Kimi K3: คู่มือฉบับสมบูรณ์ของ Open Model ที่เอาชนะ Fable 5 ได้สำเร็จ

นี่คือการแจกแจงแบบ A–Z อย่างละเอียดว่า Kimi K3 คืออะไรจริง ๆ, ทำอะไรได้บ้าง, และเหตุใดมันถึงกำลังกลายเป็นโมเดลโค้ดดิ้งที่สำคัญที่สุดที่ยังไม่มีใครพูดถึงอย่างเงียบ ๆ

บุ๊กมาร์กหน้านี้ไว้เพื่อไม่ให้คุณพลาดบทความนี้

2.8 ล้านล้านพารามิเตอร์. 1 ล้านโทเค็นคอนเท็กซ์.

นี่คือทุกสิ่งที่อยู่ในนั้น

ก่อนที่เราจะพูดถึง Benchmark มาพูดถึงสิ่งที่เพิ่งเกิดขึ้นกันก่อน

ในช่วงสามปีที่ผ่านมา เรื่องราวก็เป็นแบบเดิมเสมอ: ห้องแล็บอเมริกันสร้างสรรค์นวัตกรรม前沿, ห้องแล็บจีนสร้างสำเนาราคาถูกตามมาหกเดือนต่อมา

เมื่อวันที่ 16 กรกฎาคม Moonshot AI เปิดตัว Kimi K3

https://x.com/Kimi_Moonshot/status/2077830229968683203

พารามิเตอร์รวม 2.8 ล้านล้าน — มากกว่า DeepSeek's V4 Pro ประมาณ 75% และเกือบ 4 เท่าของ Zhipu's GLM 5 series. โมเดลโอเพนซอร์สที่ใหญ่ที่สุดเท่าที่เคยเปิดตัวมา

มันมีประสิทธิภาพเหนือกว่า Claude Opus 4.8. มันมีประสิทธิภาพเหนือกว่า GPT-5.6 Sol. และใน benchmarks ของ Moonshot มันอยู่ในระดับเดียวกับ Fable 5 — โมเดลที่มีความสามารถมากที่สุดที่เปิดให้สาธารณชนใช้งานได้ในปัจจุบัน

เรื่องราวของการเป็นผู้ตามสิ้นสุดลงแล้ว

ตัวเลข

แถวสุดท้ายนั่นคือสิ่งที่ผู้คนอ่านผิดกัน มาจัดการกับมันอย่างถูกต้องกันดีกว่า

ความจริงเรื่องราคา — โปรดอ่านอย่างถี่ถ้วน

Kimi K3 ไม่ใช่โมเดลราคาถูก ที่ราคา $3/$15 ต่อล้านโทเค็น มันมีราคาอยู่ในระดับเดียวกับ Claude Sonnet — ไม่ใช่ส่วนลดลึกเหมือนรุ่นก่อนหน้าของ Moonshot

แล้วคำว่า "ถูกกว่า Fable 5 ถึง 5 เท่า" มาจากไหน?

ต้นทุนต่องาน, ไม่ใช่ราคาต่อโทเค็น

K3 ใช้โทเค็นเอาต์พุตน้อยกว่าอย่างมากในการทำงานเดียวกันให้เสร็จ สำหรับงานโค้ดดิ้งที่เป็นตัวแทน: Fable 5 มีต้นทุนประมาณ $1.30. K3 มีต้นทุนประมาณ $0.25.

ระดับเอาต์พุตเดียวกัน. โทเค็นน้อยกว่า. ค่าใช้จ่ายรวมต่ำกว่า

กรอบความคิดที่ตรงไปตรงมา: ราคาระดับ Sonnet, ประสบการณ์ระดับ Fable. คุณไม่ได้ซื้อโทเค็นที่ถูกที่สุดในตลาด คุณกำลังซื้อความสามารถระดับ前沿ในราคากลางๆ และไปถึงที่นั่นได้ในขั้นตอนที่น้อยกว่า

ถ้าคุณเปรียบเทียบราคาโทเค็นดิบ K3 ดูไม่โดดเด่น แต่ถ้าคุณเปรียบเทียบต้นทุนในการทำงานให้เสร็จ นั่นเป็นการพูดคุยคนละเรื่องกันโดยสิ้นเชิง

จุดที่ Kimi K3 เป็น State of the Art

ตาม benchmarks ที่เผยแพร่โดย Moonshot, K3 สร้างสถิติ SOTA ใน:

