Αξιολόγηση Kimi K3: Το ανοιχτό μοντέλο 2,8T της Moonshot έναντι των Fable 5 και GPT-5.6 Sol

Αξιολόγηση Kimi K3: Το ανοιχτό μοντέλο 2,8T της Moonshot έναντι των Fable 5 και GPT-5.6 Sol

Τελευταία επαλήθευση: 17 Ιουλίου 2026. Κάθε προδιαγραφή, τιμή και benchmark παρακάτω ελέγχθηκε εκ νέου με βάση τα έγγραφα της πλατφόρμας της Moonshot, την Artificial Analysis και ανεξάρτητη κάλυψη την ημέρα δημοσίευσης. Το Kimi K3 κυκλοφόρησε στις 16 Ιουλίου 2026.

Σε αυτή την αξιολόγηση του Kimi K3, ένας αριθμός εκκίνησης μιλάει από μόνος του: το νέο μοντέλο της Moonshot ντεμπουτάρισε στο #1 του leaderboard Frontend Code του Arena, μια άλμα 17 θέσεων σε σχέση με το Kimi K2.6, κατατασσόμενο πάνω από το Claude Fable 5. Πρόκειται για ένα κινεζικό μοντέλο ανοιχτού βάρους που κερδίζει έναν διαγωνισμό προγραμματισμού front-end, κρίνοντας από πραγματικούς developers σε τυφλές αναμετρήσεις. Στο εσωτερικό του, πρόκειται για έναν σχεδιασμό Mixture-of-Experts (MoE) 2,8 τρισεκατομμυρίων παραμέτρων που ενεργοποιεί μόνο 16 από τους 896 experts ανά token, διαβάζει ένα εκατομμύριο tokens context και χρεώνει την είσοδο μεταξύ $0,30 και $3,00 ανά εκατομμύριο. Η παγίδα που πρέπει να γνωρίζετε πριν ενθουσιαστείτε: δεν μπορείτε ακόμα να κατεβάσετε τα βάρη και η Moonshot αναφέρει ότι αυτό αλλάζει στις 27 Ιουλίου.

Σύντομο συμπέρασμα:

• Τι είναι: Το флагман μοντέλο της Moonshot AI, ένα μοντέλο MoE 2,8T παραμέτρων με context 1M, native είσοδο εικόνας και βίντεο, και reasoning πάντα ενεργοποιημένο. API id kimi-k3.
• Πού υπερέχει: Agentic browsing (BrowseComp 91,2) και coding μακράς διάρκειας (SWE Marathon 42,0, πάνω από τα Fable 5 και GPT-5.6 Sol). #1 στο Arena's Frontend Code Arena.
• Πού υστερεί: FrontierSWE και HLE-Full (προηγείται το Fable 5), DeepSWE (προηγείται το GPT-5.6 Sol). Η ανεξάρτητη Artificial Analysis το κατατάσσει #4 από 189 συνολικά.
• Κόστος: $0,30 για cache-hit / $3,00 για fresh input, $15,00 για output ανά εκατομμύριο tokens. Το ακριβότερο μοντέλο που έχει κυκλοφορήσει οποιοδήποτε κινεζικό εργαστήριο.
• Η παγίδα: Ανοιχτού βάρους ονομαστικά, αλλά το checkpoint δεν γίνεται δημόσιο μέχρι τις 27 Ιουλίου 2026. Μέχρι τότε, κανένα self-hosting και καμία ανεξάρτητη αξιολόγηση τρίτων.

Αν θέλετε την απάντηση σε μία γραμμή: Το Kimi K3 είναι το πρώτο μοντέλο ανοιχτού βάρους που ανταγωνίζεται σοβαρά τα κλειστά frontier μοντέλα, αλλά είναι λογισμικό ημέρας εκκίνησης με_pending_ release βαρών και premium τιμή. Συνεχίστε την ανάγνωση για τις προδιαγραφές, την πραγματικότητα των benchmarks (συμπεριλαμβανομένης μιας επιφύλαξης που αλλάζει τον τρόπο που πρέπει να διαβάζετε κάθε αριθμό), τα μαθηματικά της τιμολόγησης και ποιος θα πρέπει πραγματικά να το χρησιμοποιήσει.

