Moonshot AI 嘅旗艦開放模型——配備 1M token 上下文窗口、原生視覺理解、長程推理，以及專為編碼、代理（agents）同知識工作打造嘅架構。
Kimi K3 係 Moonshot AI 迄今最強大嘅旗艦模型。佢擁有 2.8 兆參數，係全球首個達到 3 兆參數級別嘅開源模型。其架構結合 Kimi Delta Attention、Attention Residuals、Stable LatentMoE，以及原生多模態理解。
呢個模型針對前沿智能場景，而唔係短小、零散嘅提示。佢旨在喺長時間嘅工程工作、龐大研究語料、截圖、圖片、影片、終端工具，以及需要規劃同反覆修訂嘅知識工作流程中，依然保持高效。
對於比較高階開放模型嘅讀者而言，Kimi K3 憑住規模、1M-token 上下文窗口、原生視覺，以及強烈嘅代理（agentic）取向而特別突出。
前沿級開放模型，延續 Moonshot AI 突破兆級參數規模嘅步伐。
專為大型程式碼庫、文件、研究檔案，以及持續累積嘅代理（agent）歷史而設計。
可將截圖、圖片同影片納入編碼、研究、創作及工具驅動嘅工作流程中一併處理。
當任務夠長、涉及多模態、技術含量高或知識密度高——而且模型需要喺不確定情況下繼續推進，而唔係只回覆一句簡短答案——Kimi K3 就最有價值。
為軟件工程師、基礎設施團隊同技術負責人而設嘅長程編碼同程式庫級工作——包括大型 repository 導航、終端同工具協調，以及實作期間嘅視覺回饋。
為分析師、顧問同科學家提供以證據為本嘅高密度知識工作——多文件整合、由研究到編碼嘅工作流程，以及喺 1M-token 上下文中完成報告、儀表板同視覺化。
為同時結合工程與圖片、影片、截圖嘅團隊提供「原生視覺」閉環——視覺迭代與除錯、動作及互動工作，以及跨視覺與技術領域嘅快速原型。
Kimi K3 將開放模型嘅前沿大幅推進——由 Kimi K2 嘅 1T 參數喺 12 個月內躍升到 2.8T，亦係首個達到 3 兆參數級別嘅 open-weight 模型。
K3 嘅架構同時提升跨序列長度同模型深度嘅資訊流動，並保持稀疏專家計算效率。Kimi Delta Attention（KDA）係一種混合線性注意力機制，用於長序列擴展；Attention Residuals 會選擇性地由較早嘅 block 擷取表徵；而 Stable LatentMoE 會為每個 token 啟動 896 個專家之中嘅 16 個——合起嚟令擴展效率約為 Kimi K2 嘅 2.5×。
Kimi K3 係 Moonshot AI 嘅 2.8 兆參數旗艦開放模型，專為長程編碼、推理、原生視覺理解同端到端知識工作而設計。
