Kimi K3 全面拆解 — 2.8T 開源大模型的實力與成本對比

2026-07-22 · AI 比較 · Eric Cheung

🚀 Kimi K3 係咩來頭？

2026 年 7 月，月之暗面 (Moonshot AI) 正式發布 Kimi K3 — 一個震驚 AI 界嘅模型。唔係因為佢係另一個大模型，而係因為佢係 全球首個開源嘅 2.8 兆參數 (2.8 Trillion) Mixture-of-Experts 模型。

K3 採用咗自家研發嘅 KDA (Kimi Delta Attention) 架構，結合咗 Hybrid Linear Attention + Attention Residuals，MoE 部份有 896 個 Expert，每次推理只激活 16 個。呢個設計令佢喺保持極高參數量嘅同時，推理成本同延遲都控制得好好。

最勁嘅係 — Kimi K3 嘅完整權重將會喺 7 月 27 日前完全開源！呢意味住你可以喺自己嘅硬件上跑一個接近 Claude Fable 5 級別嘅模型。

快速結論（TL;DR）

• Kimi K3 係全球首個 2.8 兆參數開源 MoE 模型，完整權重會喺 7 月 27 日前開放，可以喺自己硬件度跑
• 佢嘅編程能力係最大賣點，喺 Program Bench 同 SWE Marathon 等多項 benchmark 仲贏過 Claude Fable 5
• 定價大約等於 Claude Sonnet 4.5 水平，配合自動 Context Caching，Cache Hit 時輸入成本低至 ¥2/M tokens
• 弱項係 HLE 語言理解同輸出價格偏高，生態同海外接入仍在成長階段，預算敏感嘅用家可以考慮 DeepSeek V4 Flash

💰 Token 費用對比：Kimi K3 vs DeepSeek V4 vs Claude Sonnet 4.5 vs GPT-4o

模型嘅實力固然重要，但用得唔用得落手，價錢先係關鍵。以下係 4 款主流大模型嘅 API Token 費用對比（per 1M tokens）：

Model               | Input (1M tokens)        | Output (1M tokens)       | Context Window
────────────────────┼─────────────────────────┼──────────────────────────┼────────────────
Kimi K3             | ¥20 (~US$2.75)          | ¥100 (~US$13.75)         | 1,048,576
DeepSeek V4 Flash   | US$0.14                 | US$0.28                  | 1,048,576
DeepSeek V4 Pro     | US$0.435                | US$0.87                  | 1,048,576
Claude Sonnet 4.5   | US$3.00                 | US$15.00                 | 200,000
GPT-4o              | US$2.50                 | US$10.00                 | 128,000

💸 性價比分析

DeepSeek V4 Flash 係無懸念嘅最平選擇 — 輸入每百萬 tokens 只係 US$0.14，輸出 US$0.28，比起 Kimi K3 平接近 20 倍。如果你嘅 workload 係大量 token 消耗（例如 batch processing、大量 RAG queries），DeepSeek 嘅成本優勢係壓倒性嘅。

Kimi K3 嘅定價（¥20 輸入 / ¥100 輸出）其實同 Claude Sonnet 4.5（US$3 / US$15）差唔多，約平 10% 左右。但比起 GPT-4o（US$2.50 / US$10）就貴咗大約 30%。考慮到 K3 嘅 benchmark 實力貼近 Claude Fable 5（比 Sonnet 4.5 更高一個級別），呢個定價其實相當抵玩。

Kimi K3 仲有自動 Context Caching — 如果 cache hit，輸入價格低至 ¥2/M tokens，即係約 US$0.28，接近 DeepSeek V4 Flash 嘅水平！呢個對於長對話、頻繁 query 同一 topic 嘅場景非常有利。

⚔️ Benchmark 實力對比

Kimi K3 嘅 benchmark 表現相當亮眼。官方既對比對象係 2026 年最新一代嘅旗艦模型（Claude Fable 5、GPT-5.6 Sol、Claude Opus 4.8），而唔係我哋平時熟悉嘅 GPT-4o 或 Claude Sonnet 4.5。呢個本身就反映咗 K3 嘅定位：佢係同 Fable 5 / GPT-5.6 同一級別嘅模型。

🧠 編程能力 (Coding Benchmarks)

Kimi K3 嘅編程能力係佢最強嘅賣點。睇吓呢啲數字：

Benchmark        | Kimi K3 | Claude Fable 5 | GPT-5.6 Sol | Claude Opus 4.8
─────────────────┼─────────┼────────────────┼─────────────┼─────────────────
Program Bench    | 77.8 🏆 | 76.8           | 77.6        | 71.9
Terminal-Bench   | 88.3 🏆 | 84.6           | 88.8 🏆     | 84.6
SWE Marathon     | 42.0 🏆 | 35.0           | 39.0        | 40.0
FrontierSWE      | 81.2    | 86.6 🏆        | 71.3        | 66.7
DeepSWE          | 67.5    | 70.0           | 73.0 🏆     | 59.0

K3 喺 Program Bench (77.8)、SWE Marathon (42.0) 同 FrontierSWE (81.2) 上都領先或者貼近 Fable 5。特別係 SWE Marathon — 一個考驗長鏈式編程任務嘅 benchmark，K3 嘅 42.0 遠遠拋離其他模型（Fable 5 只有 35.0）。呢個代表 K3 喺處理複雜、多步驟嘅編程任務上好有優勢。

🧪 推理與知識 (Reasoning & Knowledge)