• HLE with tools — ข้อสอบสุดท้ายของมนุษยชาติ, เสริมด้วยเครื่องมือ
• SWE-Bench Pro — วิศวกรรมซอฟต์แวร์ในโลกแห่งความเป็นจริง
• SWE-Bench Multilingual — วิศวกรรมข้ามภาษา
• BrowseComp — การท่องเว็บและการวิจัย
• Toolathlon — การใช้เครื่องมือในวงกว้าง
• CharXiv with Python — การใช้เหตุผลเกี่ยวกับแผนภูมิและตัวเลข
• MathVision with Python — คณิตศาสตร์เชิงภาพ

เมื่อเทียบกับคู่แข่ง: มีประสิทธิภาพเหนือกว่า Opus 4.8 และ GPT-5.6 Sol, เทียบเท่า Fable 5.

ในการทดสอบแบบ Blind Testing โดย AI evaluator Arena, นักพัฒนาชื่นชอบ Kimi มากกว่าโมเดลชั้นนำของสหรัฐฯ ทุกตัว

นวัตกรรมทางสถาปัตยกรรมสองอย่างที่สำคัญจริงๆ

นี่คือส่วนที่รายงานส่วนใหญ่ข้ามไป และมันเป็นสิ่งที่น่าสนใจที่สุดในการเปิดตัวครั้งนี้

• Kimi Delta Attention (KDA)

กลไกการ Attention แบบ Linear แบบ Hybrid ผลลัพธ์: การถอดรหัสที่เร็วกว่าสูงสุด 6.3 เท่าในคอนเท็กซ์ขนาดล้านโทเค็น

หน้าต่างคอนเท็กซ์ 1M จะมีประโยชน์ก็ต่อเมื่อคุณสามารถทำงานในนั้นได้จริงโดยไม่ต้องรอ forever KDA คือสิ่งที่ทำให้หน้าต่างคอนเท็กซ์ใช้งานได้จริงแทนที่จะเป็นเพียงทฤษฎี

• Attention Residuals (AttnRes)

ตัวแทนสำหรับ Residual Connections แบบ Plug-and-Play ให้ ประสิทธิภาพการฝึกอบรมสูงขึ้นประมาณ 25% โดยมีต้นทุนเพิ่มเติมน้อยกว่า 2%

เทคนิคทั้งสองถูกเผยแพร่เป็นงานวิจัยโอเพนโดยทีม Moonshot บน GitHub ก่อนที่โมเดลจะถูกปล่อยออกมา นี่ไม่ใช่การตลาด — มันเป็นงานที่ตรวจสอบได้โดยเพื่อนร่วมวิชาชีพ

และเมื่อรวมกันแล้ว พวกมันอธิบายประสิทธิภาพของโทเค็น: K3 ใช้ โทเค็นเอาต์พุตน้อยกว่า K2.6 ถึง 21% ในงานที่เทียบเท่ากัน

ส่วนที่ควรทำให้คุณสะดุ้ง: K3 ปรับแต่งสถาปัตยกรรมของตัวเองให้เหมาะสม

Moonshot ให้ K3 ใช้ Attention Residuals — ส่วนประกอบทางสถาปัตยกรรมของมันเอง — และเป้าหมายเดียว: ทำให้มันเร็วขึ้นบนฮาร์ดแวร์ H200 โดยไม่เปลี่ยนพฤติกรรมเชิงตัวเลข

จากนั้นพวกเขาก็ปล่อยให้มันทำงานตามลำพัง

การทดลอง 20 ชั่วโมง. ไม่มีการแทรกแซงของมนุษย์. ความเร็วเพิ่มขึ้น 1.6 เท่า

ในการรันแยกต่างหาก K3 ลดเวลา FLA Triton AttnRes forward/backward จาก 283.6ms เหลือ 114.4ms — ความเร็วเพิ่มขึ้น 2.48 เท่า — อีกครั้งโดยไม่เปลี่ยนค่าตัวเลข

และมันวนซ้ำได้เร็วกว่า Fable 5 ที่ทำงานเดียวกัน

อ่านอีกครั้ง โมเดลปรับปรุงกลไกที่ทำให้โมเดลทำงานได้ โดยอิสระ ข้ามคืน

นี่คือสิ่งที่ "การพัฒนาตนเองแบบวนซ้ำ" (recursive self-improvement) มีลักษณะในทางปฏิบัติ — ไม่ใช่สถานการณ์นิยายวิทยาศาสตร์ แต่เป็นงาน 20 ชั่วโมงที่มีผลลัพธ์ที่วัดได้ มันเป็นความสามารถเดียวกับที่ Anthropic ชี้ว่าเป็นเหตุผลที่ต้องระมัดระวังเมื่อหลายสัปดาห์ก่อน ซึ่งกำลังทำงานในโมเดล open-weight ที่ใครก็สามารถดาวน์โหลดได้ในวันที่ 27 กรกฎาคม

