- Kimi K3 adalah model terbuka kelas 3T pertama di dunia yang ditujukan untuk coding jangka panjang/pekerjaan pengetahuan/penalaran, dengan 2,8 triliun parameter, visi native, dan konteks 1 juta token
- Dengan menerapkan Kimi Delta Attention/Attention Residuals dan Stable LatentMoE yang mengaktifkan 16 dari 896 expert, efisiensi penskalaan keseluruhan meningkat sekitar 2,5x dibanding Kimi K2
- Mampu menjalankan tugas jangka panjang dengan intervensi manusia minimal pada optimasi kernel GPU/pengembangan compiler/pembuatan game 3D/desain chip/riset ilmiah, serta mencatat hasil yang kompetitif atau unggul atas model tertutup pada sejumlah benchmark coding/agen
- Langsung tersedia di Kimi.com/Kimi Work/Kimi Code/Kimi API, dengan upaya penalaran maksimum sebagai default saat peluncuran, dan bobot model penuh akan dibuka paling lambat 27 Juli 2026
- Kinerja keseluruhan dan pengalaman pengguna masih di bawah Claude Fable 5 dan GPT 5.6 Sol, serta memiliki keterbatasan berupa sensitivitas pada cara riwayat penalaran diteruskan dan kecenderungan mengambil keputusan berlebihan atas nama pengguna dalam situasi ambigu
Model terbuka 2,8 triliun parameter
- Kimi K3 adalah model dengan performa tertinggi yang pernah dirilis Kimi, mendukung 2,8 triliun parameter/konteks 1 juta token/visi native
- Performa keseluruhannya lebih rendah daripada Claude Fable 5 dan GPT 5.6 Sol, tetapi secara konsisten melampaui model pembanding lain di evaluasi internal dan menunjukkan hasil kelas frontier
- Dalam 9 dari 12 bulan terakhir, model Kimi terus memperbarui batas atas ukuran model terbuka, dan K3 menjadi yang pertama mencapai kelas 3T
- Tersedia di Kimi.com/Kimi Work/Kimi Code/Kimi API
- Versi rilis menggunakan upaya penalaran maksimum sebagai default, dan mode upaya rendah/tinggi akan ditambahkan pada pembaruan berikutnya
- Penyedia layanan inferensi dan maintainer open source sedang menyesuaikan detail teknis, dan bobot penuh serta laporan teknis dijadwalkan dibuka paling lambat 27 Juli 2026
Arsitektur KDA/AttnRes/Stable LatentMoE
- Kimi Delta Attention (KDA) menyediakan fondasi untuk menskalakan attention secara efisien pada sekuens panjang
- Attention Residuals (AttnRes) alih-alih mengakumulasi representasi tiap lapisan secara merata, secara selektif mengambil representasi yang diperlukan di sepanjang kedalaman model
- Dengan memperluas sparsity Mixture of Experts, arsitektur Stable LatentMoE hanya mengaktifkan 16 dari 896 expert
- Dengan menggabungkan perubahan arsitektur serta perbaikan recipe pelatihan/data, efisiensi penskalaan keseluruhan meningkat sekitar 2,5x dibanding Kimi K2
- Berbagai teknik diterapkan untuk routing dan optimasi model sparse skala besar
- Quantile Balancing secara langsung menghitung alokasi expert dari kuantil skor router, menghilangkan pembaruan heuristik dan hyperparameter penyeimbang yang sensitif
- Per-Head Muon mengoptimalkan tiap attention head secara independen untuk meningkatkan adaptabilitas pelatihan skala besar
- Sigmoid Tanh Unit (SiTU) mengendalikan nilai aktivasi dan Gated MLA meningkatkan selektivitas attention
Infrastruktur pelatihan dan inferensi
- Sejak tahap SFT, pembelajaran sadar kuantisasi diterapkan, menggunakan bobot MXFP4/nilai aktivasi MXFP8 untuk kompatibilitas hardware yang luas
- Untuk mencegah ketidakseimbangan expert menurunkan throughput pada paralelisasi expert skala besar, diperkenalkan metode pelatihan expert-parallel yang sepenuhnya seimbang dengan bentuk tensor tetap dan menghilangkan sinkronisasi host pada jalur kritis
- Saat inferensi, karena memerlukan area komunikasi bandwidth tinggi yang luas, direkomendasikan konfigurasi supernode yang menghubungkan 64 akselerator atau lebih
- Implementasi untuk mengatasi masalah yang ditimbulkan KDA terhadap prefix caching konvensional telah dikontribusikan ke komunitas vLLM dan akan dirilis bersama model