Benchmark        | Kimi K3 | Claude Fable 5 | GPT-5.6 Sol | Claude Opus 4.8
─────────────────┼─────────┼────────────────┼─────────────┼─────────────────
GPQA-Diamond     | 93.5 🏆 | 92.6           | 94.1 🏆     | 91.0
HLE-Full         | 43.5    | 53.3 🏆        | 44.5        | 49.8*
HLE-Full (tools) | 56.0    | 63.0 🏆        | 58.0        | 57.9*

GPQA-Diamond 達到 93.5，同 GPT-5.6 Sol 嘅 94.1 只差 0.6 分，而且高過 Fable 5 嘅 92.6。不過喺 HLE-Full（Hard Language Understanding）上，Fable 5 明顯領先（53.3 vs 43.5），呢個可能係 K3 目前最大嘅弱項。

👁️ 多模態能力 (Vision)

Benchmark        | Kimi K3 | Claude Fable 5 | GPT-5.6 Sol | Claude Opus 4.8
─────────────────┼─────────┼────────────────┼─────────────┼─────────────────
MMMU-Pro         | 81.6    | 81.2           | 83.0 🏆     | 78.9
MathVision       | 94.3    | 94.8           | 95.8 🏆     | 86.7
OmniDocBench     | 91.1 🏆 | 89.8           | 85.8        | 87.9

Kimi K3 嘅多模態能力相當全面。雖然未去到 GPT-5.6 Sol 嘅頂尖水平，但喺文檔理解（OmniDocBench 91.1）上甚至領先。對於日常嘅圖片分析、圖表理解、OCR 場景嚟講，K3 完全勝任有餘。

🤖 Agent 能力

Benchmark            | Kimi K3 | Claude Fable 5 | GPT-5.6 Sol | Claude Opus 4.8
─────────────────────┼─────────┼────────────────┼─────────────┼─────────────────
BrowseComp           | 91.2 🏆 | 88.0           | 90.4        | 84.3
DeepSearchQA (f1)    | 95.0 🏆 | 94.2           | -           | 93.1
MCP Atlas            | 84.2    | 84.7 🏆        | 83.6        | 83.6
AA-Briefcase (Elo)   | 1548    | 1583 🏆        | 1495        | 1354

Agent 能力可以話係 K3 嘅另一個亮點。Browser 導航 (BrowseComp 91.2) 同 DeepSearch (95.0 F1) 都係最高分。呢意味住 K3 喺 自動化瀏覽器操作、深層資訊搜尋、同工具鏈整合 方面表現出色 — 呢啲正正係現代 AI Agent 最關鍵嘅能力。

✅ 優勢與劣勢總結

🌟 Kimi K3 嘅優勢

• #1 開源規模 — 全球首個 2.8T 開源 MoE 模型，7 月 27 日前開放權重
• 編程能力頂尖 — Program Bench / SWE Marathon 等多項編程 benchmark 勝過 Fable 5
• Agent 能力出色 — BrowseComp 同 DeepSearch 最高分，適合自動化場景
• 1M 上下文窗口 — 原生支援 100 萬 token 上下文，處理長文檔冇難度
• 自動 Context Caching — Cache hit 時輸入低至 ¥2/M tokens，長對話成本大減
• 多模態能力全面 — 文檔理解 (OmniDocBench) 領先所有對比模型

⚠️ 需要留意嘅地方

• 輸出價格較高 — ¥100/M tokens (US$13.75) 輸出價格明顯高過 DeepSeek V4 同 GPT-4o
• HLE 推理落後 — 喺 Hard Language Understanding 上同 Fable 5 有較大差距（43.5 vs 53.3）
• 多模態未到頂尖 — MathVision 同 MMMU-Pro 略低於 GPT-5.6 Sol
• 新模型生態未成熟 — 相比 OpenAI/Anthropic/DeepSeek，Kimi 嘅開發者社群同第三方工具整合仲喺成長階段
• 中國大陸為主要市場 — API 服務主要面向國內用戶，海外接入可能 latency 較高

🎯 結論：Kimi K3 啱唔啱你用？

Kimi K3 嘅出現，標誌住開源大模型進入咗一個全新時代。一個 2.8T 參數、多項 benchmark 追貼 Claude Fable 5 嘅模型，而且仲要係開源嘅 — 呢件事喺一年前係完全難以想像嘅。

以下係我俾嘅建議：

• 如果你係 Developer / 程式設計師 — Kimi K3 嘅編程能力非常強，而且可以自托管（7 月底開源後），值得一試。特別係處理大型專案重構、多文件修改呢類複雜編程任務。
• 如果你係 AI Agent / Automation 開發者 — K3 嘅 BrowseComp 同 DeepSearch 分數頂尖，用嚟做 Browser automation 同深度搜索 agent 好有潛力。
• 如果你係預算敏感嘅用家 — DeepSeek V4 Flash 仍然係性價比之王，K3 嘅定價只係「合理」，並唔係「便宜」。當然，自托管開源權重之後就另計。
• 如果你係 LLM 研究者 — K3 嘅 KDA 架構同 896 Expert MoE 係好值得研究嘅技術細節，開源權重將會係寶貴嘅研究資源。

總括嚟講，Kimi K3 係一個里程碑式嘅模型。雖然唔係每一個標準都係 #1，但考慮到佢係開源模型，而且定價合理，佢絕對係 2026 年下半年度最值得關注嘅 AI 模型之一。期待 7 月 27 日開源權重之後，社群會點樣利用呢個 2.8T 嘅怪獸。