2.8 兆個參數，是 Moonshot AI（月之暗面）這家中國 AI 公司在 2026 年 7 月發布 Kimi K3 時報出的總參數量，直接刷新開放權重模型的規模紀錄，成為目前公開釋出過最大的一個。這個數字大到跟「開源模型比較小、比較弱」的舊印象完全相反，也讓 Kimi K3 一發布就被大量討論。
只是規模數字本身說明不了太多事，真正該問的是：Kimi K3 是什麼樣的模型、憑什麼撐起這個規模紀錄、又能不能被一般使用者實際用到。先從它的基本身分講起，再一層一層拆進架構設計與實測成績。
Kimi K3 是什麼？一分鐘先認識它
Kimi K3 是 Moonshot AI（月之暗面）在 2026 年 7 月 16 日發布的旗艦模型，定位是一個開放權重（open weight）、內建推理能力、又能理解圖片的多模態（multimodal）大型語言模型。三個標籤先記住：它是目前公開釋出過的最大開放權重模型、總參數量 2.8 兆、脈絡窗口（context window）一次可以讀進 100 萬個 token。放進 Kimi 家族來看，K3 的規模大約是前一代 K2.6（總參數 1 兆）的 2.8 倍，等於一次跳了一個量級。
長久以來，開放權重模型多半被視為規模較小、能力也跟著打折的替代選項，真正頂尖的模型幾乎都關在封閉系統裡。Kimi K3 打破了這個慣性，它不是一個縮小版的模型，而是把「巨大」與「開放」這兩件過去很少同時發生的事，放進同一個模型裡。它怎麼把 2.8 兆參數用得動，得先看看藏在底層的設計。
2.8 兆參數，但它一次只用其中一小塊
2.8 兆參數是 Kimi K3 的總員工數，但它不會每次都全員出動。K3 採用混合專家（Mixture of Experts，MoE）架構，整個模型裡藏著 896 個「專家」子網路，每次處理一個 token，系統只會挑出其中 16 個來接手，大約只動用整體的 1.8%。換句話說，你可以把它想成一間有 896 位專家的大公司，每題只叫 16 位真正相關的專家開會，不需要驚動全公司。這正是它能兼顧龐大規模與運算效率的關鍵，也是為什麼一個 2.8 兆參數的模型能被實際拿來對話使用，而不是貴到沒人跑得起。
規模之外，K3 另外兩個對使用者有感的特性是脈絡窗口與推理模式。它的脈絡窗口一次能讀進 100 萬個 token，等於能把一整份長文件、一大段程式碼庫，甚至好幾份資料一次塞進去讓它參考，不必自己切段餵。K3 也內建「一律開啟思考模式」的設計，回答前一定會先進行一段使用者看不到的內部推理，不需要額外下「請一步一步想」這種提示詞，Moonshot 的文件說法是模型本身就會先想過一輪再回答。至於這套規模為什麼跑得動、還能維持效率，底層還有另外兩個關鍵設計在撐著。
它怎麼辦到的？兩個藏在底層的新設計
Moonshot 點名了兩個藏在 K3 底層的架構創新：Kimi Delta Attention（KDA）與 Attention Residuals（AttnRes）。這兩個名字聽起來很技術，但要理解它們在解決的問題，其實不需要懂底層數學。
先講注意力機制（attention）在長脈絡下會遇到的麻煩，模型讀的內容越長，傳統注意力機制要做的比對計算量會跟著暴增，速度變慢、成本也墊高。KDA 是一種混合式的線性注意力設計，在部分層用效率更高的方式取代傳統的二次方注意力運算，讓模型處理百萬 token 這種超長脈絡時，不必犧牲掉關鍵層原本的表達能力。AttnRes 則是另一種殘差連接方式，讓模型的每一層都能有選擇性地回頭參考更早期層的表示，不是只能往前傳遞一層，這在 K3 這種由大量專家組成的架構裡格外有幫助。
這兩項設計實際帶來的效果，可以從 Artificial Analysis 針對 K3 的一份評測數字看出來。在同一套九項評測作業裡，K3 完成全部題目所花的輸出 token 量，比前一代 K2.6 少了 21%，同時智能指數還提升了 13 分，等於用更少的字數做出更好的結果。至於這兩個設計背後具體的數學運算怎麼寫，不影響實際使用這個模型，這裡就不展開。這些底層設計最終能不能反映在實際成績上，直接看數字最準。
它實際有多強？各項實測成績一次看
把 Kimi K3 公布的實測成績拆成四個面向來看最清楚，重點在於搞懂它自己落在什麼水準，不是拿來跟誰一較高下。
綜合智力：Artificial Analysis 的 Intelligence Index v4.1（一套綜合九項測驗、涵蓋推理、知識、數學與程式能力的複合指數）給 Kimi K3 打出 57 分，落在前段班，但還沒站上最頂端那一階。這個分數其實說明一件事：規模大不等於全能，K3 整體實力很強，卻不是各項評測裡分數最高的那一個。
