认识 Kimi K3：月之暗面开源的 2.8 万亿参数"超级智能体"

你有没有过这种体验：让大模型帮你写个网页，代码噼里啪啦给你甩过来，结果一运行全红，来回改了八遍还是跑不起来。问题不在你，在于大多数模型是"闭着眼睛写代码"——它根本看不见自己写的页面长啥样。

2026 年 7 月，月之暗面（Moonshot AI）甩出一颗"核弹"：Kimi K3，总参数 2.8 万亿，全球首个开放的 3T（万亿）级模型。最离谱的是它的"视觉在环（vision in the loop）"能力——它写代码、截图看效果、再改、再看，像个真人在那儿调界面。这玩意儿一开源，直接把 Arena 前端代码榜干到全球第一，把一众美国闭源模型踩在脚下。

有分析师说，这是"又一个 DeepSeek 时刻"。我倒觉得，它更像一个会自己干活、还能边干边看结果的"实习生 2.0"——而且不用你手把手教。

什么是 Kimi K3

Kimi K3 是月之暗面（Moonshot AI）的旗舰多模态推理模型，2026 年 7 月 16 日发布、7 月 27 日开源权重。它不是简单地把参数堆大，而是用了一套自研架构 + 稀疏专家路由，专门为了"长程自主任务"而生——也就是那种要连续干几十步、要调工具、要看截图、要查资料的活儿。

说白了，K2 时代 Kimi 还是个"长文本聊天高手"，K3 直接进化成了"能端到端交付的 Agent"。月之暗面自己都承认，论综合智能它暂时还排在 Claude Fable 5 和 GPT-5.6 Sol 之后，但在编程、视觉理解、长程任务这条线上，它已经摸到前沿级门槛了。

Kimi K3 有什么特点

2.8 万亿参数 MoE 稀疏架构：896 个专家里，每个 token 只激活 16 个，激活参数约 500 亿，推理不靠"暴力全开"。
原生百万上下文：1,048,576 token，是预训练阶段就支持的"真·长上下文"，不是事后用位置插值硬撑的"假长上下文"。
原生多模态视觉：同一模型里理解文本、图像、视频，不需要外接视觉适配器（不再有"看不懂图"的割裂感）。
KDA + AttnRes 自研架构：Kimi Delta Attention 管长序列的信息流，Attention Residuals 管深层梯度不丢失，两者撑起了 2.8T 的扩展效率（比 K2 提升约 2.5 倍）。
视觉在环（vision in the loop）：截图 → 改代码 → 看效果 → 再改，形成自动化反馈闭环，特别适合游戏开发、UI 设计、CAD。
OpenAI 兼容 API：换个 base_url 就能用，从 K2 迁移到 K3 基本是一行代码的事。

一句话：它的聪明不是"参数大"三个字能概括的。2.8T 是容量上限，真正厉害的是把规模转化成了"能干活的真实能力"。

Kimi K3 能用在哪（真实案例）

别光看参数吓人，这模型的案例是真能端到端交付的，月之暗面在技术报告里写得明明白白：

长程编码与工程：GPU 内核优化、从零写类 Triton 编译器 MiniTriton、芯片设计。最夸张的一个案例——K3 在 一次 48 小时自主运行中，用开源 EDA 工具完成了芯片的设计、优化与验证：4mm² 面积、100MHz 时序收敛、仿真解码吞吐超 8,700 tokens/s，一颗"为模型服务、由模型设计"的芯片就这么出来了。
深度研究与知识工作：一份"42 年 AI ASIC 产业研究"交互式网站，靠 2,800+ 次搜索/抓取、1,100+ 次数据拉取、覆盖 1.1 万多页内容生成；GWTC-5 引力波分析则用 20+ 个并发子智能体分析了 391 个引力波事件，产出科学可视化与文献综述。
多模态创作：用 56 段素材自动剪出预告片，处理片段挑选、节拍同步、音频；还能做 3Blue1Brown 风格的架构动画讲解视频。
国产算力适配：华为宣布昇腾（Ascend）0-day 适配 K3，成为首个跑在国产硬件上的开放 3 万亿级模型；阿里云百炼也上线了 K3。

先别上头。这些案例很硬，但本地部署门槛也不低——完整权重约 1.5TB（96 个 safetensors 分片），官方建议在 64 张及以上加速卡的超节点上跑。对个人而言，老老实实薅 API 最香。

初体验：怎么上手 Kimi K3

普通开发者根本不用自己扛 64 张卡，先跑通 API 最实在：

bash

pip install openai

python

from openai import OpenAI

client = OpenAI(base_url="https://api.moonshot.cn/v1", api_key="你的KEY")
resp = client.chat.completions.create(
    model="kimi-k3",
    messages=[{"role": "user", "content": "用三句话介绍你自己"}],
    temperature=1.0,
    max_tokens=4096,
    extra_body={"reasoning_effort": "max"},  # low / high / max，默认 max
)
print(resp.choices[0].message.content)

想自己部署也行，官方给了 vLLM / SGLang 的 recipe，8 卡张量并行起步：

bash

# 先拉权重
modelscope download --model moonshotai/Kimi-K3 --local_dir ./Kimi-K3

# vLLM 起服务
pip install -U vllm
vllm serve ./Kimi-K3 \
  --served-model-name kimi-k3 \
  --tensor-parallel-size 8 \
  --max-model-len 1048576 \
  --trust-remote-code

价格参考（API）：输入 $3 / 百万 token（缓存命中 $0.30）、输出 $15 / 百万 token，比同档闭源模型便宜一截，这也是它敢叫板前沿闭源模型的底气之一。

进阶

更多开源技术干货和学习资料，关注公众号「遇码」，领取专属福利。

认识 Kimi K3：月之暗面开源的 2.8 万亿参数"超级智能体" ​

什么是 Kimi K3 ​

Kimi K3 有什么特点 ​

Kimi K3 能用在哪（真实案例） ​

初体验：怎么上手 Kimi K3 ​

进阶 ​

认识 Kimi K3：月之暗面开源的 2.8 万亿参数"超级智能体"

什么是 Kimi K3

Kimi K3 有什么特点

Kimi K3 能用在哪（真实案例）

初体验：怎么上手 Kimi K3

进阶