Kimi K3开放权重了：2.8万亿参数意味着什么？普通电脑能跑吗？小白一文看懂

Kimi K3开放权重了：2.8万亿参数意味着什么？普通电脑能跑吗？小白一文看懂

最近，Kimi-K3 在大模型和开源社区里迅速走红。

有人说它有2.8万亿参数，有人说它一次能处理100万 token，还有人看到 GitHub 和 Hugging Face 上已经放出了完整权重，马上准备把模型下载到自己的电脑。

但对计算机初学者来说，真正重要的问题不是“这些数字够不够大”，而是：

• Kimi K3 到底是什么？
• 2.8T、104B、MoE和1M上下文分别是什么意思？
• 它真的完全开源了吗？
• 普通电脑能不能运行完整模型？
• 不懂大模型部署的小白，应该怎样真正用起来？

本文不要求你有人工智能基础。我会尽量避开晦涩公式，用生活中的例子把 Kimi K3 讲清楚，并带你完成一次最简单的 Python API 调用。

📚 专栏介绍：《GitHub小白开源成长课》

这是一个专门写给计算机初学者、大学新生和刚开始接触编程的人的实战专栏。

在这里，我们不会只看 GitHub 项目的 Star 数，也不会看到一条安装命令就立刻复制运行。每篇文章都会带你一起读 README、看许可证、分辨代码仓库与模型仓库、判断电脑配置是否足够，再选择真正适合自己的体验方式。

专栏会持续分享 GitHub 基础知识、优质开源项目、AI 工具、Python 实践、Windows 环境踩坑，以及从“会下载”走向“能读懂、能使用、能修改”的完整过程。

如果你也曾面对满屏英文、参数和命令不知道从哪里开始，欢迎订阅《GitHub小白开源成长课》。我们不追求一天学会所有技术，而是每次真正弄懂并跑通一个项目。

**资料说明：**本文主要依据 Moonshot AI 官方技术博客、GitHub、Hugging Face、Kimi API 文档、Kimi K3 技术报告以及 vLLM/SGLang 部署文档整理，信息核对时间为2026年7月29日。模型功能、价格和部署支持可能继续变化，请以文末官方链接为准。

一、如果你只想看结论，先记住这六句话

1. **Kimi K3 是 Moonshot AI 发布的原生多模态 MoE 智能体模型。**它不仅面向聊天，还重点强化了编程、长任务、视觉理解和工具调用。
2. 2.8T 是总参数量，104B 是每个 token 激活的参数量。“只激活一部分”能够减少计算，但不等于只需下载 104B 的权重。
3. **1M上下文表示最多可处理 1,048,576 个 token。**它能容纳很长的代码和文档，但“放得下”不等于“每个细节都能百分之百记准”。
4. **更严谨的说法是“开放权重”。**官方公开了完整权重、模型配置、技术报告和部分推理代码，但并未公开可完整复现训练的全部数据与流水线。
5. **普通电脑不适合部署完整 Kimi K3。**官方 Hugging Face 仓库约 1.56 TB，主流部署方案需要多张数据中心级加速卡。
6. **小白最合理的路线是：先用网页或 App，再尝试 Kimi Code，最后学习 API。**除非你在有大型 GPU 集群的实验室或公司，否则不建议从下载权重开始。

二、Kimi K3到底是什么？

Kimi K3 是 Moonshot AI 在 2026 年 7 月发布的旗舰模型：7 月 16 日首先上线 Kimi 产品、Kimi Code 和 API，7 月 27 日进一步公开完整模型权重和技术报告。根据官方资料，它采用 **MoE（Mixture of Experts，混合专家）**架构，拥有约2.8万亿总参数，每个 token 激活约1040亿参数，并支持最长1,048,576 token的上下文。

官方将它定位为一个“原生多模态智能体模型”。这句话可以拆成三部分理解：

1. 大语言模型

它能够理解和生成文字，完成问答、总结、翻译、写作、推理和编程等任务。

2. 原生多模态

它不只读取文字，还能结合图片进行理解；在 Kimi 官方云端产品和 API 中，还提供了视频输入能力。

这里要特别区分：**模型的云端能力不等于所有本地推理框架已经支持相同功能。**截至本文核对日期，SGLang 的 K3 自部署方案只支持图片输入，会拒绝视频和音频输入。

