メインコンテンツまでスキップ

Kimi K3:世界最大のオープンウェイトモデル

中級

2026年7月16日、Moonshot AIはKimi K3を出荷した——2.8兆パラメータのMixture-of-Expertsモデルであり、現時点でそのクラスにおける世界最大のオープンウェイトリリースだ。見出しはこの中国研究所のムーンショットと呼んだ。だが本当に注目すべき数字はもっと静かだ:K3はArtificial Analysis Intelligence Indexで第4位を記録し、Claude Fable 5とGPT-5.6 Solには及ばなかったものの、Claude Opus 4.8を明確に上回った。2026年7月27日にHugging Faceで全ウェイトが公開されるモデルとしては、異例の一文である。

このページでは、K3について本当に非自明な点——アーキテクチャの変更、キャッシュヒット率を確認するまで高価に見える価格の罠、そしてオープン・クローズド問わず他のあらゆるモデルより上位に立つ具体的なタスクを扱う。

What you'll learn
  • 2.8Tパラメータが2.8Tの計算量を意味しないことを理解する:MoEの算術とスパース活性化の仕組み
  • K3の3つのアーキテクチャ革新(KDA、AttnRes、LatentMoE)を学ぶ:K2比で2.5倍のスケーリング効率を生み出すもの
  • キャッシュヒット価格の計算を知る:現実のコーディングワークロードでK3が$3.00/Mではなく$0.30/Mに近い理由
  • K3をベンチマーク地図の中に位置付ける:どこで全モデルを率い、どこで劣り、ハルシネーション率の但し書きが何を意味するのか
  • OpenAI互換クライアントで3行のAPI呼び出しを始める

一言でいうと​

Kimi K3はMoonshot AIによるオープンウェイト(全ウェイトは2026年7月27日公開)、2.8兆パラメータのスパースMoEで、長期的なエージェンティックコーディングと知識労働に向けてチューニングされ、ネイティブなビジョンと100万トークンのコンテキストウィンドウを持つ。価格はフロンティアAPI並みだが、コーディングワークロードでは90%以上の頻度でプロンプトキャッシュにヒットするため、実際には安く済むことが多い。

見出しからは見えないK3の3つのポイント​

1. 「2.8兆パラメータ」はトークンあたり2.8兆の活性化を意味しない​

見出しの数字は劇的だが、K3はMixture-of-Expertsモデルだ。896個のエキスパートサブネットワークを持ち、トークンあたり16エキスパートのみが発火する——これが「Stable LatentMoE」コンポーネントである。モデルはストレージ上は巨大だが、フォワードパスあたりの計算量はコンパクトだ。推論時のアクティブパラメータフットプリントは2.8Tよりもはるかに小さい。これはDeepSeek V4 Pro(同じくMoEを使用)と同じアーキテクチャ的トレードオフであり、この規模のモデルがウェイトをセルフホストすれば管理可能なハードウェアで効率的に動く理由でもある。

実務上の含意:密なモデルとMoEモデルでパラメータ数を直接比較してはいけない。16/896エキスパートアクティブの2.8T MoEは、70Bの密モデルとは異なる計算プロファイルを持ち——セルフホストするハードウェア要件も大きく異なる。

2. キャッシュヒット率がコスト計算を完全に反転させる​

K3のAPI価格は入力$3.00/M、出力$15.00/M——一見すると高い。しかしMoonshotはキャッシュヒット価格$0.30/M入力(10倍の割引)を提供しており、コーディングワークロードではキャッシュヒット率が90%を超えると同社は報告している。つまり進行中のコーディングセッションにおける実質的な100万トークンあたりの入力価格は**$0.30〜$0.45**であり、$3.00ではない。

タスク単位のコストで比較すると(第三者評価より):

モデルエージェンティックタスクあたりコスト
Kimi K3$0.94
GPT-5.6 Sol$1.04
Claude Opus 4.8$1.80

さらにK3はK2.6より21%少ない出力トークンを使う——より簡潔になるように学習した——ので、請求額はさらに下がる。見出し価格ではK3はプレミアムに見えるが、現実的なタスク価格ではフロンティア勢を下回る。

3. アーキテクチャの革新は事後ではなく学習時のもの​

K3は学習の段階で組み込まれた3つの新しいコンポーネントを出荷する:

  • Kimi Delta Attention (KDA) — 1Mトークンのコンテキストウィンドウを長距離での標準アテンションの二乗コストなしで効率的に扱うハイブリッド線形アテンション機構。
  • Attention Residuals (AttnRes) — 深さ全体にわたる一様な蓄積の代わりに、AttnResは以前の層からの表現を選択的に取得し、長いエージェンティックランの間、モデルが自身の初期の思考を「振り返る」ことを可能にする。
  • Per-Head Muon と Sigmoid Tanh Unit (SiTU) — オプティマイザと活性化の改良で、Moonshotが主張する全体的なスケーリング効率のK2比2.5倍の改善に寄与した。

MXFP4ウェイト量子化(MXFP8活性化と共に)も事後適用ではなく学習を意識したものだ。これは品質にとって重要である:事後の量子化は通常ベンチマークポイントを削るが、量子化を意識した学習はその代償を大幅に取り除く。

ベンチマーク地図におけるK3の位置​

K3はArtificial Analysis Intelligence Indexで総合4位にランクした(2026年7月時点):

順位モデルスコア
1Claude Fable 5~60
2GPT-5.6 Sol~59
3(クローズドの拮抗領域)—
4Kimi K3~57
5Claude Opus 4.8~56

K3が全モデル(オープンとクローズド)をリードする領域:Frontend Code Arena(1,679ポイントで1位)——UIコンポーネント生成と反復的なビジュアルコーディングの実世界評価である。モデルの1Mトークンコンテキストとネイティブなビジョン能力がここで寄与する。

