很精彩，但要看懂它證明了什麼
Moonshot 展示了幾個極具話題性的案例，包括長時間 GPU Kernel 最佳化、48 小時完成小型晶片設計，以及在約兩小時內進行天體物理研究重現。相關案例涉及閱讀多篇論文、評估數百項狀態方程、產生數千行 Python 程式，或透過開源 EDA 工具完成晶片設計與驗證。
這些 Demo 最容易產生兩種極端解讀。
一種是：「AI 已經可以取代晶片工程師和科學家。」
另一種是：「這都是精心挑選的展示，沒有參考價值。」
我認為兩種說法都太快。
這些案例真正證明的，不是 K3 已經能獨立承擔完整專業職位，而是模型開始能在具備明確目標、可操作工具和可驗證回饋的環境中，持續完成數十小時的工作。
這個能力對產業非常重要。
因為許多知識工作並不要求模型第一次就答對，而是要求它能：
- 提出假設；
- 執行工具；
- 看結果；
- 找出錯誤；
- 修正方法；
- 重新執行；
- 最後交付成果。
這種迴圈，才是 Agent 從展示品走向生產力工具的關鍵。
價格：比 Opus 便宜，但絕對不算廉價
K3 API 定價為每百萬 Token：
- 快取命中輸入：0.30 美元；
- 一般輸入：3 美元；
- 輸出：15 美元。
Artificial Analysis 估算，K3 在其測試中的單任務成本約為 0.94 美元，接近 GPT-5.6 Sol 的 1.04 美元，低於 Claude Opus 4.8 的 1.80 美元；不過，它仍明顯高於 GLM-5.2 與 DeepSeek V4 Pro 等開放權重競品。
因此，「K3 很便宜」並不是一個準確的說法。
比較合理的說法是：
K3 用接近中高階閉源模型的價格，提供接近頂級閉源模型的能力。
這是一種旗艦定價，而不是開源福利價。
而且 K3 目前只有 Max 推理強度，推理模式長時間開啟，輸出 Token 又比輸入昂貴五倍。如果沒有良好的快取設計、上下文管理與模型分流策略，帳單很可能迅速上升。
企業真正合理的做法，不會是把所有請求都丟給 K3。
比較務實的架構是：
- 簡單問答交給小模型；
- 日常程式修改交給編程專用模型；
- 長文件與跨領域任務交給 K3；
- 只有最複雜、最需要長時間規劃的任務，才使用最高推理設定。
K3 更像是 AI 團隊中的資深架構師，不是每封郵件都要出席的執行長。
K3 和 GLM 5.2，誰是中國開放模型第一？
只看能力評測，K3 目前明顯領先。
Artificial Analysis 的資料顯示，K3 約為 57 分，GLM-5.2 約為 51 分；GDPval-AA v2 則是 K3 的 1668 對 GLM-5.2 的 1514。K3 權重已如期釋出，目前是能力最強的開放權重模型之一。
但企業選模型時，能力不是唯一問題。
還需要考慮：
- 授權是否允許商業使用；
- 是否有地域限制；
- 能不能修改與再散布；
- 是否容易在現有硬體部署；
- 社群工具是否成熟；
- 推理成本是否可控；
- 供應商是否提供長期維護。
完整權重與正式授權已於 7 月 27 日公開。Kimi K3 License 允許使用、修改、部署與衍生開發，但 Model-as-a-Service 業務連續 12 個月總收入超過 2,000 萬美元時，商業使用前需另行與 Moonshot AI 簽約；超過 1 億月活或每月收入 2,000 萬美元的商業產品也有介面標示要求。
我的判斷是：
K3 贏在能力上限，GLM 5.2 暫時贏在部署現實。
對追求最強 Agent 能力的團隊，K3 很有吸引力；對需要立即私有化部署、法律條款清楚、成本可預測的企業，GLM 或其他較小模型可能更實際。
最強模型與最好用的模型，從來不是同一件事。
我對 K3 的五個看法
一、K3 是開放模型的里程碑，但不是開放模型的勝利
K3 證明開放權重模型可以進入前沿能力區間。
但閉源陣營沒有停止移動。Claude Fable 5 與 GPT-5.6 Sol 目前仍在部分綜合測試、輸出品質和完整產品體驗上領先；K3 比較接近「站到旁邊」，而不是「完成超車」。
真正的勝利，要看半年後是否有大量開發者基於 K3 做出微調、量化、工具鏈和企業產品。
開放權重只是發布行為，開放生態才是長期結果。
二、K3 的真正對手不是 GPT，而是整套 Claude 工作流
模型公司喜歡比較 Benchmark，但使用者不是在購買分數。
使用者購買的是一套可以工作的系統：模型、CLI、IDE、工具呼叫、檔案處理、記憶、權限、安全、除錯與團隊協作。