3. 智能体（Agent）

普通聊天模型主要负责“回答”，智能体还会尝试“做事”。例如：

• 阅读一个大型 GitHub 项目；
• 搜索文件并分析源码；
• 调用终端和其他工具；
• 修改代码后运行测试；
• 根据运行结果继续排查问题；
• 整理文档、表格、网页或演示内容。

所以，Kimi K3 的重点不只是生成一段漂亮文字，而是持续完成由多个步骤组成的任务。

三、为什么Kimi K3会突然火起来？

原因1：总参数量进入2.8T级别

T是 trillion，也就是万亿；B是 billion，也就是十亿。

2.8T = 2.8万亿参数 104B = 1040亿参数

2.8T 的规模让 Kimi K3 成为当前极少数达到“三万亿参数级别”且公开完整权重的模型之一。单看数字并不能证明模型一定更聪明，但如此大的开放权重模型本身就具有很强的研究和工程价值。

原因2：MoE让“模型很大”与“每步计算”不再完全相等

Kimi K3 一共有 896 个路由专家。处理每个 token 时，系统会选择其中 16 个专家，并让 2 个共享专家参与。

你可以把它想成一家大型医院：

• 医院一共有很多不同科室；
• 患者到达后，分诊台先判断问题；
• 每次只请最相关的少数专家会诊；
• 不需要让整家医院的所有医生同时处理一个问题。

但这个比喻还有后半句：虽然一次只请部分医生看病，医院仍然要容纳所有科室。MoE减少的是每一步实际参与计算的参数，不是让其他权重从硬盘和显存中消失。

这正是很多初学者最容易误解的地方：

104B 激活参数，不等于模型只有 104B，也不等于普通电脑只需要加载 104B 权重。

原因3：1M上下文适合长代码、长文档和长任务

Kimi K3 的上下文上限是 1,048,576 token，官方简称1M context。

token 不是严格意义上的“字数”。英文单词可能被拆成一个或多个 token，中文字符与标点也会按模型的分词规则转换。因此，我们不能简单说“1M token 就等于100万汉字”。

它的实际价值在于可以一次放入更多内容，例如：

• 较大的代码仓库和多个源码文件；
• 一篇长论文及其补充材料；
• 大量会议记录或研究笔记；
• 很长的智能体操作轨迹；
• 多轮对话和工具调用结果。

不过仍要记住：**上下文长度是容量，不是准确率保证。**就像书桌可以放下一百本书，不代表读者能同时准确记住一百本书里的每一个数字。

原因4：重点能力正好落在“编程+智能体”热门方向

官方展示了 Kimi K3 在大型代码仓库、长时间软件工程、终端工具、前端视觉反馈、GPU 内核、编译器、科研计算、文档和办公任务中的案例。

这与现在大模型的发展方向非常一致：大家关注的已经不只是“模型会不会聊天”，而是它能否在真实电脑环境中持续完成工作。

原因5：完整权重和技术报告已经公开

Kimi K3 的模型说明位于 GitHub，完整权重托管在 Hugging Face 和 ModelScope，官方同时发布了技术报告。这让研究人员和基础设施团队可以研究其架构、推理与部署方案，而不是只能通过聊天网页观察结果。

四、再认识两个新名词：KDA和AttnRes

Kimi K3 不只是把参数数量放大，还使用了两项关键结构。

1. KDA：让超长内容的处理更高效

KDA 全称是Kimi Delta Attention。传统注意力在处理超长序列时，计算和存储成本可能迅速增加。KDA 的目标之一，是更高效地处理长序列信息。

小白可以先把它理解成：

阅读一份超长资料时，不再让每一页都用同样昂贵的方式与前面所有页面逐一比较。

Kimi K3 的 93 层结构中包含 69 层 KDA 和 24 层 Gated MLA。我们不需要背下这些数字，只需知道模型使用了混合注意力结构，在效率与全局信息交互之间做平衡。

2. AttnRes：需要时能翻回更早的“笔记”

AttnRes 全称是Attention Residuals。它让较后的网络层能够有选择地读取更早、不同深度的表示。

可以把传统方式想成一份草稿一版接一版传下去，而 AttnRes 更像是：写到后面时，不仅能看上一版草稿，还能根据需要翻回更早的原始笔记。

官方称 KDA、AttnRes、Stable LatentMoE 和训练方法共同让 K3 相对 K2 获得约2.5倍的总体 scaling efficiency。这里说的是缩放效率，不能直接改写成“推理速度快2.5倍”或“模型能力提升2.5倍”。

