Kimi K3: Новый стандарт в мире AI с 2,8 трлн параметров

27 июля компания Moonshot AI представила веса своей новой модели Kimi K3, которая содержит 2,8 трлн параметров. Эта модель ранее была доступна только через платный API, но теперь разработчики открыли доступ к весам, техническому отчету и трем внутренним инструментам, использовавшимся в процессе обучения. Давайте подробнее разберем этот релиз, чтобы понять, что из заявленного подтверждено независимыми замерами, а что остается на уровне утверждений компании.

Основные характеристики Kimi K3

Kimi K3 построена на архитектуре MoE (Mixture of Experts), где для обработки каждого токена активируются 16 из 896 экспертов, что составляет около 50 млрд активных параметров. Модель имеет контекст длиной в 1 млн токенов и встроенные возможности компьютерного зрения без отдельного модуля. В индексе Artificial Analysis Kimi K3 набрала 57 баллов, что ставит её на четвертое место среди всех моделей и на первое среди открытых моделей. Это лучший результат среди открытых решений, таких как GLM-5.2 (51 балл) и DeepSeek V4 Pro (44 балла).

Эффективность и производительность

Moonshot AI заявляет о приросте эффективности в 2,5 раза по сравнению с предыдущей моделью K2, однако эта цифра пока не была подтверждена независимыми исследованиями. Веса Kimi K3 занимают около 1,4 ТБ даже в формате MXFP4, что делает невозможным запуск модели на стандартных рабочих станциях. Для большинства команд единственным вариантом остается аренда серверных мощностей.

Лицензирование и ограничения

Лицензия на Kimi K3 отличается от предыдущих моделей и не является Modified MIT. Она подразумевает, что при использовании модели с аудиторией свыше 100 млн активных пользователей в месяц или выручкой более 20 млн долларов в месяц необходимо указывать бренд Kimi K3 в интерфейсе. Это ограничение касается также провайдеров, которые перепродают модель как сервис.

Открытые инструменты для разработчиков

Moonshot также открыла три компонента своей обучающей инфраструктуры: FlashKDA, MoonEP и AgentENV. FlashKDA — это CUDA-ядра для Kimi Delta Attention, которые обеспечивают ускорение обработки входного контекста. MoonEP — библиотека для обмена данными между экспертами MoE, а AgentENV — платформа для изолированных песочниц, которая позволяет проводить обучение агентов с подкреплением в промышленных масштабах.

Перспективы и ожидания

В ближайшие месяцы стоит обратить внимание на несколько ключевых аспектов:

Квантизация от сообщества: Если K3 удастся уменьшить размер до одной восьмикарточной ноды без потери качества, это значительно расширит круг пользователей.

Независимые замеры эффективности: Внешние исследования должны подтвердить или опровергнуть заявленный прирост эффективности в 2,5 раза.

Ответы конкурентов: Модели GLM и DeepSeek могут предложить альтернативы, и их результаты будут интересны для сравнения.

Практика по лицензии: Как провайдеры MaaS будут реагировать на новые условия лицензирования, станет важным аспектом для будущих интеграций.

Заключение

Kimi K3 открывает новые горизонты в области AI, предлагая мощную модель с впечатляющими характеристиками. Однако ограничения по размеру и лицензированию могут стать барьером для многих разработчиков. Важно внимательно следить за независимыми исследованиями и реакцией сообщества на эту новинку.