การเขียนโค้ดระยะยาว (Long-Horizon Coding) คือประเด็นหลัก

กรอบแนวคิดของ Moonshot เอง: "K3 ถือเป็นโมเดลการเขียนโค้ดโอเพนซอร์สที่ทรงพลังที่สุดของ Moonshot AI เท่าที่เคยมีมา โดยทำงานโดยมีการดูแลของมนุษย์น้อยที่สุด สามารถรักษาเซสชันวิศวกรรมที่ยาวนาน นำทาง repository ขนาดใหญ่ และควบคุมเครื่องมือใน terminal"

สามสิ่งที่สำคัญสำหรับงานวิศวกรรมจริง:

1. เซสชันที่ยั่งยืน — การทดลองอัตโนมัติ 20 ชั่วโมงไม่ใช่การสาธิต มันคือเป้าหมายของการออกแบบ
2. Repository ขนาดใหญ่ — หน้าต่างคอนเท็กซ์ 1M พร้อมการถอดรหัสที่เร็วขึ้น 6.3 เท่า หมายความว่าคุณสามารถใส่ codebase จริงลงในคอนเท็กซ์และทำงานในนั้นได้จริง
3. การประสานงานเครื่องมือ — SOTA บน Toolathlon และ BrowseComp หมายความว่ามันจัดการ terminal, browser, และ API calls ได้โดยไม่พัง

การเขียนโค้ด Frontend อยู่ในระดับ Fable 5. ฉากเกมคุณภาพ AAA จาก single prompt. WebGPU, Three.js, shaders, physics — สิ่งที่เคยต้องใช้สตูดิโอ

Vibe Coding กับ Kimi K3

นี่คือจุดที่โมเดลหยุดเป็นแค่ตัวเลข benchmark และเริ่มมีประโยชน์อย่างเห็นได้ชัด

การเขียนโค้ด Frontend ของ K3 อยู่ในระดับ Fable 5. ในทางปฏิบัติหมายความว่ากำแพงระหว่างคำอธิบายกับผลิตภัณฑ์ 3D ที่ใช้งานได้ตอนนี้คือ prompt เดียว

สิ่งที่ผู้คนได้ส่งมอบจริงจาก prompt เดียว:

เกม — สนามประลอง WebGPU พร้อม VFX. การเดินทางในเมือง 3D บนเบราว์เซอร์พร้อมกลไกการเกาะเกี่ยว

1. Zombie FPS.
2. แข่งรถหลายผู้เล่น
3. โปรแกรมจำลอง GBA 3D ที่ใช้งานได้
4. โครงสร้าง MMORPG ที่สมบูรณ์

ไม่ใช่ "demo ที่ดูเหมือนเกม" — ฉากที่เล่นได้พร้อมปฏิกิริยาต่อการถูกโจมตี, ผลกระทบ, และฟิสิกส์ที่ทำงาน

วัตถุ 3D ที่มีงานวัสดุจริง — Rolex ที่มีความเงาและพฤติกรรมแสงที่ถูกต้อง อาวุธ CSGO ที่ประกอบและแยกชิ้นส่วนได้จาก 33 ชิ้นส่วนที่แยกชิ้นอย่างละเอียด การถอดประกอบกล้อง Sony หลุมดำที่มี gravitational lensing การจำลองมหาสมุทรที่มีพลวัตของคลื่นจริง

ฉากฟิสิกส์ — การจำลองผ้า การพังทลายของโครงสร้าง การชนของยานพาหนะที่มีการถ่ายโอนโมเมนตัมที่ดูสมจริงแทนที่จะดูเหมือนถูกสคริปต์

สิ่งที่ทำให้สิ่งนี้แตกต่างจาก demo "AI สร้างเว็บไซต์" ก่อนหน้านี้: K3 จัดการรายละเอียดที่ปกติแล้วจะพัง แสง เงา ความมันวาวของวัสดุ 20 สิ่งเล็ก ๆ ที่แยก "เห็นชัดว่า AI สร้าง" ออกจาก "มีคนสร้างสิ่งนี้"

หนึ่ง prompt. สี่ล้านโทเค็น. ฉากที่เคยต้องใช้ทีมงาน

4 พรอมต์ที่ผ่านการทดสอบแล้ว (Copy-Paste พร้อมใช้)

