Kimi K3 来了， 2.8 万亿参数全开源

月之暗面今天发了 Kimi K3。参数规模 2.8 万亿，100 万 token 上下文，原生视觉理解，全球最大开源模型。三个数字放在一起，确实够炸。

图片

但比起参数，我更想说另外几个数字：输入 $3/M，输出 $15/M。这个价格在国产模型里属于第一梯队，甚至比不少闭源模型还贵。跟同行放一起看更直观：

模型

输入 $/M

输出 $/M

Kimi K3

$3.00

$15.00

GPT-5.6 Terra

$2.50

$15.00

DeepSeek V4 Pro

$0.435

$0.870

输出端跟 GPT-5.6 Terra 打平，输入端略贵。跟 DeepSeek V4 Pro 比，K3 输入贵了近 7 倍，输出贵了 17 倍。

先看模型本身。K3 用了 MoE 架构，2.8 万亿参数分成多个专家子网络，每次推理只激活一部分。月之暗面这次还塞了两个新技术：Kimi Delta Attention 和 Attention Residuals。前者是混合线性注意力机制，解决长文本场景下的效率问题；后者在层与层之间保留注意力残差，减少信息丢失。别人还在用标准 Transformer 的注意力公式，月之暗面在里面动了几刀。

100 万 token 上下文不是新鲜事，Gemini 早就能做到。但 Kimi 从第一代起就是靠长文本起家的，K3 在这个场景上做了针对性优化——不是"能读"，而是"能理解"。金融研报、法律卷宗、全量代码库这些场景，1M 窗口是实打实的生产力。

视觉能力是 K3 相比前代最大的跨越。K2 系列强在文本和代码，多模态是短板。K3 原生支持图片和视频理解，官方文档直接给了视频文件的 API 示例。方向很明确——对标 Gemini 的多模态路线。

开源最大的好处不是社区口碑，是生态。

再说开源这件事。2.8 万亿参数全开源，全球范围内没有先例。Meta 的 Llama 系列最大也就 405B，DeepSeek V4 Pro 是 1.6 万亿但没有全开源。月之暗面把 2.8T 的模型权重和架构细节全部公开，这个动作的赌注不是慈善——开源是引流，API 和企业服务才是利润。

不过话说回来，2.8 万亿参数的模型，个人开发者基本不要想在本地跑。量化、蒸馏、剪枝——想跑起来都得先过这些关。开源的信号意义大于实际可用性。

价格是另一个值得聊的点。$15/M 的输出定价，比 GPT-5.6 还贵。月之暗面的逻辑很直接：既然参数最大、能力最强，那就定最高价。这个策略跟 DeepSeek 的性价比路线形成了鲜明对比。国产模型分化成两条路，一条卷价格，一条卷天花板。

K3 发布前还有个小插曲。7 月 14 日 Kimi API 平台短暂上线了充值折扣页面，官方说是"实习生弄错了"紧急下架。两天后竞技场出现神秘模型 Kivine，实测视频开始刷屏。这波营销节奏比以前进步了不少。

月之暗面的估值已经到 315 亿美元，ARR 三个季度从 1 亿涨到 3 亿，涨价 60% 的前提下完成的。这些数字比 2.8 万亿参数更能说明一件事——国产大模型的能力和商业化都在加速。

但问题也在这儿。客户愿意为贵模型买单的前提是，贵出来的部分确实能转化为业务价值。K3 能不能做到，看 Q3 的 API 调用量和企业客户续费就知道了。