五、Kimi K3能力到底怎么样？跑分应该怎样看？

官方模型卡公布了推理、代码、Agent、办公和视觉等多类评测结果。下面只列几个帮助大家认识测试方向的代表值：

看到跑分时，不要立刻得出“全面碾压”的结论，原因有三点：

1. 这些数字主要来自 Moonshot AI 官方评测；
2. K3 的许多结果使用了reasoning_effort=max；
3. 不同模型可能搭配不同的 Agent 工具或测试框架，条件并非完全一致。

更稳妥的结论是：

在 Moonshot 公布的评测套件中，Kimi K3 在多项编程、智能体、办公和多模态任务上达到前沿水平；但官方也明确承认，它的整体体验与当时最强的闭源模型仍有差距。

对普通用户而言，最值得相信的评测不是一张排行榜，而是：用同一个真实任务、同一份资料和相同要求，比较不同模型能否稳定完成。

六、Kimi K3到底算不算“开源”？

这是讨论 Kimi K3 时最容易产生争议的问题。

1. 官方已经开放了什么？

• 完整模型权重；
• 模型配置、处理器和部分推理实现；
• GitHub 仓库与模型卡；
• 47页技术报告；
• vLLM、SGLang 和 TokenSpeed 等部署入口；
• 自定义的 Kimi K3 License。

2. 目前没有完整开放什么？

• 可逐项审计的全部原始训练数据；
• 从零复现预训练所需的完整训练代码与流水线；
• 所有训练配置和数据处理细节。

因此，严谨地说，Kimi K3 更适合被称为开放权重模型（open-weight model）。

可以用一个简单的比喻理解：

开放权重：把训练好的“成品大脑”交给你 完整开源：除了成品，还把原料、配方和生产线都完整交给你

这不是说开放权重“没有价值”。恰恰相反，能公开一个约 1.56 TB 的完整前沿模型权重，本身已经给研究和工程社区带来很大的探索空间。我们只是需要把概念说准确。

七、普通电脑能运行完整Kimi K3吗？

先给结论：不能实用地运行。

官方 Hugging Face 仓库约1.56 TB，包含 96 个权重分片。这只是模型文件规模，还没有计算运行时、上下文缓存和其他系统开销。

当前主流部署文档给出的硬件规模包括：

因此：

• 普通笔记本不适合；
• 单张 RTX 4090 或 5090 不适合；
• 普通家用 NAS 不适合；
• 一台磁盘够大的电脑也不等于显存和计算能力足够；
• 社区的小尺寸蒸馏版或量化版，不能自动等同于官方完整 K3 的能力。

看到下面这种命令时：

vllm serve"moonshotai/Kimi-K3"

不要误以为“复制一行命令就能在笔记本运行”。命令只是启动入口，真正的门槛是巨大的权重、显存、跨卡通信、推理框架版本和长上下文缓存。

八、计算机初学者应该怎样使用Kimi K3？

路线1：先用Kimi网页或App体验

这是成本最低、反馈最快的方式。

建议不要只问“你是谁”“写一首诗”，而是交给它一个与你学习真正相关的任务，例如：

我是刚学Python的学生。请逐行解释下面这段代码， 先告诉我程序的整体目标，再解释每个变量， 最后出一道只修改3行代码的小练习。

或者：

请阅读我上传的论文。 先列出研究问题、数据、方法和结论， 再区分“论文原文明确说明的内容”和“你的推测”。 所有关键结论都标注对应页码。

先通过真实任务判断模型是否适合自己，比先研究部署命令更有效。

路线2：用Kimi Code阅读自己的第一个GitHub项目

Kimi Code 是 Moonshot AI 开放的终端编程智能体。它能够读取项目文件、搜索代码、调用终端并修改程序。

对初学者来说，第一个任务不要让它立刻“大改项目”，而应该限制为只读分析：

请先只阅读这个项目，不要修改任何文件，也不要安装依赖。 请告诉我： 1. 这个项目解决什么问题； 2. 主要目录分别有什么作用； 3. 程序的启动入口在哪里； 4. 我应该先阅读哪三个文件； 5. 运行项目前还需要确认哪些环境和配置。

这样既能学习项目结构，也能降低工具误操作的风险。官方 K3 仓库建议在 Kimi Code 中使用/model选择 K3，具体安装方法请以 Kimi Code 官方 README 为准。

