7月27日，月之暗面在Hugging Face和GitHub正式开放Kimi K3完整模型权重及技术报告。这意味着这款2.8万亿参数的国产前沿模型，已从在线产品和API服务进一步进入研究机构与企业可自行下载、评估和部署的阶段。

2.8万亿总参数，每次激活1040亿参数

Kimi K3采用混合专家（MoE）架构，总参数规模为2.8万亿，单次推理激活1040亿参数。模型共有896个专家，每个token选择其中16个专家参与计算，在扩大模型容量的同时控制实际推理开销。

模型基于Kimi Delta Attention与Attention Residuals等新架构设计。官方称，相比Kimi K2，整体扩展效率提升约2.5倍。K3还采用MXFP4权重和MXFP8激活的量化方案，以提升在不同硬件环境中的部署兼容性。

原生视觉与100万token上下文

Kimi K3是一款原生多模态智能体模型，能够在同一模型中处理文本、图片和视频信息，并支持约100万token的上下文窗口。其定位覆盖长周期编程、知识工作、推理和工具调用等任务。

在编程场景中，模型面向大型代码仓库、终端工具协同和长时间工程任务；在知识工作场景中，则可用于深度研究、交互式可视化、数据看板、文档分析和多模态内容处理。

完整权重开放，但本地运行门槛仍然很高

此次开放内容包括模型权重、代码仓库、技术报告与部署说明。官方推荐使用vLLM、SGLang和TokenSpeed等推理引擎，也可以通过Kimi平台API直接调用kimi-k3。

需要注意的是，“开放权重”并不等于普通电脑可以轻松本地运行。2.8万亿参数模型即使采用低精度权重，仍对GPU数量、显存、网络互联、存储和推理优化提出很高要求。多数中小企业更现实的路径，仍是先通过API或托管服务验证业务价值，再决定是否建设专用部署环境。

国产大模型开源竞争进入新阶段

Kimi K3的完整权重落地，使国内开源大模型竞争从“发布能力与榜单成绩”进一步走向“能否被第三方复现、部署和二次开发”。开放模型的价值不仅取决于参数和评测成绩，还取决于推理成本、工具链成熟度、许可证边界以及真实业务中的稳定性。

对于国内开发者而言，模型仓库和部署文档的开放，有助于开展独立评测、行业适配和基础设施优化；对于企业用户，则提供了在数据控制、定制能力与云端成本之间进行更多选择的可能。

信息来源：月之暗面Kimi K3官方GitHub仓库、官方Hugging Face模型页面。

配图来源：Pexels摄影者Brett Sayles，页面标注Free to use。查看原图及许可页面。