- Dengan KDA prefill cache, layanan dapat diberikan dengan harga token yang kompetitif meski ukuran model besar dan konteks panjang
Coding jangka panjang dan umpan balik visual
- Dapat mempertahankan sesi engineering panjang dengan pengawasan manusia minimal, menjelajahi repositori besar, dan mengoordinasikan alat terminal
- Dengan menggabungkan software engineering dan penalaran visual, model ini berulang kali memperbaiki hasil game development/frontend/CAD sambil memeriksa screenshot dan hasil eksekusi
- Dengan pendekatan vision in the loop yang terus bolak-balik antara kode dan tampilan nyata, gambar dan video diubah menjadi hasil interaktif yang dapat dijalankan
- Pada tahap akhir pengembangan, Kimi K3 awal menangani sebagian besar pekerjaan optimasi kernel GPU tim
Optimasi kernel GPU
- Dievaluasi agar memprofilkan dan memodifikasi kernel AttnRes/KDA/MLA hingga 24 jam per model dalam sandbox yang sama
- Kimi K3 bersaing dengan hasil fallback potensial Fable 5 dan secara umum mencatat hasil lebih tinggi daripada Opus 4.8/GPT 5.6 Sol/GPT 5.5
-
AttnRes
- Mengoptimalkan implementasi FLA Triton untuk konfigurasi operasional 96 lapisan/dimensi model 8.192/8.192 token tanpa mengubah hasil numerik
- Melakukan iterasi selama 15 jam untuk merancang algoritme kernel dua tahap baru dan menggabungkan beberapa kernel
- Mengurangi waktu forward dan backward dari 283,6ms menjadi 114,4ms
- Performa akhir mirip dengan hasil fallback potensial Fable 5, tetapi kecepatan optimasi per iterasi K3 lebih cepat
-
DSA
- Mengoptimalkan kernel DSA berbasis TileLang pada pengaturan pelatihan nyata yang menggunakan hyperparameter selaras dengan DeepSeek-V3.2 dan sekuens 1 juta token
- Mencatat hasil terbaik kedua setelah 57,3% milik Fable 5 dengan memangkas waktu end-to-end 55,1% dibanding implementasi acuan
-
MLA-512
- Menulis kernel MLA dari nol tanpa kernel acuan, untuk batch 1/64 head/8.192 token/head dimension 512
- Mencapai 517,8 TFLOPS pada forward dan backward, melebihi setengah puncak teoritis BF16 H200
- Melampaui 492,7 TFLOPS milik model tertinggi berikutnya
-
KDA on GPGPU
- Mengoptimalkan implementasi FLA Triton KDA pada GPU umum dari vendor alternatif yang memiliki CUDA dan software stack/perilaku memori berbeda
- Membangun ulang model performa mulai dari profiling dan memangkas waktu forward dan backward 73,6% dibanding implementasi acuan
- Disebutkan masih mungkin ada ruang untuk peningkatan tambahan
-
Catatan kehati-hatian pada evaluasi
- Claude Fable 5 dievaluasi oleh pihak ketiga dan beberapa hasil mungkin mencakup perilaku fallback
- Beberapa jalur eksekusi pada berbagai model menggunakan pemotongan presisi kecil dalam batas toleransi galat numerik yang diizinkan
Compiler GPU MiniTriton
- Kimi K3 mengembangkan dari nol sistem pemrograman GPU kecil mirip Triton bernama MiniTriton
- Di atas MLIR, Kimi membangun representasi menengah berbasis tile sendiri dan mengimplementasikan optimization pass/pipeline pembangkitan kode PTX/runtime
- Pada benchmark roofline yang didukung, performanya setara atau lebih tinggi daripada Triton dan
torch.compile, dan pada sebagian tugas melampaui Triton - Berhasil menjalankan pelatihan penuh nanoGPT secara stabil, dengan kurva loss yang konvergen dan hanya menunjukkan perbedaan kecil dari implementasi referensi
- Dibuat compiler penuh yang konsisten dari frontend DSL hingga optimasi IR/generasi PTX/runtime, dan jalur Tensor Core yang ditulis dari nol juga bersaing dengan stack Triton yang telah dioptimalkan
Game 3D dan kreasi digital
- Kimi K3 membuat game eksplorasi 3D berbasis browser yang dihasilkan secara prosedural dengan Three.js WebGPU dan GPU compute
- Menghasilkan open world dengan hutan/desa pondok kayu/pegunungan bersalju/cuaca dinamis, serta membuat model penunggang dan kuda dengan alat pembuatan aset 3D