**安全提醒：**官方 Windows 安装方式会执行网络安装脚本。初学者不要从陌生博客复制同名脚本；只使用官方仓库或官网链接，更谨慎时可先打开脚本检查内容。

路线3：会一点Python后，再调用官方API

API 可以理解为程序与模型之间的“服务窗口”。你的 Python 程序发送问题，服务器返回模型结果。

第1步：准备环境和密钥

官方示例要求 Python 3.9+，并使用 OpenAI Python SDK。你需要先在 Kimi API平台创建 API Key。

截至 2026 年 7 月 29 日，K3 API 需要账户至少成功充值 1 美元后解锁。规则和价格可能变化，请以平台实时页面为准。

安装依赖：

py-m pip install--upgrade"openai>=1.0"

在当前 PowerShell 窗口临时设置环境变量：

$env:MOONSHOT_API_KEY="替换成你自己的API Key"

请不要把真实 API Key 写进公开代码、博客截图或 GitHub 仓库。

第2步：编写最小示例

新建demo_kimi_k3.py：

importosfromopenaiimportOpenAI client=OpenAI(api_key=os.environ["MOONSHOT_API_KEY"],base_url="https://api.moonshot.ai/v1",)response=client.chat.completions.create(model="kimi-k3",reasoning_effort="low",messages=[{"role":"user","content":"请用计算机小白能听懂的话解释GitHub中的Fork。",}],)print(response.choices[0].message.content)

运行：

py demo_kimi_k3.py

如果终端打印出模型回答，就说明你的第一次 API 调用成功了。

第3步：理解reasoning_effort

Kimi K3 始终开启思考模式，支持三个推理强度：

初学者第一次测试建议用low，确认程序和密钥工作正常后，再根据任务提高强度。

第4步：多轮对话不要只保存最终文字

官方特别提醒：在多轮对话或工具调用中，应把 API 返回的完整 assistant 消息放回下一次请求，不能只保留content。因为完整消息还可能包含reasoning_content和tool_calls。

如果使用的第三方框架丢掉这些内容，K3 的表现可能不稳定。初学阶段可以先做单轮调用，掌握基本流程后再实现多轮和工具调用。

路线4：有大型计算集群，再研究自部署

自部署适合以下人群：

• 研究 MoE、长上下文或分布式推理的实验室；
• 拥有数据中心级 GPU 集群的公司；
• 开发 vLLM、SGLang、通信和推理基础设施的工程团队；
• 确实有数据合规、模型修改或大规模服务需求的组织。

如果你只是想学 Python、看论文、读 GitHub 项目或者体验 AI 编程，官方网页、Kimi Code 和 API 已经更合适。

九、最后总结

Kimi K3 值得关注，不只是因为“2.8万亿参数”这个醒目的数字，而是因为它把大规模 MoE、1M 长上下文、原生多模态、编程和智能体能力结合在一起，并公开了完整模型权重和技术报告。

但对计算机初学者来说，最重要的不是马上下载 1.56 TB 权重，而是学会做出正确判断：

想了解模型：先读官方README、模型卡和技术报告 想立刻体验：使用Kimi网页或App 想学习AI编程：尝试Kimi Code，并从只读分析开始 想把模型接入程序：学习官方API 想自行部署：先确认是否拥有多卡数据中心级硬件

一个真正会使用 GitHub 的人，不是看到热门项目就立刻 Clone，而是能够看懂项目是什么、开放了什么、需要什么条件，以及它是否适合自己。

🌱 关注专栏，一起把热门项目真正用起来

本文是《GitHub小白开源成长课》的 AI 开源模型篇。下一篇可以继续实战：不用本地部署，如何用 Python 调用 Kimi K3 API，并做一个能阅读 GitHub README 的小工具。

如果这篇文章帮你弄懂了 2.8T、MoE、1M 上下文和开放权重，欢迎点赞、收藏并订阅专栏。后续我会继续挑选真正值得学习的 GitHub 项目，亲自阅读、运行和记录踩坑过程。

你不需要追完所有热点。每次真正读懂并用会一个项目，就是在建立自己的技术能力。

参考资料

• Moonshot AI：Kimi K3官方技术博客
• GitHub：MoonshotAI/Kimi-K3官方仓库
• Hugging Face：Kimi K3官方模型与完整权重
• arXiv：Kimi K3技术报告
• Kimi API：Kimi K3 Quickstart
• GitHub：Kimi Code官方仓库
• Kimi K3 License原文
• vLLM：Kimi K3部署方案
• SGLang：Kimi K3部署方案与输入限制

Kimi K3大模型GitHub人工智能PythonAI编程开源模型计算机初学者