Kimi K3 开源模型发布：2.8万亿参数，用内存换算力，中国AI另辟蹊径

一句话看懂

Moonshot AI 发布 Kimi K3，2.8万亿参数开源模型，通过内存换算力的设计绕过芯片限制，但部署门槛极高。

详细发生了什么

7月16日，Moonshot AI 发布 Kimi K3 开源模型，参数规模达2.8万亿，是目前最大的开源模型，远超 DeepSeek V4 Pro 的1.6万亿。但参数并非全部——K3 的设计核心是用内存换算力，以应对美国芯片出口限制。

K3 采用混合专家架构（MoE），将模型拆分为896个专家模块，每次只激活16个（约1.8%），大幅降低单次推理算力。同时，通过量化感知训练将参数精度从16位降至4位，模型体积从5.6TB压缩至约1.4TB。此外，Kimi Delta Attention 机制优化了长上下文处理的内存占用，支持百万token上下文，解码速度提升6.3倍。

Moonshot 建议在64个以上加速器集群上运行 K3，并已向 vLLM 项目贡献缓存代码以降低推理成本。定价方面，输入token每百万$3，缓存命中时$0.30，输出token每百万$15，高于 DeepSeek V4 但低于 Fable 5。

中文圈视角

Kimi K3 对中文用户意味着什么？首先，它是国产模型在开源领域的重大突破，参数规模全球第一，但实际可用性存疑。国内用户无需梯子即可通过 Moonshot 官方 API 或自行部署使用，但硬件门槛极高——推荐64卡集群，普通企业难以承受。

与国产同类模型对比：DeepSeek V4 参数更小（1.6T）、价格更低（$0.87/百万输入），且部署更友好；GLM-5.2 来自智谱，价格适中（$4.40/百万输入）。K3 的优势在于超长上下文（百万token）和开源可定制，适合需要处理海量文档的金融、法律、科研机构。

监管层面：K3 开源权重可本地部署，符合数据不出境要求，对东南亚银行、保险等受监管行业有吸引力。但 Moonshot 未明确训练芯片来源，若涉及美国限制硬件，可能影响合规性。

中文圈尚未讨论的盲点：K3 的量化训练和 Delta Attention 对国产芯片（如华为昇腾）的适配性。Moonshot 仅模糊提及“替代供应商”，实际性能未知。若国产芯片无法高效运行，K3 的“自主可控”将打折扣。

几条值得记住的细节

K3 参数达2.8万亿，但每次推理仅激活1.8%的专家模块，算力需求远低于同规模密集模型。
量化训练将精度降至4位，模型体积从5.6TB压缩至1.4TB，但内存占用仍极高。
百万token上下文支持，Delta Attention 使解码速度提升6.3倍，适合长文档处理。
定价：输入$3/百万token，输出$15/百万token，缓存命中时$0.30。
权重将于7月27日开源，但标准推理工具尚未完全支持，实际可用日期可能滞后。

一句话总结

Kimi K3 用内存换算力，突破了芯片限制，但高昂的部署成本使其更适合大型企业，普通用户仍应关注 API 服务。