Τι είναι το Kimi K3;

Το Kimi K3 είναι το νεότερο large language model της Moonshot AI, που κυκλοφόρησε στις 16 Ιουλίου 2026. Είναι ένα μοντέλο Mixture-of-Experts με 2,8 τρισεκατομμύρια συνολικές παραμέτρους που ενεργοποιεί μόλις 16 από τους 896 experts του σε κάθε token, ώστε το κόστος υπολογισμού ανά token να παραμένει πολύ χαμηλότερο από αυτό που θα απαιτούσε ένα dense μοντέλο 2,8T. Δέχεται κείμενο, εικόνες και βίντεο, διαθέτει παράθυρο context ενός εκατομμυρίου tokens και διατηρεί το reasoning ενεργοποιημένο by default.

Ακολουθεί ο πίνακας προδιαγραφών με μια ματιά.

Η ενδιαφέρουσα ιστορία μηχανικής είναι ο σχεδιασμός attention. Η Moonshot το ονομάζει Kimi Delta Attention, ή KDA, έναν υβριδικό μηχανισμό linear attention που, σύμφωνα με την εταιρεία, προσφέρει έως και 6,3x ταχύτερο decoding σε contexts εκατομμυρίων tokens. Το K3 το συνδυάζει με μια σειρά νεότερων τεχνικών που το εργαστήριο ονομάζει Attention Residuals, Gated MLA και Stable LatentMoE. Δεν χρειάζεται να απομνημονεύσετε τα ακρωνύμια. Αυτό που προσθέτουν είναι ένα μοντέλο που μπορεί να παραμένει γρήγορο ενώ μεταφέρει ένα τεράστιο context, which is exactly the workload that breaks older architectures.

Βάλτε το K3 δίπλα στο μοντέλο που αντικαθιστά και το άλμα είναι μεγάλο. Σχεδόν τριπλασιάζει τον αριθμό παραμέτρων του Kimi K2 (2,8T έναντι περίπου 1T), τετραπλασιάζει το παράθυρο context της γραμμής K2.6 και K2.7 (1M έναντι 256K) και προσθέτει είσοδο εικόνας και βίντεο σε μια οικογένεια που ήταν previously text-first. Αν δοκιμάσατε ένα earlier Kimi και shrugged, αυτό είναι ένα διαφορετικό ζώο.

Benchmarks Kimi K3: Πού Κερδίζει και Πού Όχι

Τα benchmarks εκκίνησης του Kimi K3 είναι genuinely strong και genuinely mixed. Κορυφώνει το πεδίο σε ορισμένες εργασίες coding και agent και υστερεί ξεκάθαρα στα κλειστά frontier σε άλλες. Πριν από τον πίνακα, μια επιφύλαξη που έχει μεγαλύτερη σημασία από οποιοδήποτε single score: Η Moonshot έτρεξε κάθε μοντέλο μέσα στο δικό της περιβάλλον coding. Το K3 βαθμολογήθηκε στο KimiCode, το Fable 5 στο Claude Code και το GPT-5.6 Sol στο Codex. Το λογισμικό που περιβάλλει ένα μοντέλο επηρεάζει τα αποτελέσματά του, οπότε διαβάστε τα ως directional, όχι ως settled leaderboard.

Ακολουθούν οι κύριοι αριθμοί coding και agent από τον πίνακα εκκίνησης της Moonshot.

Διαβάστε across τις σειρές και εμφανίζεται ένα μοτίβο. Το K3 κερδίζει τη μακρά, επίπονη εργασία. Στο SWE Marathon, which measures sustained multi-hour engineering sessions, το 42,0 του K3 beats both GPT-5.6 Sol and Fable 5 by a clear margin. Ξεπερνά οριακά το πεδίο στο Program Bench και ηγείται και στην πλευρά των agents, posting 91,2 στο BrowseComp και 91,1 στο OmniDocBench, όπου η Moonshot αναφέρει επίσης την πρώτη θέση στο Automation Bench.

Πού χάνει; Στο DeepSWE, το GPT-5.6 Sol προηγείται με 73,0. Στο FrontierSWE, το Fable 5 είναι well clear με 86,6, αν και αξίζει να σημειωθεί ότι το 81,2 του K3 still beats Sol's 71,3 there. Ο ίδιος ο πίνακας της Moonshot παραδέχεται ότι το K3 υστερεί του Fable 5 στο FrontierSWE και HLE-Full, και υστερεί του GPT-5.6 Sol στο DeepSWE. Δεν πρόκειται για ένα μοντέλο που beats the frontier everywhere. Είναι ένα μοντέλο που το beats somewhere, something no open-weight release had really managed before.