注意すべき点:K3のハルシネーション率は独立評価で約51%——フロンティアのクローズドモデルよりも高い。ベンチマーク精度はK2.6の33%からK3の46%へと跳ね上がったが、事実的グラウンディングは同じ速度では改善しなかった。K3の出力は事実的主張について検証すること。コードと構造化されたタスク完了で最も強く、検索なしのオープンエンドな知識質問では信頼性が下がる。

DeepSWE(長期的なソフトウェアエンジニアリング):K3のスコアは67.3で、本稿執筆時点でオープンウェイトモデル上の最高公開スコアであり、フロンティア領域に匹敵する。

BrowseComp(コンテキスト管理なしの長文コンテキストナビゲーション):1Mトークンウィンドウを有効化して90.4——特筆すべきは、大部分のモデルがこの規模で必要とするチャンク化や検索戦略なしに達成した点である。

K3が設計されている用途​

Moonshot K3の学習は長期・最小監督タスク——モデルが計画し、ツールを呼び出し、デバッグし、反復し、大きなリポジトリやマルチ時間ワークフローを通じて一貫性を保たなければならない類の作業——に傾倒した。公式ブログが示す具体的な能力:

  • GPUカーネル最適化(Pythonラッパーだけでなく、CUDA/Triton レベルの作業)
  • GPUコンパイラ開発(ベンチマークタスクとしてMiniTritonコンパイラをゼロから構築)
  • チップ設計とRTL検証(ハードウェアエンジニアリング)
  • マルチエージェントのサブエージェントオーケストレーション — K3は独自のKimi Work環境で20以上の同時サブエージェントを協調させられる
  • 対話的な研究可視化とダッシュボード生成(ビジョン中心の設計とFrontend Code Arena 1位のランキングが理にかなうところ)

「thinking mode」はローンチ時に常時有効(最大努力)だ。APIはまだチューナブルな努力レベルをサポートしていない——ローンチ時点では、すべての呼び出しが最大の思考を使い、トークンを追加する。追加の推論努力レベルはロードマップにあるが、まだ利用できない。

Kimi K3 APIを始める​

K3はOpenAI互換のAPI形状を使うので、既にコードベースがOpenAIクライアントシムを介してGPTやClaudeを呼び出している場合、Kimiに向ける変更はわずかである:

Guided walkthrough1 of 3
  1. platform.kimi.aiにサインインし、APIキーを作成する。K3はモデルID `kimi-k3` で利用できる。

Kimi K3 via OpenAI SDK (Python)

import openai

client = openai.OpenAI(
  api_key="YOUR_MOONSHOT_KEY",
  base_url="https://api.moonshot.cn/v1",
)

response = client.chat.completions.create(
  model="kimi-k3",
  messages=[{"role": "user", "content": "Refactor this 5,000-line Python codebase..."}],
)
print(response.choices[0].message.content)

OpenRouter経由(単一のAPIキー、K3をClaudeやGPTと簡単にA/Bできる):

Kimi K3 via OpenRouter

import openai

client = openai.OpenAI(
  api_key="YOUR_OPENROUTER_KEY",
  base_url="https://openrouter.ai/api/v1",
)

response = client.chat.completions.create(
  model="moonshotai/kimi-k3",
  messages=[{"role": "user", "content": "Review this TypeScript and suggest optimizations."}],
)
print(response.choices[0].message.content)

オープンウェイト(2026年7月27日からセルフホスト): ウェイトはMoonshot AIの組織ページの下でHugging Faceで公開される。モデルはMXFP4量子化でネイティブに出荷され、広いハードウェア互換性が明確な設計目標であった。完全なハードウェア要件はリリース時に確認される。

K2 vs K3:どちらに手を伸ばすか​

Kimi K2 for Claude users ページから既にK2のツーリングを持っているかもしれない。判断の仕方はこうだ:

Kimi K2 (1Tパラメータ)Kimi K3 (2.8Tパラメータ)
総パラメータ数1兆2.8兆
トークンあたりアクティブパラメータ~32B~16/896エキスパート
ネイティブビジョンなしあり
コンテキストウィンドウ128K1M
オープンウェイト利用可能現在2026年7月27日
ベンチマーク順位~7位 (Artificial Analysis)4位
出力コストより低い$15/M (キャッシュで相殺)
得意分野コスト重視のエージェンティックツール使用、今すぐセルフホスト長期のビジュアルコーディング、大規模リポジトリ、マルチモーダルタスク

K3を選ぶ場合:フロンティア級の品質(トップ5モデル)が必要、タスクが長くプロンプトキャッシュに繰り返しヒットする可能性が高い、あるいはビジョンが必須のとき。コンプライアンス/プライバシーのためにオープンウェイトが欲しいが7月27日まで待てる場合に特に有用。

K2にとどまる場合:今すぐセルフホストが必要、コストが主要な制約でタスクがK3の追加の深さから恩恵を受けない、あるいは既にK2を動くツーリングと共に本番で運用している場合。

クイズ​

Check yourself

0/4
  1. Kimi K3は2.8兆パラメータを持つ。推論時にトークンあたり何個のパラメータがアクティブになるか?
  2. 長いコーディングセッションで、K3は100万入力トークンあたりの実効価格でおおよそいくらで動くか?
  3. Kimi K3はどのベンチマークで1位——全クローズドフロンティアモデルの上——にランクしているか?
  4. 事実的知識タスクにおけるK3の主な実務上の但し書きは?
Enter キーまたはスペースキーでカードを裏返します。左右の矢印キーでカードを移動できます。用語を表示しました。
1 / 7

ソース & さらなる読み物​