7 月 27 日晚 23 点左右，月之暗面（Moonshot AI）正式发布 Kimi K3 的完整模型权重与技术报告，并同步开源支撑其训练的三项核心基础设施技术：MoonEP、FlashKDA、AgentEnv。Kimi K3 是一个拥有 2.8 万亿总参数的混合专家（MoE）模型，激活参数约 1040 亿，支持 100 万 token 上下文窗口，具备原生视觉理解能力——这是全球首个被完整开放的 3 万亿参数级别模型。权重文件在 Hugging Face 上体积约 1.56TB，上线半小时内即登顶趋势榜第一。

Kimi Delta Attention（KDA）将传统标量级遗忘门改为逐通道级别：每个特征维度拥有独立衰减率，采用 chunkwise DPLR 公式实现线性时间递归，与少量 Gated MLA 层交替混合，支撑 100 万 token 上下文同时将 KV Cache 开销压到极低。

Attention Residuals（AttnRes）将均匀残差累加改为选择性、输入依赖的动态聚合——每层仅新增一个 RMSNorm 和一个伪查询向量，带来约 25% 训练效率提升，参数开销不到 2%。

Per-Head Muon让每个注意力头独立优化，而非统一策略「一锅烩」。Stable LatentMoE采用 Quantile Balancing 均衡策略，配合 MoonEP 从数学上证明每个计算节点冗余专家数的理论上界。

SWE-bench Verified（独立复测，Vals AI，截至 2026 年 7 月）：

月之暗面官方材料从未使用「open source」，一直采用「open weight（开放权重）」表述。许可证是一份完全自定义文件，包含两道 K2 系列都没有的商业门槛：

Mooncake 分离式推理架构在典型编程类工作负载上缓存命中率可达 90% 以上，实际大部分调用成本更接近 $0.30 档。

from openai import OpenAI

client = OpenAI(
    api_key="your_moonshot_api_key",
    base_url="https://api.moonshot.ai/v1"
)

response = client.chat.completions.create(
    model="kimi-k3",
    messages=[{"role": "user", "content": "分析这段代码的复杂度..."}]
)

Kimi K3 的开源节点并非孤立事件。它恰好卡在世界人工智能大会（WAIC 2026）窗口期，同时叠加了正在升级的中美「模型蒸馏」争端——美方指控月之暗面工业化蒸馏 Anthropic 模型训练 K3 并威胁制裁；中国商务部则在 7 月 28 日公开回应，指责美方搞「AI 霸权主义」。三天后，阿里巴巴发布了 24 万亿参数的 Qwen3.8-Max-Preview，被外界普遍解读为对 K3 的直接回应，国产大模型竞争正式进入「3T 俱乐部」阶段。

摊开替代方案：仅靠个人 Mac 跑 Kimi Code Agent 压测受休眠与网络波动影响，长上下文任务易中断；等待自部署满血 K3需 64+ 卡超节点，中小团队短期不可行；完全依赖单一闭源 API则在上下文长度与成本上难以覆盖 K3 的 1M flat 定价优势。对需要 iOS CI/CD、Kimi Code 常驻与 AI Agent 7×24 自动化生产环境，KVMNODE 独占 Mac Mini M4 云端租赁通常是更优解：Apple Silicon 统一内存、开放 sudo、按天/周/月弹性下单。详见 定价页、帮助中心，或 直接下单。

数据截至：2026 年 7 月 28 日 · 来源：Moonshot AI 官方博客、Hugging Face、GitHub moonshotai/FlashKDA、Vals AI SWE-bench Verified、Artificial Analysis Intelligence Index