Kimi K3 开放日：模型权重、技术报告和关键 Infra 技术同步开放

Kimi K3 模型权重正式开放

Kimi K3 是我们能力最强的模型：这是一个拥有 2.8 万亿参数的混合专家（MoE）模型，具备原生视觉理解能力，并支持 100 万 token 的上下文窗口。

Kimi K3 参数规模是 Kimi K2.5 的 3 倍左右，但是规模化并不仅仅是参数的堆叠，在并不宽裕的算力条件下，我们凭借 Kimi Delta Attention、Attention Residuals 以及 MoonEP 等一系列技术创新，规模化效率提升了 2.5 倍（即在算力最优意义下，单位算力产出智能约等于原来 2.5 倍）。

现在，每个人都可以下载并部署 Kimi K3 模型——无论是用于内部研发，还是嵌入到面向终端用户的产品中，均可自由使用（其他使用情形，详见 Kimi K3 许可证）。

→ 下载 Kimi K3 模型权重

Kimi K3 技术报告同步上线

今天，与 Kimi K3 模型权重一起公开的，还有我们的模型训练方法——Kimi K3 技术报告已同步上线。

从技术报告中，你可以了解这些技术细节：

• KDA + AttnRes：以 3:1 比例混合 KDA 与 Gated MLA，实现高效长上下文建模，并通过块级注意力残差增强跨层信息流动。
• Stable LatentMoE：每个 token 从 896 个路由专家中激活 16 个，并通过 SiTU-GLU 与 Quantile Balancing 保持极高稀疏度下的训练稳定。
• MoonViT-V2：视觉编码器从零开始使用 next-token prediction 训练，无需对比预训练，在达到 SigLIP 初始化基线效果的同时获得更稳定的优化过程。
• 后训练与评估：在通用推理、通用 Agent 和编程 Agent 三大领域进行大规模任务合成，百万 token 上下文的强化学习基建，近 20 个内部评测集的完整评估结果。

以上几点只是概览，详细论述与消融实验，都已在技术报告中展开。

→ 下载 Kimi K3 技术报告

三项关键 Infra 技术开源

模型能力背后，离不开训练系统，即 Infra 基础设施层的稳定支撑。今天，我们向大家介绍支撑 Kimi K3 训练的三项 Infra 技术：MoonEP、FlashKDA 和 AgentEnv，覆盖从高性能通信、高性能算子到分布式 RL 环境的关键链路。其中 FlashKDA 此前已开源，MoonEP 和 AgentEnv 则随本次发布正式开源。

• MoonEP：MoonEP 是我们为超大的细粒度 MoE 打造的高性能通信库，让专家并行（expert-parallel）的通信在不均衡的情况下仍然实现极致效率。
• FlashKDA：FlashKDA 是我们实现的 Kimi Delta Attention 高性能算子（kernel）。在英伟达 H20 上，相比 flash-linear-attention 基线，它的 prefill 速度提升 1.72-2.22 倍，可以直接作为 flash-linear-attention 的替换后端。
• AgentEnv：AgentENV 是我们与 KVCache.ai 合作开发的沙箱系统，用于大规模运行 Agent 环境。它为 Kimi K3 的后训练提供高保真、强隔离沙箱，灵活支持快速快照、恢复和分叉（fork）等，可以应对大规模并行的 Agent 工作流与训练任务。

开放背后的信念

我们坚信开放权重模型的价值。它们能降低获取智能的门槛，推动创新，并赋予用户对数据更大的控制权、隐私保护和所有权。在过去几周里，我们很高兴听到了许多来自 AI 社区，以及与我们有着共同愿景的技术领袖的支持声音。

我们相信，对于 AGI 这样具有深远影响的技术，一个广泛、开放的生态系统是最适合承载它的土壤。为此，我们将继续贡献自己的力量。

JOTO 企业落地观察

• 企业部署超大规模MoE模型时，需直面专家并行通信不均衡带来的效率瓶颈；MoonEP的开源提供了可验证的通信优化路径，但其在异构集群或低带宽网络中的适配成本仍需团队自主评估。
• Kimi K3将视觉编码器训练完全脱离对比学习范式，转向next-token prediction，这对企业构建多模态RAG知识工程提出新要求：需重新设计视觉语义对齐策略，而非复用现有SigLIP类初始化流程。
• AgentEnv沙箱系统强调高保真隔离与分叉能力，表明大规模Agent后训练已进入‘环境即基础设施’阶段；企业若计划开展Agent智能体工程，需提前规划计算资源调度与状态快照管理机制。