知識與推理：根據 Moonshot 公布的測試成績，K3 在 GPQA Diamond（研究所等級的科學知識測驗）上拿下 93.5%，是目前公開的開放權重模型裡最高的成績之一。不過在專門設計來考倒現有模型的 Humanity’s Last Exam 上，K3 在可以使用工具輔助的情況下拿到 56%，若完全不靠工具、純模型作答則只有 43.5%。這個落差很誠實地說明，再強的模型碰上真正的難題，還是看得到明顯的天花板。
寫程式：程式與 agent 任務是 K3 目前表現最突出的一塊。在 Arena.ai 旗下針對前端程式碼、由人類評審評分的 Frontend Code Arena 排行榜上，K3 以 1,679 分排名第一；在模擬真實軟體工程任務的 SWE-bench Verified 上拿下 76.8%；在考驗終端機操作與自動化任務的 Terminal-Bench 2.1 上則拿到 88.3 分。三項成績收斂成同一個訊號：遇到寫程式、跑終端機指令這類 agent 任務，是 K3 目前最擅長的領域。
多模態：同一份成績單也顯示，K3 在考驗圖片理解能力的 MMMU-Pro 上拿到 81.6 分，證明它不只是文字模型，確實看得懂圖片內容。
除了成績本身，K3 也讓使用者可以自己拿捏要花多少運算力去思考。Moonshot 的文件把推理強度分成三個檔位，介面上簡化呈現為標準與高兩種模式，簡單任務用標準模式省時間，遇到真正難的題目再切到高強度模式讓它多想一點。整體看下來，Kimi K3 是一個程式與 agent 任務特別強、綜合實力逼近前段班，但在最難的題目上仍能看到極限的模型，合不合用，還是得看實際拿它做什麼樣的工作。
為什麼大家在意它「開源」這件事
Kimi K3 引發討論，不只是因為參數量夠大，更因為 Moonshot 選擇把這個等級的模型權重整個開放出來。過去能打進頂尖水準的模型，幾乎都被關在各家公司自己的伺服器裡，外部人只能透過付費的 API 呼叫，看不到、也拿不走裡面的權重檔案。像 K3 這種規模、又衝上多項評測前段班的模型願意公開權重，在同等級的模型裡相當罕見。
依目前公開的資訊，加上 Moonshot 過去 Kimi K2 系列一貫採用的授權慣例，K3 預計沿用「改良版 MIT」授權，完整權重檔案預計在 2026 年 7 月 27 日於 Hugging Face 釋出。這種授權方式代表任何人理論上都可以下載這個模型、拿去微調、部署在自己的伺服器上，甚至包進自己的產品裡對外提供服務，不必被綁在單一平台或單一供應商身上。
不過對多數人來說，「可以自架」跟「划算自架」是兩回事。2.8 兆參數的模型，權重檔案本身就高達數百 GB，得靠伺服器等級、多張高階 GPU 組成的叢集才跑得動，一般個人電腦或小型公司完全不是它的守備範圍。這也是為什麼多數想用 K3 的人，實際上還是會走 Kimi App 或 API 這條路，而不是自己買機器架設。
想認識它，現在可以怎麼開始用
想實際摸到 Kimi K3，目前有三條路可以走。最快的是直接透過 Kimi App 或網頁版跟它對話，不需要任何設定，打開就能用，這也是多數一般使用者接觸這個模型最直接的方式。
如果想把 K3 接進自己的工具或產品裡，可以透過 API 呼叫，依 Moonshot 公布的計價方式，每處理一百萬個輸入 token 收費 3 美元、輸出 token 則是 15 美元。API 目前提供兩個版本：K3 Max 針對一般對話與單一 agent 任務，是多數人會用到的預設版本；K3 Swarm Max 則是為大規模平行處理設計，讓多個 agent 同時協作執行任務，兩者是依用途區分，不是效能高下的差別。
至於想自己架設模型的人，得先等預計在 2026 年 7 月 27 日完整釋出的權重，而且如同前面提到的，2.8 兆參數的硬體門檻不低，動手前值得先評估自己有沒有相應的設備。整體來說，不必自己養一組超級電腦，一般人也摸得到這個模型，只是摸到的深淺，取決於走哪一條路。
回到開頭那個 2.8 兆的數字，它真正值得記住的地方，其實不只是「更大」而已。Kimi K3 把過去幾乎只留給封閉系統的頂尖等級表現，推進到一般人也摸得到的開放權重範圍，這件事本身的意義，並不亞於它的跑分表現有多高。對於想認識、想跟上這波 AI 發展的人來說，Kimi K3 會是這半年最值得記住的名字之一。