你现在就能在网页或 App 里用 Kimi K3，但还不能把它完整下载到自己的机器上。这像一辆已经开放试驾、发动机图纸却要几天后才交付的新车。真正值得追踪的，不只是模型变强了，而是它把“云端触手可及”和“本地难以承受”这组反差推到了新高度。
Kimi 官方称，K3 已在 Kimi.com、Kimi Work、Kimi Code 和 Kimi API 上线；另有用户报告网页端和 App 已可使用。完整模型权重计划于 2026 年 7 月 27 日前发布。这里要分清：权重是模型训练后学到的海量数值文件，开放权重意味着开发者可以下载、运行这些参数，但不等于训练代码、数据和全过程都开源，具体还能怎么用，要看随权重公布的许可证。
本文的架构、性能与发布日期主要来自 Kimi 官方博客；社区榜单说法缺少截图、分数和测试日期，尚不能与官方结果直接对照。
2.8T，不只是一个大数字
Kimi K3 的总参数量为 2.8T，也就是 2.8 万亿。官方称它是首个达到这一规模的开放模型，并称其为全球首个“open 3T-class model”。不过，截至目前，“open”首先是一项将在 7 月 27 日前兑现的权重发布承诺，而不是权重已经可以下载；“首个”也仍是官方口径，尚缺少独立核验。
参数可以粗略理解为模型训练后记住的数值关系。数量越大，权重文件通常越占空间，运行时也越考验内存和多卡计算资源。因此，2.8T 一方面是能力扩展的信号，另一方面也是部署成本的警报。社区已有用户直言，如此规模会让本地运行更困难，并期待更激进的压缩方案。材料没有给出权重体积、推荐硬件或实际部署成本，所以现在还无法回答普通工作站能否运行。
K3 还支持 1M，也就是 100 万 Token 的上下文窗口。Token 是模型切分文字和代码后处理的小片段；上下文窗口则是一次能接收和处理的 Token 总量。窗口更长，意味着它可以一次读入更多代码或材料。官方据此强调长时间编程、知识工作和推理任务，但尚未公布足够完整的技术报告来说明不同长度下的实际稳定性。
它还具备原生视觉能力：同一模型体系可以直接处理文字和图像，而不是先靠外围工具把图片转成文字。官方给出的应用方向包括结合截图修改前端、游戏和 CAD，以及在编程过程中反复查看画面、继续调整代码。
它到底改了什么？
官方介绍了三组关键设计：Kimi Delta Attention（KDA）、Attention Residuals（AttnRes）和 Stable LatentMoE。前两项被描述为改善信息在长序列和深层网络中的流动；现有材料没有进一步解释其具体机制。
MoE 是“专家混合”结构：模型拥有许多不同的计算模块，但每次只调用其中一部分。K3 共设有 896 个专家，每次激活 16 个。说白了，它虽然拥有巨大的总参数量，却不会在每次处理请求时把全部专家同时叫来工作。
Kimi 称，这些结构变化与训练、数据方案一起，使 K3 相比 Kimi K2 的整体 scaling efficiency——可理解为把新增计算转化为能力的效率——约提高 2.5 倍。这是官方测算，目前没有独立结果支撑，也不能直接理解成“速度快 2.5 倍”或“能力强 2.5 倍”。
强到什么程度，还要看比较口径
官方的表述其实相当克制：K3 的总体表现仍落后于 Claude Fable 5 和 GPT 5.6 Sol，但超过其他受测模型。在一项更窄的 GPU kernel optimization 测试中，各模型最多用 24 小时优化四项任务；K3 的结果接近带 fallback 的 Fable 5，并明显优于 Opus 4.8、GPT 5.6 Sol 和 GPT 5.5。GPU kernel 可以理解为直接指挥图形处理器完成具体计算的底层程序，优化它需要同时处理代码正确性和运行效率。
不过，这项测试由 Kimi 发布，且官方特别注明：Fable 5 由第三方评测，结果可能包含 fallback 行为；部分模型也采用了数值容差以内的精度捷径。因此，它能说明 K3 在特定工程任务上有竞争力，却不能替代全面、独立的能力比较。
社区还有“K3 在 arena.ai 击败 Fable 5 和 GPT 5.6 Sol”“在 ArtificialAnalysis 排第三”等说法，但供稿只有帖子标题或一句评论，没有榜单截图、具体分数和测试日期。它们可能采用了不同评测口径，并不必然与官方的“总体仍落后”矛盾，但目前不足以写成确定结论。
为什么值得继续盯着
K3 把两个趋势放在了一起：普通用户已经能通过云端直接调用一个 2.8T 参数、支持 1M 上下文和视觉输入的模型；开发者则仍在等待完整权重，以及真正决定能否自行部署的技术细节。
所以，7 月 27 日前的权重发布不只是补齐下载链接。它将决定“开放模型”这层身份能否从官方承诺变成可验证的现实，也会让外界第一次具体评估：如此庞大的模型需要多少资源，第三方能否稳定运行，又能压缩到什么程度。性能榜单很抢眼，但部署成本、许可证和可复现性，才是这次发布的下一场考试。
局限与未知
- 完整技术报告尚未发布，架构、训练和评测细节仍不充分。
- 官方没有披露权重体积、推荐硬件、本地部署成本和许可证条款。
- 社区榜单主张缺少可核查材料，暂不能据此断言 K3 已超过闭源前沿模型。