Kimi K3: крупнейшая открытая ИИ-модель на 2,8 трлн параметров бросает вызов западным флагманам

Пока внимание рынка приковано к закрытым флагманам OpenAI и Anthropic, самый громкий релиз середины июля 2026 года пришёл из Китая. Компания Moonshot AI представила Kimi K3 — языковую модель на 2,8 триллиона параметров, которую независимые обозреватели уже называют крупнейшей открытой моделью в истории. По ряду публичных тестов она обходит проприетарные системы из США, а стоит при этом заметно дешевле. Разбираемся, что именно выпустили, где подвох с «открытостью» и почему это важно для разработчиков.

Что произошло

16 июля 2026 года Moonshot AI открыла доступ к Kimi K3 через свой сайт kimi.com и через API. Модель сразу возглавила несколько публичных рейтингов: по данным площадки Arena.ai она заняла первое место в арене фронтенд-разработки (Frontend Code arena), опередив в том числе Claude Fable 5 и GPT-5.6 Sol. Глава Arena Анастасиос Ангелопулос назвал событие «возможно, крупнейшим релизом года» и заявил, что это «момент, когда открытые китайские модели превзошли американские».

Формально Kimi K3 позиционируется как open-weights-модель («открытые веса» — то есть параметры модели можно скачать и запускать у себя), но здесь есть важная оговорка, к которой мы вернёмся ниже: на момент запуска доступны только веб-интерфейс и платный API, а полноценная выкладка весов обещана позже.

Архитектура: 2,8 триллиона параметров и «разреженные эксперты»

Kimi K3 построена по схеме MoE (Mixture-of-Experts, «смесь экспертов»). Это означает, что при общем размере в 2,8 трлн параметров на каждый запрос активируется лишь малая их часть: из 896 «экспертов» модель задействует всего 16. Такая разреженность (около 2% активных параметров) позволяет держать гигантский объём знаний, но платить за вычисления как за куда более компактную модель.

Ключевое инженерное новшество — механизм внимания Kimi Delta Attention (KDA). По заявлению разработчиков, он даёт до 6,3 раза более быстрое декодирование (генерацию ответа) на контекстах в миллион токенов. Второй компонент, Attention Residuals (AttnRes), повышает эффективность обучения примерно на 25% при менее чем 2% дополнительных затрат. В сумме, как утверждает Moonshot, масштабируемость выросла в 2,5 раза относительно предыдущего поколения Kimi K2.

Отдельно стоит выделить контекстное окно (объём текста, который модель удерживает «в уме» за один раз) в 1 миллион токенов. Для сравнения: это сотни страниц кода или документации, которые можно загрузить в один запрос — сценарий, критичный для работы с большими репозиториями.

Бенчмарки: где Kimi K3 лидирует, а где уступает

Картина по тестам получается неоднородной, и это честнее, чем маркетинговые «мы лучше всех». Сильные стороны модели — фронтенд и мультимодальные задачи. На независимом рейтинге Artificial Analysis модель набрала общий Elo около 1547 — это, по оценке аналитика Саймона Уиллисона, скачок примерно на 732 пункта относительно линейки Kimi K2.6 и результат, вплотную подбирающийся к топовым проприетарным системам.

Из отдельных бенчмарков разработчики приводят: GPQA-Diamond (сложные научные вопросы) — 93,5; OmniDocBench (разбор документов) — 91,1; Program Bench — 77,8. При этом на инженерном тесте FrontierSWE модель всё же уступает Claude Fable 5 (81,2 против 86,6), а на SWE Marathon показывает 42,0. Иными словами, в «длинной» автономной разработке лидерство пока за закрытыми моделями, но разрыв сокращается.

Показательна и экономия на генерации: по данным Moonshot, Kimi K3 решает задачи, используя примерно на 21% меньше выходных токенов, чем предыдущая версия, — а значит, тот же результат обходится дешевле.

Цены и доступ

Тарифы API выглядят так: 0,30 доллара за миллион входных токенов при попадании в кэш (cache-hit), 3 доллара за миллион входных токенов без кэша и 15 долларов за миллион выходных токенов. Для рабочих нагрузок в программировании Moonshot заявляет более 90% попаданий в кэш, что резко снижает реальную стоимость. API совместим с SDK от OpenAI, поэтому перевести существующую интеграцию на Kimi K3 можно с минимальными правками — обычно достаточно сменить адрес эндпоинта и ключ.

Стоит отметить, что относительно прошлой Kimi K2.6 (у которой вход стоил около 0,95, а выход — 4 доллара за миллион токенов) цены выросли. Но на фоне западных флагманов сопоставимого уровня Kimi K3 всё равно остаётся ощутимо дешевле — именно это сочетание «почти топовое качество за меньшие деньги» и делает релиз заметным.

«Открытая» модель — но с оговоркой

Главный нюанс, который легко упустить в заголовках. На старте 16 июля Kimi K3 доступна только как облачный сервис — сайт и API. Полная публикация весов, которая и позволит запускать модель на собственной инфраструктуре, обещана позже, ориентировочно к 27 июля 2026 года. Точные условия лицензии на момент запуска официально не детализированы.

Практический вывод: пока это «открытая модель, доступная как закрытая». Для тех, кто рассчитывает на локальный запуск ради приватности данных или независимости от облака, разумно дождаться фактической выкладки весов и текста лицензии — и убедиться, что разрешено коммерческое использование и дообучение. Обещание открыть веса и реальная возможность их скачать — не одно и то же.

Почему это важно

Релиз Kimi K3 — сигнал сразу по нескольким направлениям. Во-первых, открытые модели «трёхтриллионного» класса вплотную подошли к проприетарным лидерам по качеству, а кое-где (фронтенд, мультимодальность) уже обходят их в публичных аренах. Для разработчиков и небольших команд это означает реальную альтернативу: сопоставимый уровень без привязки к одному вендору и с перспективой самостоятельного хостинга.

Во-вторых, ставка на эффективность — разреженная архитектура, экономия токенов, дешёвый кэш — показывает, куда движется индустрия: не только «больше параметров», но и «меньше затрат на тот же результат». Это напрямую влияет на стоимость эксплуатации ИИ в продуктах.

В-третьих, стоит сохранять трезвость. Часть цифр — это самоотчёт производителя, а «открытость» на старте условна. Прежде чем переносить на Kimi K3 продакшн-нагрузку, имеет смысл прогнать модель на собственных задачах, сравнить с текущим решением по цене и качеству и дождаться публикации весов с лицензией. Но общий вектор очевиден: конкуренция открытых моделей с закрытыми перестала быть теоретической — и это хорошая новость для всех, кто строит продукты на ИИ.