พรอมต์เหล่านี้ถูกจัดโครงสร้างเพื่อใช้ประโยชน์จากสิ่งที่ K3 ถนัดจริงๆ: งานระยะยาว, การใช้เครื่องมือ, และการถือคอนเท็กซ์ขนาดใหญ่โดยไม่ล่องลอย

พรอมต์ 1 — การทดสอบฟิสิกส์ (Physics Stress Test)

นี่คือพรอมต์ที่แยกความสามารถจริงออกจากความสวยงามของการสาธิต ถ้าโมเดลสามารถทำทั้งสามฉากได้ในคุณภาพ แสดงว่ามันเป็นของจริง

1สร้างฉาก HTML5 Canvas แบบสแตนด์อโลนสามฉากพร้อมฟิสิกส์จริง
2ไม่มีไลบรารีภายนอก ทุกอย่างในไฟล์เดียวต่อหนึ่งฉาก
3
4ฉากที่ 1: รถไฟตกรางจากสะพานที่พังลงไปในน้ำ
5รวม: โมเมนตัมของโบกี้, ความล้มเหลวของโครงสร้างสะพาน,
6การเคลื่อนตัวของน้ำเมื่อกระทบ
7
8ฉากที่ 2: รถสองคันกระโดดขึ้นทางลาดและชนกันกลางอากาศ
9เหนือหุบเขา รวม: เส้นโค้งวิถีที่ถูกต้อง,
10การถ่ายโอนโมเมนตัมจากการชน, เศษซาก
11
12ฉากที่ 3: รถมอนสเตอร์ทรัคบดขยี้รถที่จอดเรียงเป็นแถว
13รวม: การกดทับของระบบกันสะเทือน, การเปลี่ยนรูปของแผ่นโลหะ,
14การกระจายน้ำหนัก
15
16ข้อกำหนดสำหรับทั้งสามฉาก:
17- ฟิสิกส์ต้องถูกคำนวณ, ไม่ใช่แอนิเมชัน
18- เป้าหมาย 60fps
19- รวมปุ่มรีเซ็ต
20- คอมเมนต์คณิตศาสตร์ฟิสิกส์เพื่อให้ฉันตรวจสอบได้
21
22สร้างทั้งสามฉาก อย่าถามคำถามเพื่อความกระจ่าง

พรอมต์ 2 — งาน Repository ระยะยาว

นี่คือสิ่งที่ K3 สร้างขึ้นมาจริงๆ ชี้ไปที่ codebase จริงและให้ผลลัพธ์, ไม่ใช่งาน

1อ่าน codebase ทั้งหมดนี้ก่อนที่จะเขียนอะไร
2
3[วาง repo ของคุณ หรือชี้ไปที่ไดเรกทอรี]
4
5วัตถุประสงค์: [ระบุผลลัพธ์ที่วัดได้ — เช่น "ลด
6เวลาตอบสนอง p95 API ลง 30%" หรือ "กำจัด N+1 queries
7ทั้งหมดใน data layer"]
8
9กติกา:
10- ทำโปรไฟล์ก่อน แสดงให้ฉันเห็นว่าเวลาส่วนใหญ่ไปอยู่ที่ไหน
11ก่อนที่คุณจะเปลี่ยนแปลงอะไร
12- ห้ามเปลี่ยน public interfaces หรือพฤติกรรมเชิงตัวเลข
13- รันชุดทดสอบที่มีอยู่หลังการเปลี่ยนแปลงแต่ละครั้ง
14- ถ้าการเปลี่ยนแปลงทำให้แย่ลง ให้ย้อนกลับและบอกฉันว่าทำไม
15- ทำงานจนกว่าจะบรรลุวัตถุประสงค์ หรือคุณสามารถพิสูจน์ได้ว่า
16มันไม่สามารถทำได้โดยไม่แหกกฎ
17
18รายงานในตอนท้าย: คุณเปลี่ยนอะไร, ได้อะไรกลับมา,
19คุณลองอะไรที่ไม่ได้ผล

บรรทัด "คุณลองอะไรที่ไม่ได้ผล" สำคัญ มันเปลี่ยนผลลัพธ์จาก diff เป็นบันทึกทางวิศวกรรม