Η ανεξάρτητη ανάγνωση το επιβεβαιώνει. Η Artificial Analysis βαθμολογεί το K3 με 57 στον Intelligence Index της και το κατατάσσει #4 από 189 μοντέλα, πίσω από το Claude Fable 5 και δύο ρυθμίσεις reasoning του GPT-5.6 Sol αλλά μπροστά από το Claude Opus 4.8. Η μετρημένη ταχύτητα εξόδου του είναι αρκετά modest 62 tokens per second. Στην πλευρά της human-preference, η #1 θέση του K3 στο Arena's Frontend Code Arena είναι το standout, because that ranking comes from developers voting on real front-end output rather than a self-reported score.

Ο independent developer Simon Willison έτρεξε το K3 μέσω του test pelican-on-a-bicycle SVG την ημέρα εκκίνησης. Το μοντέλο παρήγαγε ένα solid result και έγραψε accurate alt text για την ίδια του την εικόνα, which speaks well of its vision. Επίσης, επισήμανε την έκπληξη κόστους στην οποία θα αναφερθούμε στην ενότητα τιμολόγησης και θύμισε στους αναγνώστες ότι ένα γρήγορο test SVG δεν σας λέει τίποτα για το agentic tool calling, where a model like this earns its keep. Fair caution.

Kimi K3 vs Fable 5, GPT-5.6 Sol, DeepSeek και Qwen

Πού sits λοιπόν το K3 στο ευρύτερο πεδίο; Δύο συγκρίσεις matter: against the closed frontier, and against its fellow Chinese open-weight models.

Against the frontier, the honest framing is "frontier-adjacent, not frontier-topping." Τα Claude Fable 5 και GPT-5.6 Sol still lead the aggregate intelligence rankings, and Fable 5 keeps a real edge on the hardest reasoning and frontier-coding evaluations. What changed with K3 is that the gap narrowed to single-benchmark trades rather than a category gulf. For a downloadable model to lead SWE Marathon and top a blind front-end coding vote is new territory.

Against its open-weight peers, το K3 είναι το νέο high-water mark στη raw capability, but it isn't the obvious default for every job. If you're weighing the Chinese open-weight options as a group, our σύγκριση Qwen vs DeepSeek vs GLM walks through how those three families split the market: Qwen for the lightest self-host footprint and the most permissive license, DeepSeek for the cheapest tokens, GLM for hands-on coding. Το K3 now sits above all of them on peak benchmarks, and above them on price too. It's the premium option in a category that built its reputation on being cheap.

For a broader field including the models that actually beat GPT-4-class quality, our συνοπτική παρουσίαση των καλύτερων open-source LLM για το 2026 puts K3's claims in context. The short version: Το K3 raises the ceiling for open weights, but "open weights" and "cheap" have officially stopped being the same thing.

Τιμολόγηση Kimi K3 και τα Μαθηματικά του Cache-Hit

Εδώ γίνεται divisive το K3. Η Moonshot το τιμολογεί στα $0,30 ανά εκατομμύριο cache-hit input tokens, $3,00 ανά εκατομμύριο fresh input tokens και $15,00 ανά εκατομμύριο output tokens, flat across the entire million-token context.

Στοιχίστε το με το μοντέλο που αντικαθιστά και η αλλαγή είναι stark.

Αυτό είναι roughly a 3x jump on input and nearly 4x on output versus K2.6. Ο Willison noted the $3/$15 rate lands in the same tier as Claude Sonnet. The Decoder called K3 a signal that the era of super-cheap Chinese AI is ending. If your whole reason for running a Chinese model was the price, K3 will make you look twice.

But the cache-hit rate is the number that decides your real bill, so let's do the math on a realistic agentic loop, using Moonshot's published rates. Say your coding agent reads a 200,000-token codebase context and writes 8,000 tokens of output, and it does that 20 times a day:

• Cache-miss (first cold read): 200.000 input tokens στα $3,00/M είναι $0,60, plus 8.000 output tokens στα $15,00/M είναι $0,12. That's about $0,72 per call, or $14,40 a day.
• Cache-hit (repeated context, the common case in a coding session): 200.000 input tokens στα $0,30/M είναι $0,06, plus the same $0,12 output. That's about $0,18 per call, or $3,60 a day.

The cache economics cut the input bill by roughly ten times, from $0,60 to $0,06 per call. Η Moonshot reports above 90% cache hits in coding workloads, which is the scenario that makes K3 affordable rather than eye-watering. The lesson for your budget: Το K3 is expensive on cold, one-shot calls and reasonable inside a warm, context-heavy loop.

