2.8 萬億參數的開源旗艦
Kimi-K3 是首個 3T 級別開源模型，參數量近乎對手的三倍，並支持 100 萬 Token 上下文。
3万亿开源巨兽 Kimi K3，真的击败了 Fable 5 与 GPT-5.6？
✓ 這篇在你的庫裡
在摘要庫開啟 →
這部在講什麼
介紹 Moonshot AI 發布的 2.8 萬億參數開源大模型 Kimi-K3，分析其技術架構、在編程與 Agent 任務上的卓越表現，以及其對 AI 算力成本與開源生態的戰略衝擊。
適合誰AI 工程師、科技創業家及對大語言模型發展感興趣的人。
你會得到了解 Kimi-K3 的核心技術、掌握開源模型對算力成本的影響、獲取最新的大模型效能基準測試數據。
最值得看09:22 算力帳本分析，揭示 Kimi-K3 如何以一半成本換取極高智商。
內容脈絡
一眼重點意義優先，時間戳用來導航
KDA 與 AttnRes 架構重構
引入 Kimi Delta Attention 減少推理顯存，Attention Residuals 則確保模型在複雜邏輯中不遺漏細節。
編程與 Agent 任務的霸主
在 Arena AI 前端開發測試排名第一，並在 SWE Marathon 等軟體工程極限測試中超越 Claude Opus 4.8 與 GPT-5.6。
從 GPU 編譯器到物理仿真
展示 24 小時內編寫 GPU 編譯器、實時渲染黑洞及 3D 體素遊戲引擎，證明其具備原生的物理邏輯理解力。
智能密度與價格戰略
Kimi-K3 以每百萬 Token 輸入 $3 / 輸出 $15 的定價，將 3T 級智能成本砍半，大幅提升 AI 應用的經濟效益。
底層依賴的微妙轉移
開源模型的突破不僅是技術博弈，更引發全球企業對中國算力芯片底層優化的系統級供應鏈依賴。
看完可以做什麼
在移動端、桌面端或 CLI 嘗試調用 Kimi-K3，評估其在自身開發任務或 Agent 流程中的「智能密度」表現。
生成於 2026-07-20
檢舉
觀眾怎麼看
整理 29 則有效留言信心 高觀眾對 Kimi K3 的評價兩極，主要聚焦於實際工程表現、開源價值與商業化策略的質疑。
多數觀眾認同 Kimi 與 DeepSeek 等模型公開算法與結構，對比閉源模型具有顯著的開源價值。
部分使用者回饋 K3 在複雜任務、Debug 及長任務中幻覺較多，表現不如預期，與影片宣傳存在落差。
觀眾對訂閱費用高昂、頻繁出現無法使用或售罄等飢餓行銷現象表示不滿，質疑其商業模式的可持續性。
部分觀眾認為影片文案過於依賴 AI 生成，缺乏真實感與價值，但也有觀眾給予正面評價。
觀眾指出影片缺乏具體的評測環境說明，建議應釐清是單次 Prompt 測試還是 Agent 框架下的綜合表現。
留言樣本包含大量情緒性發言與廣告連結，僅能反映部分用戶觀點。