พรอมต์ 3 — การสร้างผลิตภัณฑ์ 3D

สำหรับใครก็ตามที่ทำงาน frontend, หน้า Landing Page, หรือการสร้างภาพผลิตภัณฑ์

1สร้าง [วัตถุ] 3D แบบโต้ตอบในเบราว์เซอร์
2ไฟล์ HTML เดียว Three.js
3
4วัตถุ: [อธิบายให้แม่นยำ — วัสดุ,
5จำนวนชิ้นส่วน, อะไรเคลื่อนที่ได้]
6
7ต้องมี:
8- คุณสมบัติของวัสดุที่ถูกต้อง (ความเงา, ความหยาบ,
9ความเป็นโลหะในที่ที่เกี่ยวข้อง)
10- แสงสามจุดพร้อมเงาจริง
11- Orbit controls
12- [ปฏิสัมพันธ์ใดๆ — การประกอบ/ถอดประกอบ, แอนิเมชัน,
13สถานะ hover]
14
15เกณฑ์คุณภาพ: ควรดูเหมือนงานเรนเดอร์ผลิตภัณฑ์,
16ไม่ใช่ WebGL demo ถ้ารายละเอียดจะมองเห็นได้ในชีวิตจริง,
17ให้สร้างมันขึ้นมา
18
19สร้างทั้งหมดเลย แสดงไฟล์ให้ฉันดู

บรรทัด "เกณฑ์คุณภาพ" ทำงานหนักกว่าสิ่งอื่นใดในพรอมต์ K3 ตอบสนองต่อมาตรฐาน, ไม่ใช่แค่คำแนะนำ

พรอมต์ 4 — ฟีเจอร์ Real-Time พร้อมชิ้นส่วนที่เคลื่อนไหว

CRUD แบบ Full-stack เป็นรูปร่างหนึ่งของแอป Real-time เป็นรูปร่างที่แตกต่างอย่างสิ้นเชิง — สถานะต้องซิงค์กันข้าม client, ไม่ใช่แค่จัดเก็บในฐานข้อมูล นี่คือจุดที่โมเดลหลายตัวพังเงียบๆ

1เพิ่มฟีเจอร์ real-time ให้กับแอปที่มีอยู่: ระบบเคอร์เซอร์
2และคอมเมนต์แบบทำงานร่วมกันสด, เหมือนของ Figma
3
4ข้อกำหนด:
5- การเชื่อมต่อ WebSocket (ใช้ Socket.io หรือ native ws)
6- แสดงตำแหน่งเคอร์เซอร์ของผู้ใช้คนอื่นที่เชื่อมต่ออยู่แบบเรียลไทม์
7- คลิกที่ใดก็ได้เพื่อวางหมุดคอมเมนต์
8- คอมเมนต์อัปเดตสดสำหรับ client ที่เชื่อมต่อทั้งหมด
9- จัดการการตัดการเชื่อมต่อ/เชื่อมต่อใหม่อย่างสวยงาม — ไม่มี ghost cursor
10- Debounce การอัปเดตเคอร์เซอร์เพื่อไม่ให้ท่วม socket
11
12สร้าง:
131. ตั้งค่า WebSocket server
142. สร้างการเชื่อมต่อฝั่ง client พร้อม auto-reconnect
153. ใช้การกระจายสัญญาณเคอร์เซอร์พร้อม debouncing
164. ใช้ระบบหมุดคอมเมนต์
175. เพิ่มตัวบ่งชี้สถานะอย่างง่าย (ใครออนไลน์อยู่)
186. ทดสอบกับ client จำลองอย่างน้อย 2 ตัวเพื่อยืนยันการซิงค์
19
20แสดงให้ฉันเห็นว่าคุณทดสอบการซิงค์หลาย client อย่างไรก่อนที่จะบอกว่าสำเร็จ

ผลลัพธ์ที่คาดหวัง: เลเยอร์ real-time ที่ใช้งานได้ใน 15–30 นาที, พร้อมหลักฐานที่มองเห็นได้ว่ามันถูกทดสอบกับ client มากกว่าหนึ่งตัว

บรรทัดสุดท้ายคือส่วนสำคัญ บั๊ก Real-time จะไม่แสดงขึ้นมาด้วยแท็บเบราว์เซอร์เดียว — มันจะแสดงขึ้นมาด้วยสองแท็บ โมเดลที่ข้ามการทดสอบหลาย client จะส่งมอบโค้ดที่ดูเหมือนเสร็จแล้วแต่จริงๆ ไม่เสร็จ