One more cost trap Willison surfaced. Το K3 exposes only a single "max" reasoning level today, and reasoning tokens bill at the output rate. His simple SVG test burned 13.241 reasoning tokens on top of 3.417 output tokens, so a trivial prompt cost about 25 cents. There's no cheap "low reasoning" mode yet, which means K3 overpays on easy questions. If cost control is your priority, our guides on τιμολόγηση LLM API and how to reduce LLM API costs apply directly here: cache aggressively, route trivial calls to a cheaper model, and reserve K3 for the hard, long-context work where it earns the premium.

Ανοιχτά Βάρη: Τι σημαίνει εδώ πραγματικά το "Ανοιχτό"

This is the part the launch headlines skated over. Το Kimi K3 announces ως open-weight model, and Moonshot has a real track record of shipping downloadable checkpoints. But as of July 17, 2026, the K3 weights are not public. Ο οργανισμός Moonshot Hugging Face still lists only K2-series checkpoints. Η εταιρεία says the full weights arrive July 27, 2026.

Why does that gap matter? Three practical reasons:

• No self-hosting yet. You cannot run K3 on your own hardware or a private cluster until the weights drop. For teams with data-residency or air-gap requirements, K3 is API-only for now, which defeats a big part of why you'd choose an open model. When the weights do land, our guides on the best tools to run LLMs locally and running an LLM locally will get you started, though a 2.8T-parameter model is cluster-class, not laptop-class.
• No independent evaluations yet. Every K3 benchmark you've seen is vendor-run, in Moonshot's own environment. Serious third-party numbers on things like HLE or agent-specific tasks can't exist until outside labs have the weights to test. Treat the launch table as a strong claim, not a verified result.
• License terms are still settling. Prior Kimi releases used permissive licenses, but confirm the exact K3 license against the official model card when the checkpoint publishes, especially if you plan commercial deployment.

None of this makes K3 less impressive. It does mean that if your plan depends on downloading and fine-tuning the model, your real evaluation starts on July 27, not July 16.

Πώς Αξιολογούμε το Kimi K3 για Εργασίες Πελατών

A quick note on where this review comes from, and where it stops. Στο Techsy, wire third-party LLMs into production pipelines for B2B clients, usually through OpenAI-SDK-compatible endpoints so we can swap models without rebuilding the plumbing. Το K3 fits that path cleanly: it exposes an OpenAI-compatible API with the model id kimi-k3, so dropping it into an existing integration to trial it is a config change, not a rewrite.

Every time a new model lands, we run it through the same fixed evaluation on client-representative tasks before we recommend anything. And here's the honest limit on this review: we are not publishing our own K3 score yet. The weights aren't out, the launch benchmarks were vendor-run in Moonshot's own environment, and a fair number needs a neutral setup on tasks that look like real client work, not a leaderboard. Quoting a first-party benchmark from a one-day-old, weights-pending model would be exactly the kind of number we tell clients to distrust.

What we can evaluate today from the live API is the part that doesn't need a leaderboard: the integration surface, the cost model, and the failure modes. The pricing math above is our own calculation from Moonshot's published rates, not a benchmark, and it already tells you the operational truth: cache discipline is the difference between K3 being affordable and being a budget problem. If you want help figuring out whether a model like K3 belongs in your stack, that's the kind of evaluation we do at Techsy's AI integration practice, and you can book a free consultation to talk through it.

Ποιος Θα Πρέπει Να Χρησιμοποιήσει το Kimi K3 (και Ποιος Όχι)

Το Kimi K3 is a strong fit for a specific set of jobs and a poor fit for others. Match it to your actual workload.

Reach for K3 if:

• You run agentic browsing or research. Its BrowseComp and Automation Bench leads, plus the top independent agent-research read, make it the most capable open-weight option for tool-using agents right now.
• You do long-horizon coding. Το SWE Marathon is the benchmark that mirrors multi-hour engineering sessions, and K3 leads it. If your agents work across large codebases over long runs, this is its home turf.
• You want an open-weight frontier-adjacent model and can wait for the weights. If self-hosting a top-tier open model on July 27 is the goal, K3 is the most capable candidate available.

Hold off if:

• You need the weights today. Until July 27, K3 is API-only. An already-downloadable model serves you better this week.
• You run high-volume, cost-sensitive traffic. With a single expensive reasoning level and premium output pricing, K3 overpays on simple calls. Kimi K2.7-Code or a cheaper open model wins on bulk work.
• You require proven, independent evaluations before adoption. The launch numbers are vendor-run. If your process demands third-party verification, give it a few weeks.

