Содержание
Kimi K3 стала открытой для развёртывания и доработки
Moonshot AI опубликовала веса Kimi K3 на Hugging Face и GitHub. Компания называет её своей самой мощной моделью: K3 умеет работать с текстом и визуальными данными, рассчитана на длинные агентные сессии и поддерживает контекст до 1 048 576 токенов. Это позволяет загружать крупные базы документов, длинные истории работы и большие репозитории без постоянного дробления задачи.
Что внутри Kimi K3
Kimi K3 построена по архитектуре Mixture-of-Experts. Всего в ней 2,8 трлн параметров, но для каждого токена активируются около 104 млрд: модель выбирает 16 из 896 экспертов. Такой подход помогает снизить стоимость вычислений по сравнению с плотной моделью сопоставимого размера, хотя для самостоятельного запуска K3 всё равно нужна серьёзная серверная инфраструктура.
Moonshot AI выделяет две собственные технологии — Kimi Delta Attention и Attention Residuals. Модель обучена с MXFP4-квантованием весов и MXFP8-активациями, а для развёртывания уже заявлена поддержка vLLM, SGLang и TokenSpeed. Для тех, кому локальный запуск не нужен, K3 доступна через API с интерфейсами, совместимыми с OpenAI и Anthropic.
На что рассчитана модель
Главный сценарий Kimi K3 — длительная самостоятельная работа с инструментами. Модель может разбирать большие кодовые базы, выполнять команды в терминале, вести исследование, собирать интерактивные отчёты и работать с изображениями и видео. В опубликованных Moonshot AI тестах K3 показала 88,3 балла в Terminal-Bench 2.1, 91,2 в BrowseComp и 94,5 в MCPMark-Verified, но это результаты разработчика и их стоит подтверждать независимыми проверками.
Почему открытые веса важны бизнесу и разработчикам
Публикация весов даёт компаниям возможность разворачивать модель в своей инфраструктуре, дообучать её под внутренние данные и строить агентов без передачи всей информации внешнему сервису. При этом Kimi K3 нельзя автоматически считать полностью свободной open-source-моделью: собственная лицензия Moonshot AI вводит отдельные условия для крупных коммерческих сервисов и продуктов с большой аудиторией.
Для обычных пользователей релиз прежде всего означает рост конкуренции среди сильных AI-агентов. Для разработчиков и бизнеса — ещё один вариант для задач, где нужны большой контекст, работа с файлами и инструментами, а также контроль над размещением модели. Перед промышленным внедрением важно отдельно оценить вычислительные расходы, качество на собственных данных и ограничения лицензии.