เมื่อ K3 ทำงานผิดพลาด: คู่มือการแก้ปัญหา

มันเป็นโมเดลใหม่ที่มีขอบหยาบจริงๆ นี่คือสิ่งที่พังและต้องทำอย่างไร

• ปัญหา: มันเผาโทเค็นกับงานเล็กน้อย

นี่คือปัญหาสำคัญ และมันเป็นปัญหาเชิงโครงสร้าง

K3 ในปัจจุบันมาพร้อมกับ ระดับความพยายามในการใช้เหตุผลเพียงระดับเดียว — 'max' ไม่มีโหมด "แค่ตอบเร็วๆ" ผู้ทดสอบอิสระนับได้ โทเค็นเหตุผล 13,241 ตัวสำหรับการสร้าง SVG ธรรมดา — ประมาณ $0.25 สำหรับสิ่งที่ควรเสียเงินเพียงเศษเสี้ยวเซนต์

วิธีแก้ไข:

อย่าส่งงานง่ายๆ ไปที่ K3 มันเป็นโมเดลระดับ前沿ที่มีเกียร์เดียว และเกียร์นั้นคือ "คิดหนักทุกเรื่อง" ใช้ K2.7 หรือโมเดลที่เล็กกว่าสำหรับ boilerplate, การจัดรูปแบบ, และอะไรก็ตามที่เป็นกลไก เก็บ K3 ไว้สำหรับงานที่สมควรได้รับการใช้เหตุผล

นี่คือความผิดพลาดครั้งใหญ่ที่สุดที่ผู้คนจะทำในเดือนแรก: ทำให้ K3 เป็นค่าเริ่มต้นสำหรับทุกอย่าง แล้วก็แปลกใจกับค่าใช้จ่าย

• ปัญหา: หน้าต่างคอนเท็กซ์เต็มอยู่ดี

1M โทเค็นฟังดูไม่มีที่สิ้นสุด จนกว่าคุณจะใส่ repo จริงลงไปแล้วมันไม่พอ

วิธีแก้ไข:

อย่าเททุกอย่างลงไป ชี้ไปที่ไดเรกทอรีที่สำคัญ จุดแข็งของ K3 ในงานระยะยาวมาจากการโฟกัสที่ต่อเนื่อง, ไม่ใช่จากการมีทุกไฟล์ในคอนเท็กซ์ คอนเท็กซ์ 200K ที่กระชับและถูกต้อง ดีกว่าคอนเท็กซ์ 900K ที่บวมของทั้ง monorepo

• ปัญหา: มันล่องลอยในรันอัตโนมัติที่ยาวมาก

การทดลองอัตโนมัติ 20 ชั่วโมงเป็นเรื่องจริง แต่มันได้ผลเพราะวัตถุประสงค์นั้น วัดได้ — "ทำให้เร็วขึ้นบน H200 โดยไม่เปลี่ยนค่าตัวเลข" ให้เป้าหมายที่คลุมเครือและสายจูงยาว มันจะเร่ร่อน

วิธีแก้ไข:

ทุกพรอมต์ระยะยาวต้องมีเงื่อนไขความสำเร็จที่ตรวจสอบได้ ไม่ใช่ "ปรับปรุงโค้ด" ต้องเป็นตัวเลข, การทดสอบที่ผ่าน, benchmark ที่ขยับ ถ้าคุณไม่สามารถระบุได้ว่าคุณจะตรวจสอบความสำเร็จอย่างไร มันจะล่องลอย

• ปัญหา: คุณไม่สามารถจำลองผล benchmark ของคนอื่นได้

ไม่มีใครนอก Moonshot ที่ตรวจสอบโมเดลนี้ น้ำหนักจะไม่ปล่อยจนถึงวันที่ 27 กรกฎาคม ทุกตัวเลขที่หมุนเวียนอยู่ในตอนนี้ — รวมถึงในบทความนี้ — เป็นข้อมูลที่ผู้ขายรายงาน

วิธีแก้ไข:

รอถึงวันที่ 27 กรกฎาคม หรือทดสอบกับงานของคุณเองและเชื่อถือสิ่งนั้นแทน งานจริงห้าชิ้นของคุณมีค่ามากกว่าตาราง benchmark ของใครก็ตาม

• ปัญหา: ข้อผิดพลาดในการผสานรวมหลังจากเปลี่ยนจาก OpenAI หรือ Anthropic

K3 เข้ากันได้กับ OpenAI SDK ซึ่งครอบคลุม 90% ของการย้าย อีก 10% ที่เหลือมักจะเป็นพฤติกรรมการใช้เหตุผล — K3 คิดโดยค่าเริ่มต้นและส่งคืนโทเค็นเหตุผลที่คุณอาจไม่คาดหวังในการจัดการการตอบสนองของคุณ

วิธีแก้ไข:

ตรวจสอบการนับโทเค็นและการแยกวิเคราะห์การตอบสนองของคุณ ก่อนที่คุณจะสรุปว่าโมเดลเสีย คำบ่น "K3 แพง" ส่วนใหญ่จริงๆ แล้วคือ "ฉันลืมไปว่าโทเค็นเหตุผลคือโทเค็นเอาต์พุต"

บริบทที่ไม่มีใครควรมองข้าม

Moonshot ตั้งอยู่ในปักกิ่ง ก่อตั้งโดย Yang Zhilin อดีตนักวิจัยของ Google และได้รับการสนับสนุนจาก Alibaba

https://x.com/kirillk_web3/status/2057528102368977328

พวกเขาสร้างโมเดลระดับ前沿ขนาด 2.8 ล้านล้านพารามิเตอร์ภายใต้ข้อจำกัดการส่งออกชิปที่เพิ่มขึ้นของสหรัฐฯ ในช่วงสามปี

นักวิเคราะห์ของ Bank of America กล่าวโดยตรง: "แม้จะมีข้อจำกัดด้านฮาร์ดแวร์/ความสามารถในการประมวลผลอย่างต่อเนื่องในจีน แต่ K3 แสดงให้เห็นว่าการปรับขนาด pre-training ควบคู่กับนวัตกรรมทางสถาปัตยกรรม ยังคงสามารถส่งมอบการปรับปรุงแบบก้าวกระโดดให้กับโมเดลเรือธงของจีนได้"

และช่วงเวลาก็ไม่ได้บังเอิญ: K3 เปิดตัวไม่กี่วันก่อน งาน World Artificial Intelligence Conference 2026 ที่เซี่ยงไฮ้

คำถามวันที่ 27 กรกฎาคม

น้ำหนักจะถูกปล่อยในวันที่ 27 กรกฎาคม วันที่นั้นสำคัญกว่าวันที่เปิดตัว

จนถึงตอนนั้น K3 เป็นโมเดลระดับ前沿ที่คุณสามารถใช้ผ่าน API — น่าประทับใจ

ในวันที่ 27 กรกฎาคม มันจะกลายเป็นอย่างอื่น: โมเดลระดับ前沿ที่ใครก็สามารถดาวน์โหลด, ตรวจสอบ, แก้ไข, และรันบนฮาร์ดแวร์ของตัวเองได้ ไม่มี API ไม่มีข้อจำกัดการใช้งาน ไม่มีข้อกำหนดในการให้บริการ ไม่มีการเก็บ prompt ไว้ 30 วัน

นั่นคือเรื่องราวที่แท้จริง ไม่ใช่ "จีนตามทันแล้ว"

จีนตามทันและแจกให้ฟรี

น่าสังเกต: หน่วยงานกำกับดูแลของจีนได้หารือเกี่ยวกับการควบคุมการส่งออก AI ของตนเองเช่นกัน ว่า K3 จะเป็นการปล่อย open-weight ระดับ前沿ครั้งสุดท้ายจากจีน หรือเป็นครั้งแรกจากอีกหลายครั้ง ยังไม่ชัดเจนในตอนนี้

วิธีทดลองใช้งาน

แชท: kimi.com — K3 พร้อมใช้งานแล้ว

API: เข้ากันได้กับ OpenAI SDK ดังนั้นถ้าคุณกำลังสร้างบน OpenAI หรือ Anthropic toolchains อยู่แล้ว การผสานรวมคือการเปลี่ยนแปลง config ไม่ใช่การเขียนใหม่

น้ำหนัก: 27 กรกฎาคม

ความเข้ากันได้ของ SDK มีความสำคัญมากกว่าที่คิด การเปลี่ยนโมเดลปกติหมายถึงการเขียนเลเยอร์การผสานรวมใหม่ ที่นี่หมายถึงการเปลี่ยน base URL และ model string

วิธีติดตั้ง Kimi Code (Terminal Agent)

ถ้าคุณต้องการให้ K3 ทำงานภายใน codebase จริงของคุณแทนที่จะเป็นหน้าต่างแชท นี่คือการตั้งค่า

ข้อกำหนด:

• คอมพิวเตอร์ (Mac, Windows, หรือ Linux)
• การเข้าถึง Terminal
• บัญชี Kimi — kimi.com

ขั้นตอนที่ 1 — ติดตั้ง Kimi Code

Mac/Linux:

1curl -fsSL https://code.kimi.com/kimi-code/install.sh | bash

Windows (PowerShell):

