月之暗面Kimi K3开放日：2.8T参数模型+三项Infra技术同步开源，生态全面开放

Kimi K3开放日：2.8万亿参数MoE模型，权重、技术报告、三项Infra技术同步开源，国内开源生态迎来里程碑

2026年7月28日，月之暗面举办Kimi K3开放日，一次性放出了一套"全家桶"——2.8万亿参数的混合专家模型Kimi K3，连同模型权重、技术报告，以及MoonEP、FlashKDA、AgentEnv三项Infra关键技术，全部开源。这不是简单的"发布一个新模型"，而是把从模型到基础设施的完整技术栈摊开给所有人看。

AIHOT编辑对此评价："Kimi K3的完全开放是一个明确信号，月之暗面把最核心的模型权重和技术细节全部公开，国内开发者从此有了媲美国际顶尖开源的底座。"

从K2.5到K3，月之暗面只用了不到三个月。但这次的升级不只是"更大更强"，而是一场从架构、效率到开放策略的全面进化。

"Kimi K3的完全开放是一个明确信号，月之暗面把最核心的模型权重和技术细节全部公开，国内开发者从此有了媲美国际顶尖开源的底座。虽然部署门槛不低，但开放本身推动了生态发展。"——AIHOT编辑推荐语

1 K3的技术底牌：混合架构+2.5倍效率提升

先看K3的核心配置：2.8万亿总参数，采用69层KDA线性注意力与24层MLA（多头潜在注意力）交错的混合架构，支持原生视觉理解和100万token上下文窗口。相比K2.5，规模化效率提升了2.5倍——这意味着同样的算力投入，K3能产出2.5倍的有效训练收益。

这个架构设计的巧妙之处在于"分层治理"：KDA线性注意力层负责高效处理长序列信息，MLA层负责精细的语义建模。传统Transformer的自注意力机制在长文本处理时计算复杂度平方级增长，而KDA（Kernelized Dynamic Attention）将复杂度压到线性级别，让100万token的上下文窗口不再是"能开但很慢"的噱头，而是真正可用的能力。

一个佐证数据：在SGLang推理框架上，K3单卡batch-1解码速度达到约113 tok/s；结合DSpark推测解码，速度飙升至约423 tok/s。这意味着处理一份100页的PDF文档，K3从读取到开始输出，速度比传统架构快数倍。

KDA线性注意力+MLA混合架构：K3的技术路线，代表了大模型从"堆参数"到"拼架构"的范式转移

2 三项Infra技术开源：MoonEP、FlashKDA、AgentEnv

这次开放日最值得关注的，不是模型本身，而是同时开源的三项Infra技术。这在国内大模型公司中几乎没有先例——通常开源的是模型权重，训练和推理基础设施则留作"商业机密"。

MoonEP（Expert Parallelism）：针对MoE模型的专家并行方案。MoE模型的痛点在于，不同"专家"子网络负载不均衡，有的专家忙死、有的专家闲死。MoonEP通过动态负载均衡和通信优化，让2.8T参数的MoE模型在分布式训练中高效运行。根据K3技术报告，MoonEP帮助训练效率提升约2.5倍。

FlashKDA（Kernelized Dynamic Attention）：K3的线性注意力核心实现。FlashKDA在保持注意力机制表达能力的同时，将计算复杂度从O(n²)降至O(n)，是支撑100万token上下文窗口的关键工程。开放FlashKDA意味着任何团队都可以在自己的项目中复现K3的长文本处理能力。

AgentEnv（Agent Environment）：一个面向Agent训练和评估的交互式环境框架。月之暗面不仅开源了模型，还开源了"训练Agent的环境"——这直接降低了开发者构建AI Agent的门槛。开发者可以基于AgentEnv快速搭建自己的Agent训练流水线，而不需要从零开始设计交互环境。

Kimi K3 核心数据一览

总参数量：2.8万亿（MoE架构）

架构：69层KDA线性注意力 + 24层MLA交错混合

上下文窗口：100万token

多模态：原生视觉理解

效率提升：较K2.5提升2.5倍

推理速度：113 tok/s（单卡batch-1），423 tok/s（DSpark推测解码）

开源内容：模型权重 + 技术报告 + MoonEP + FlashKDA + AgentEnv

生态支持：SGLang、Miles发布当日即提供推理与RL训练支持

3 为什么说这次开放是"国内开源生态的里程碑"？

要理解K3开放的意义，需要放在两个坐标系里看：

纵向对比：从K1到K3的开放度进化。Kimi K1.5时期，月之暗面只发布技术报告，不开放权重。K2时期，开放了部分模型的权重，但Infra技术仍不公开。而K3这次，权重、技术报告、三项Infra全部开放——开放度逐代递增，每一步都在试探并扩大"开源"的边界。

横向对比：国内开源生态的位置。2026年上半年，国内开源大模型格局是"DeepSeek一超多强"。DeepSeek V3/R1系列凭借卓越性能和完全开放，成为全球开发者首选。而K3的发布，让国内开源生态有了第二个"重量级选手"——2.8T的体量、100万token的窗口、原生视觉理解，加上完整Infra配套，K3的开放程度已经达到甚至局部超越了DeepSeek。

更重要的是，SGLang和Miles在K3发布当日就提供了推理和RL训练支持。这不是巧合——说明月之暗面在发布前就与推理框架团队进行了深度合作。这种"模型+框架同步首发"的模式，正在成为顶级开源模型的标准动作。

模型+框架同步首发：K3的发布策略，正在成为顶级开源模型的标准范式

4 冷静一面：K3的"隐形成本"和生态挑战

尽管K3的开放令人振奋，几个现实问题不容忽视：

第一，部署门槛不低。2.8T的MoE模型，虽然激活参数远小于总参数（具体激活参数量未公开，但参考K2.5的MoE设计，估计在数十B级别），但完整部署仍需大量GPU显存。对于中小团队和个人开发者，本地部署K3仍然是一个"看得到但摸不着"的目标。好在有SGLang等推理框架的优化支持，以及云服务商的托管方案，K3的实际使用门槛正在快速降低。

第二，生态建设需要时间。开源不是终点，而是起点。K3要真正成为"国内开发者的底座"，需要社区贡献、应用案例、工具链完善的持续投入。DeepSeek用了一年多时间才建立起繁荣的社区生态，K3也需要时间和耐心。

第三，商业化与开源之间的平衡。月之暗面同时运营Kimi Chat等商业产品，开源K3是否会影响其商业收入？从K1到K3的开放度递增来看，月之暗面的策略是：用开源模型建立技术品牌和生态壁垒，用商业产品（Kimi Chat、API服务）实现商业变现。这种"开源底座+商业上层"的双轨模式，Meta的Llama系列已经验证可行。

国内开源大模型格局：从"DeepSeek一超"到"两强争霸"

DeepSeek V3/R1：率先实现完全开源，社区生态最成熟，全球开发者首选。优势在于先发效应和丰富的第三方工具链。

Kimi K3：以2.8T参数、100万token上下文、原生视觉理解、完整Infra开源形成差异化。优势在于"全家桶"式的开放策略和更大体量的模型。

趋势判断：DeepSeek和Kimi的竞争正在从"模型能力"转向"生态建设"——谁能更快地降低开发者使用门槛、丰富应用场景、建立社区贡献循环，谁就能在下一阶段胜出。对开发者来说，这是最好的时代。

K3开放日传递的最强信号不是"我们又做出了一个更强的模型"，而是"我们愿意把最强的模型完全交给社区"。在国内大模型竞争白热化的2026年，月之暗面选择用"彻底开放"来建立护城河——这可能是最聪明、也最需要勇气的一步棋。