Moonshot выпустила Kimi K3 на 2,8 трлн параметров — как работать с крупнейшей открытой моделью

Китайская Moonshot AI запустила Kimi K3 — модель на 2,8 триллиона параметров с контекстным окном в миллион токенов. По заявлениям компании, по общему интеллекту она уступает только Claude Fable 5 и GPT-5.6 Sol. Модель уже доступна через API и чат, веса обещают выложить в ближайшие дни. Разбираемся, что внутри и как начать работать.

Почему K3 — это не просто раздутая K2

K3 стала первой открытой моделью масштаба 2,8 трлн параметров. Это не увеличенная версия прошлогодней K2, а переработанная архитектура с двумя ключевыми новшествами.

Kimi Delta Attention — гибридный механизм линейного внимания. В отличие от классического квадратичного внимания (где сложность растёт как O(n²) от длины последовательности), линейное работает за O(n). Критично для контекста в миллион токенов: классическое внимание на таких объёмах требует нереальных объёмов памяти.

Attention Residuals — остаточные связи для слоёв внимания. Помогают информации не теряться при прохождении через десятки слоёв трансформера. Особенно важно в длинных последовательностях, где ранние токены могут «размываться» к моменту обработки поздних.

Разреженная MoE-архитектура: из 896 экспертов на каждый токен активируются только 16. Это даёт огромную ёмкость модели при управляемых вычислительных затратах. По оценке Moonshot, масштабирование K3 примерно в 2,5 раза эффективнее K2 — та же мощность железа даёт больший прирост качества.

Зрение встроено нативно: модель принимает изображения и видео без внешних адаптеров.

Как K3 выглядит на бенчмарках

Moonshot приводит результаты трёх специализированных тестов. Важная оговорка: все цифры — замеры самой компании, техотчёт не опубликован, независимых проверок пока нет.

GDPval-AA v2 — задачи из 44 профессий в девяти отраслях (медицина, финансы, инженерия). K3 набрала 1687 баллов, обойдя Claude Opus 4.8 Max (1600), но уступив Fable 5 Max и GPT-5.6 Sol Max.

AA-Briefcase — закрытый бенчмарк Artificial Analysis по длинным агентным задачам. K3 заняла второе место в мире, обогнав GPT-5.6 Sol Max.

BrowseComp — поиск труднодоступной информации в вебе. K3 в одиночном агентном режиме показала 91,2 балла — рекорд среди всех моделей. Без сжатия контекста, просто за счёт миллионного окна.

На практике это значит: K3 справляется с задачами, где нужно удерживать огромный объём данных (анализ длинных документов, кодовых баз, исследовательские задачи) и автономно работать с внешними источниками.

Как начать работать с K3 прямо сейчас

Через чат

Бесплатный доступ через чат-приложение Moonshot. После нескольких ответов модель показывает предупреждение о перегруженных серверах и предлагает оплатить подписку. Условия подписки компания пока не раскрывает.

Через API

Документация доступна на платформе Moonshot. Цены:

• Входящие токены: $3 за миллион ($0,3 при попадании в кэш)
• Исходящие токены: $15 за миллион

Для сравнения: предыдущая K2.6 стоила $0,6/$2,5, июньская K2.7 Code — $0,95/$4. Moonshot подняла цены в разы, почти до уровня западных флагманов.

Пример запроса к API (структура типична для OpenAI-совместимых API, точный формат уточняйте в документации):

```python import requests

response = requests.post( "https://api.moonshot.cn/v1/chat/completions", headers={"Authorization": "Bearer YOUR_API_KEY"}, json={ "model": "kimi-k3", "messages": [{"role": "user", "content": "Ваш запрос"}], "max_tokens": 2000 } )

print(response.json()) ```

Локальный запуск

Веса модели обещают выложить в ближайшие дни. Но учитывайте масштаб: 2,8 трлн параметров — это не модель для Mac Studio. Для запуска понадобится полноценный кластер с несколькими десятками GPU. При разреженной активации (16 экспертов из 896) эффективный размер меньше, но всё равно речь идёт о сотнях гигабайт весов.

Где это может сломаться

Завышенные бенчмарки. Вендоры традиционно публикуют метрики, на которых выглядят лучше всего. Независимые проверки появятся только после релиза весов.

Высокая стоимость API. $15 за миллион исходящих токенов — почти как у GPT-5.6. Если задачи не требуют миллионного контекста, дешевле могут оказаться модели среднего класса.

Инфраструктурные требования для self-hosted. Даже с квантизацией и разреженной активацией запуск потребует значительных ресурсов. Это модель для команд с доступом к серьёзному железу или облачным кластерам.

Перегруженные серверы. В первые дни после релиза бесплатный доступ через чат ограничен. Если нужна стабильность — сразу рассматривайте API или подписку.

Что попробовать дальше

• Следите за релизом весов — как только Moonshot выложит их, появятся независимые тесты и сравнения с конкурентами (GLM-5.2 от Z.ai, DeepSeek V4).
• Тестируйте на длинных задачах — миллионное окно открывает возможности для анализа крупных кодовых баз, технической документации, юридических текстов.
• Сравните с западными аналогами — если уже работаете с Claude Opus 4.8 или GPT-5.6, прогоните параллельные тесты на ваших реальных задачах.
• Экспериментируйте с агентными сценариями — результаты на AA-Briefcase и BrowseComp намекают, что K3 может автономно справляться со сложными многошаговыми задачами.

Источники

• Habr ML: Крупнейший open source ИИ в истории. Вышла Kimi K3 — по мощности модель уступает только Fable 5 и GPT-5.6