Moonshot 同步推動 Kimi Code，顯示它也理解：只賣一個模型 API 已經不夠。下一階段的競爭，不是 K3 能不能在某個程式測試贏 Claude，而是開發者願不願意把每天的工作環境搬到 Kimi 生態。
三、模型變強之後，稀缺資源會從「答案」轉向「驗收」
當模型可以連續工作 48 小時，人類真正缺少的可能不再是產出能力，而是驗證能力。
誰來確認晶片設計真的可製造？
誰來確認研究結果不是模型在錯誤假設上建立出一座漂亮建築？
誰來確認幾千行自動生成的程式，沒有埋下安全漏洞？
Agent 能力愈強，人類的角色愈不會消失，而是從「親手完成」轉向「定義標準、設計驗證與承擔責任」。
K3 如果真的讓長任務 Agent 普及，最先升值的能力，可能不是提示工程，而是測試、審核和風險管理。
四、100 萬 Token 會讓企業更容易犯下一個錯：以為資料塞進去就等於知識管理
企業看到長上下文，容易認為可以把所有文件都丟進模型。
但沒有整理過的制度、過期版本、互相矛盾的規範與缺乏權限標記的文件，放進 100 萬 Token 之後仍然是混亂，只是規模更大。
K3 可能降低資訊載入的技術門檻，卻不會替企業解決資料治理。
未來企業 AI 專案的差距，不只來自用了哪個模型，而來自誰擁有更乾淨的資料、更清楚的權限，以及更可靠的驗收流程。
五、K3 最大的風險不是模型不夠強，而是它太難被廣泛部署
2.8 兆參數讓 K3 取得了能力與行銷上的雙重優勢，也帶來龐大的部署難題。
如果一般企業最終仍只能透過 Moonshot API 使用，而無法有效私有化部署，那麼它的「開放權重」價值就會比較偏向雲端供應商、國家級研究機構與大型科技公司，而不是普遍的開發者民主化。
因此，7 月 27 日之後真正值得看的，不只是誰成功下載模型，而是：
- 社群能否做出可用的量化版本；
- vLLM 等框架多久能完整支援；
- 部署需要多少張 GPU；
- 稀疏 MoE 的跨卡通訊效率如何；
- 精度下降能否控制；
- 授權是否真的允許廣泛商用。
這些答案，會決定 K3 是一場產業革命，還是一座只有少數人能進入的技術地標。
結論：K3 沒有終結閉源模型，但終結了一種想像
Kimi K3 尚未全面擊敗 Claude，也沒有讓 GPT 失去競爭力。
它的 API 不便宜，完整權重雖已釋出，但 2.8 兆參數的部署門檻、Kimi K3 License 的商業條件，以及產品穩定性仍需要納入評估。
但它已經完成了一件很重要的事：
K3 終結了「頂級 AI 能力必然只存在於封閉平台」的想像。
過去，閉源模型的優勢建立在明顯的能力差距上。當這個差距縮小到幾分，競爭規則就會改變。
企業會開始問：
- 為什麼要支付更高的閉源溢價？
- 為什麼不能保留自己的資料與模型控制權？
- 為什麼不能同時使用多家供應商？
- 為什麼模型不能像資料庫一樣被替換？
而閉源廠商也必須拿出比「模型比較聰明」更完整的答案。
我的最終判斷是：
K3 不是開源擊敗閉源的那一刻，而是開源取得上桌資格的那一刻。
它最大的成就不是排行榜第三，也不是 2.8 兆參數，而是讓整個產業第一次認真思考：如果最強模型不再只能由少數美國公司控制，那麼下一個 AI 平台的主導權，究竟會落在誰手上？
答案還沒有出現。
但從 K3 開始，這已經不再是一場只有 OpenAI、Anthropic 和 Google 能參加的比賽。
FAQ
Q：K3 跟 Opus 4.8 誰強？
整體智力 Opus 4.8 在 AA 榜上靠 Fable 5 兜底排更前，但 GDPval 實戰 Elo K3（1668）贏 Opus 4.8（1600）。結論：K3 在 agentic 知識工作壓過 Opus 4.8，整體略輸閉源頂尖。
Q：K3 跟 GLM 5.2 差在哪？
智力 K3 贏（AA 57 vs 51），但 GLM 5.2 是純 MIT 授權、無地域限制，拿到手更無顧慮。兩個是中國開源雙雄，打不同位置。
Q：個人電腦跑得動嗎？
基本不行，2.8 兆要大規模 GPU 叢集。先用 API 是現實路徑。
Kimi K3 權重已經發布了嗎？
已發布。Moonshot AI 已於 2026 年 7 月 27 日釋出完整模型權重，並同步公布 Kimi K3 License。權重可從官方 GitHub 與 Hugging Face 取得，但 2.8 兆參數模型的儲存及推論需求極高，不適合一般個人電腦部署。