1irm https://code.kimi.com/kimi-code/install.ps1 | iex

บน Windows ให้ติดตั้ง Git for Windows ก่อน — Kimi Code CLI ใช้ Git Bash ที่มาพร้อมกับมันเป็นสภาพแวดล้อม shell

ตรวจสอบการติดตั้ง:

1kimi --version

เนื่องจาก macOS Gatekeeper การรันครั้งแรกอาจใช้เวลานานกว่าเดิมอย่างเห็นได้ชัด เพิ่มแอป terminal ของคุณใน System Settings → Privacy & Security → Developer Tools เพื่อให้การเปิดใช้ครั้งต่อไปเร็วขึ้น

ถ้าคุณติดตั้ง uv ไว้แล้ว, คุณสามารถติดตั้งได้โดยตรง:

1uv tool install --python 3.13 kimi-cli

Kimi Code CLI รองรับ Python 3.12–3.14, โดยแนะนำให้ใช้ 3.13 เพื่อความเข้ากันได้ดีที่สุด

ขั้นตอนที่ 2 — ไปที่โปรเจกต์ของคุณและเปิดใช้งาน

1cd your-project
2kimi

ในการเปิดใช้ครั้งแรก ให้รัน /login ภายในเซสชันเพื่อกำหนดค่าแหล่ง API ของคุณ — มันจะเปิดหน้าต่างเบราว์เซอร์สำหรับ OAuth

ขั้นตอนที่ 3 — มอบหมายงาน

ตอนนี้ Kimi Code กำลังทำงานภายในโปรเจกต์ของคุณ, พร้อมสิทธิ์การอ่าน/เขียนโดยตรงไปยังทุกไฟล์ อธิบายงานเป็นภาษาอังกฤษธรรมดา — มันจะวางแผนขั้นตอน, แก้ไขโค้ด, รันการทดสอบ, และรายงานสิ่งที่ทำ

สิ่งที่สิ่งนี้หมายถึงจริงๆ

ถ้าคุณใช้งาน的生产環境:

ทดสอบก่อนเปลี่ยน ข้อมูล benchmark ของผู้ขายและประสิทธิภาพในโลกแห่งความเป็นจริงมักจะแตกต่างกัน เลือกงานจริงห้าชิ้น, รัน K3 และโมเดลปัจจุบันของคุณเคียงข้างกัน, วัดต้นทุนต่องานที่เสร็จสมบูรณ์ — ไม่ใช่ต้นทุนต่อโทเค็น

คณิตศาสตร์ต่อคืองานคือข้อโต้แย้งทั้งหมด ที่ราคา $3/$15 K3 ไม่ถูกในกระดาษ แต่ที่โทเค็นน้อยกว่า 21% และเอาต์พุตระดับ Fable, มันถูกในจุดที่สำคัญ

วันที่ 27 กรกฎาคมเปลี่ยนสมการ น้ำหนักแบบเปิดหมายถึงการโฮสต์ด้วยตัวเอง, การปรับแต่งละเอียด, และไม่ต้องพึ่งพา API ของใครก็ตามที่ยังออนไลน์อยู่ หรือข้อกำหนดของใครก็ตามที่ยังเป็นประโยชน์ สำหรับอะไรก็ตามที่ละเอียดอ่อน นั่นไม่ใช่เรื่องเล็ก

สรุป

ชายแดน前沿เคยเป็นสถานที่ที่ห้องแล็บอเมริกันสร้างขึ้น และคนอื่นๆ มาเยี่ยมชมหกเดือนต่อมา

2.8 ล้านล้านพารามิเตอร์. คอนเท็กซ์ 1M. การเขียนโค้ดระดับ Fable 5 ในราคา Sonnet สร้างขึ้นภายใต้ข้อจำกัดการส่งออก, โดยห้องแล็บที่มีมูลค่าต่ำที่สุดในห้อง, และแจกให้ฟรีในวันที่ 27 กรกฎาคม

คำถามที่น่าสนใจไม่ใช่ว่า K3 ชนะ Fable 5 ในบาง benchmark หรือไม่ แต่มันคืออะไรจะเกิดขึ้นกับเศรษฐศาสตร์ของโมเดล前沿แบบปิด เมื่อโมเดล open-weight เทียบเท่าพวกมัน

ลิงก์

• Kimi K3: https://www.kimi.com
• Telegram ของฉัน: https://t.me/kirillk_web3
• Twitter/X ของฉัน: https://x.com/kirillk_web3
• Partner Hosting: https://ishosting.com/affiliate/NzE0MiM2

ติดตามเพื่อรับข้อมูล Vibe Coding เพิ่มเติม ขอบคุณที่อ่าน!