全球首个开源的3万亿参数级别大模型Kimi K3正式发布，其参数量达到2.8万亿，原生支持视觉理解，并拥有100万token的上下文窗口。这一突破性进展使Kimi K3成为大模型领域的焦点，被不少网友称为“中国的Fable 5时刻”。
Kimi K3一经上线便引发广泛关注。云平台Vercel创始人、Next.js作者Guillermo Rauch公布的专业网页工程AI评测结果显示，Kimi K3综合表现位列第一，首次有开源模型在该权威榜单超越全部海外闭源模型。其代码任务成功率达92%，开发效率优于同梯队的Claude Fable 5。测评博主aditya实测后认为，Kimi K3就像中国开源了Claude Fable 5类型的模型，他用Kimi K3生成了一款枪战游戏，仅凭一个提示就能生成令人惊喜的界面。
在性能对比方面，Kimi K3表现不俗。AI头部测评博主Taelin体验后指出，Kimi K3在某些题目上表现超过Claude Fable 5，但也有部分题目表现欠佳，且花费时间是Claude Fable 5的10倍。不过，Kimi K3以接近Claude Fable 5的性能，却只需Claude Sonnet 5的价格，这一优势改变了部分人的看法。在基准测试中，Kimi K3在大模型评测竞技Arena.AI的前端代码测试中超越Claude Fable 5；在第三方独立测评机构Vals AI中，综合测试得分为74.7，位列第2，超越GPT - 5.6，仅次于Claude Fable 5。
Kimi K3在架构和基础设施上进行了升级。通过KDA、AttnRes等架构升级和更高稀疏性的MoE设计，提高了长序列信息处理和模型扩展效率，相比Kimi K2整体扩展效率提升约2.5倍。在价格方面，Kimi维持分级计费模式，但相比Kimi K2.6价格有明显上涨。每百万token的输入价格（缓存未命中）为20元，较Kimi K2.6的6.5元上涨约207.69%；缓存命中情况下输入价格为2元，较之前1.1元有所提升；输出价格从27元上调至100元，涨幅约270.37%。不过，相比顶级闭源模型，Kimi K3仍保持较低价格，以Claude Fable 5为例，其API输入和输出价格明显高于Kimi K3。
Kimi K3的多模态创意理解能力也十分突出。在实测中，要求其制作一个3D横版的格斗游戏，场景为被霸天虎入侵的破败城市地图，敌人为类人型赛博坦机器人等。Kimi K3仅用一次就完成了游戏创建，且没有出现错误，在游戏逻辑与元素还原上相较于之前的Kimi K2.6有较强提升，画面精细程度更高，还为玩家提供了射击和击打2种攻击模式。海外网友之前还用Kimi K3生成了一个达芬奇工坊模拟器，该模型不仅复现了文艺复兴工坊的视觉风格，还理解了达芬奇扑翼机的历史背景和工程细节，具备跨领域知识整合能力。
在编程领域，Kimi K3展现出强大的复杂任务执行能力。它能够理解大型代码库、调用终端工具，持续完成长时间的软件开发任务，还能参与GPU内核优化、编译器开发、芯片设计等高复杂度工程工作，并结合视觉理解能力完成游戏开发、前端设计等多模态编程任务。例如，Kimi展示了该模型从零开始构建GPU编程系统的案例，开发了类似Triton的编译器MiniTriton，在部分场景下性能达到甚至超过现有工具。Kimi K3还能设计芯片，在连续48小时的自主Agent运行中，基于开源EDA工具和Nangate 45nm工艺库，独立完成了芯片的构建、优化与验证。
在知识生成领域，Kimi K3同样表现出色。它能够自主搜集和分析大量资料，整合文献、数据与工具，完成产业研究、科研分析、报告生成和可视化创作等任务。如生成包含交互式可视化图表的咨询风格行业报告，对GWTC - 5引力波进行分析并生成科学可视化图和表格，综合多篇论文文献内容。还能将技术概念转化为动画图示和转场，制作介绍自己架构的动态图形讲解视频，甚至依托原始素材自主生成品牌宣传视频，独立完成素材筛选、画面动作匹配剪辑等工作。
Kimi K3进一步增强了模型交互的可视化和持续管理能力。基于Kimi K3，Kimi Work推出了“小组件”和“看板”功能。小组件支持在对话中生成可交互内容，并连接本地数据或外部插件实现动态更新；看板则能够集中管理多个小组件，形成围绕项目、主题或目标的长期工作空间。
官方公布的评测结果显示，Kimi K3在编程、Agent任务和视觉理解等多个方向展现出较强能力。在编程能力方面，在超长时序持续开发SWE Marathon、软件逆向Program Bench、终端运维Terminal Bench 2.1等测试中表现突出。在Agent和知识工作场景中，在网页深度调研BrowseComp、办公自动化Automation Bench、Excel财务建模SpreadsheetBench 2等测试中取得领先。在视觉能力方面，在图表理解CharXiv、文档分析OmniDocBench等任务中表现较强，但在部分视觉推理任务中仍存在差距。
Kimi K3的构建主要基于Kimi Delta Attention（KDA）和Attention Residuals（AttnRes）两项架构更新，让信息在更长序列和更深模型中流动更顺畅，同时进一步扩大了Mixture of Experts（MoE）的稀疏度。再加上训练方法和数据配方的优化，使其相比Kimi K2的整体扩展效率提升约2.5倍。在训练与部署上，该模型从SFT阶段开始采用量化感知训练，并通过平衡专家并行训练提升吞吐。不过，目前Kimi K3仍存在一些使用限制，如在保留思维历史的模式下训练，若Agent框架未正确返回完整历史内容或用户切换模型，生成质量可能不稳定；针对长期复杂任务强化训练，在用户意图不明确时可能表现过于主动。