Συχνές Ερωτήσεις

Τι είναι το Kimi K3;

Το Kimi K3 είναι το flagship large language model της Moonshot AI, που κυκλοφόρησε στις 16 Ιουλίου 2026. Είναι ένα μοντέλο Mixture-of-Experts 2,8 τρισεκατομμυρίων παραμέτρων που ενεργοποιεί 16 από 896 experts ανά token, supports a 1M-token context window, and accepts text, image, and video input with reasoning always on.

Είναι το Kimi K3 open source;

Το Kimi K3 announces ως open-weight model, but the weights are not public as of July 17, 2026. Η Moonshot says the full checkpoint will be released July 27, 2026. Until then it's available only through the Kimi apps and the API, so you cannot self-host it yet.

Πώς διαφέρει το Kimi K3 από το Kimi K2;

Το K3 nearly triples K2's parameter count (2,8 τρισεκατομμύρια έναντι περίπου 1 τρισεκατομμυρίου), quadruples the context window of the K2.6 and K2.7 line (1M έναντι 256K tokens), and adds native image and video input to a family that was previously text-focused. Also introduces the new Kimi Delta Attention design.

Πόσο κοστίζει το Kimi K3;

Η Moonshot τιμολογεί το K3 στα $0,30 ανά εκατομμύριο cache-hit input tokens, $3,00 ανά εκατομμύριο fresh input tokens και $15,00 ανά εκατομμύριο output tokens. That's roughly triple K2.6's input price and nearly quadruple its output price, making K3 the most expensive model a Chinese lab has released.

Ποιο είναι το παράθυρο context του Kimi K3;

Το Kimi K3 supports a context window of one million tokens, and pricing stays flat across that full window. Το μοντέλο uses a new attention design called Kimi Delta Attention, which Moonshot reports gives up to 6.3x faster decoding at million-token context lengths.

Μπορώ να τρέξω το Kimi K3 locally;

Not yet. Τα βάρη aren't public until July 27, 2026. After that, self-hosting is technically possible, but a 2.8-trillion-parameter model needs cluster-class hardware rather than a single workstation, so most teams will still access it through the API.

Είναι το Kimi K3 really better than Fable 5;

Εξαρτάται από την εργασία. Το K3 beats Claude Fable 5 on SWE Marathon, Program Bench, and Arena's blind front-end coding vote. Το Fable 5 still leads on FrontierSWE, HLE-Full, and overall aggregate intelligence rankings. Every launch benchmark also ran in each vendor's own environment, so treat single-benchmark wins as directional.

Είναι το Kimi K3 good for coding;

Ναι, especially for long, sustained coding sessions and front-end work, where it currently leads. It's strong on agentic and terminal tasks too. The main drawback is cost: with one expensive reasoning level, it overpays on trivial calls, so pair it with cheaper models for high-volume routine work.

Πώς μπορώ να accesses το Kimi K3;

Μπορείτε να use Kimi K3 through the Kimi web app, Kimi Work, and Kimi Code, or through the API with the model id kimi-k3. The API is OpenAI-SDK compatible, so adding it to an existing OpenAI-style integration is mostly a configuration change.

Σχετικά με τον Συγγραφέα

Mert Batur Gurbuz, Co-Founder, Techsy.io (University of Birmingham). Connect on LinkedIn.

Ο Mert Batur Gurbuz είναι Co-Founder της Techsy.io, where the team ships AI agents, automation systems, and voice/SDR pipelines for B2B clients. Studies at the University of Birmingham and writes about the LLM tooling stack the Techsy team actually uses in production.

Βασικά Συμπεράσματα

• Το Kimi K3 είναι το πρώτο open-weight model to genuinely trade blows with the closed frontier, leading SWE Marathon and topping Arena's blind front-end coding vote above Claude Fable 5.
• It's frontier-adjacent, not frontier-topping. Η ανεξάρτητη Artificial Analysis το κατατάσσει #4 από 189, and it trails Fable 5 on the hardest reasoning and frontier-coding tests.
• Open in name, pending in practice. Τα βάρη don't publish until July 27, 2026, so there's no self-hosting and no independent evaluation until then.
• The price ended the cheap-Chinese-AI era. Στα $3/$15 ανά εκατομμύριο tokens, cache discipline is what keeps K3 affordable; budget for a warm, context-heavy loop, not cold one-shot calls.
• Best for agentic research and long-horizon coding. If you need weights today or run cost-sensitive high-volume traffic, wait or pick a cheaper model. Talk to us if you want help deciding.