- Model koboi animasi/model kuda dan data medan menggunakan aset eksternal
- Hasilnya dapat dilihat di 3D Open World
Desain chip untuk model
- Kimi K3 merancang chip untuk menjalankan model kecil yang memakai arsitekturnya sendiri lewat 48 jam kerja otonom tanpa henti
- Desain/optimasi/verifikasi dilakukan dengan library Nangate 45nm dan alat EDA open source
- Memenuhi timing 100MHz dalam area 4mm² dan mencatat throughput decoding lebih dari 8.700 token per detik berdasarkan simulasi
- Mencakup 1,46 juta standard cell/0,277MB SRAM/array INT4 MAC dengan dekuantisasi terfusi
Implementasi riset ilmu komputasi
- Menghubungkan literatur ilmiah ke kode yang dapat dijalankan untuk mengimplementasikan/memverifikasi/menganalisis proses riset komputasi yang kompleks
- Menyelesaikan reproduksi relasi universal I–Love–Q dalam astrofisika komputasi dalam sekitar 2 jam, dibandingkan dengan pekerjaan yang biasanya memerlukan 1–2 minggu bagi peneliti berpengalaman
- Meninjau dan melakukan cross-check lebih dari 20 makalah, serta mengimplementasikan seluruh pipeline komputasi numerik
- Mengevaluasi lebih dari 300 persamaan keadaan dan menemukan ketidaksesuaian antarrumus yang dipublikasikan
- Menghasilkan lebih dari 3.000 baris kode Python dan dashboard HTML interaktif untuk eksplorasi hasil
Pekerjaan pengetahuan dan riset interaktif
- Selain benchmark publik, Kimi menyatakan bahwa Kimi K3(max) juga menunjukkan peningkatan konsisten pada evaluasi internal berbasis masalah berulang dari workflow pengguna/agen nyata
-
Analisis 42 tahun industri AI ASIC
- Membuat situs web interaktif yang menganalisis 42 tahun industri AI ASIC melalui lebih dari 120 kali self-improvement rekursif
- Melakukan lebih dari 2.800 pencarian/pengambilan web dan lebih dari 1.100 pengumpulan data terminal
- Menggunakan lebih dari 11.000 halaman materi, termasuk 87 laporan kuartalan dan 99 PDF sumber asli
- Mengubah bahan pendukung menjadi chart kustom/diagram animasi/narasi visual interaktif
-
Riset industri fusi nuklir
- Membuat laporan industri bergaya konsultansi, termasuk timeline/funnel chart/range bar chart/Gantt chart dan slide berkualitas publikasi
-
Analisis gelombang gravitasi GWTC-5
- Menganalisis 391 peristiwa gelombang gravitasi menggunakan lebih dari 20 sub-agen serentak
- Menghasilkan 7 visualisasi ilmiah/2 tabel/sintesis literatur lebih dari 10 makalah
-
Presentasi
- Digunakan untuk membuat presentasi bergaya infografik seperti heatmap yang sepenuhnya dapat diedit dan laporan tahunan
Widgets dan Dashboard
- Menambahkan fitur Widgets/Dashboard ke Kimi Work agar percakapan menjadi lebih visual dan berkelanjutan
- Widgets dapat membuat komponen interaktif di dalam chat dan terus memperbaruinya dengan menghubungkan data lokal atau plugin eksternal
- Dashboard mempertahankan widget penting dalam satu layar yang dipersonalisasi dan disusun menurut topik/proyek/tujuan
Penyuntingan video
- Menangani teks/gambar/video dalam satu model multimodal native untuk melakukan motion design/animasi/penyuntingan video
- Membuat video motion graphics bergaya 3Blue1Brown yang menjelaskan arsitekturnya sendiri, menyajikan konsep teknis lewat diagram animasi dan transisi layar
- Menyunting video teaser sendiri dari 56 klip mentah, melakukan pemilihan klip/cut yang menyambung gerakan/sinkronisasi ritme per frame/pemrosesan audio/beberapa kali revisi
- Dibandingkan dengan pekerjaan serupa, video singkat dengan kepadatan yang sama biasanya memerlukan 1–2 hari bagi editor berpengalaman, atau 3–5 hari bagi pemula
Hasil benchmark utama
- Semua hasil Kimi K3 diukur dengan upaya penalaran
max/temperature 1.0/top-p 1.0, dan menggunakan agent harness KimiCode/Claude Code/Codex sesuai benchmark -
Coding
- DeepSWE 67,5 / Program Bench 77,8 / Terminal Bench 2.1 88,3
- FrontierSWE 81,2 / SWE Marathon 42,0 / PostTrain Bench 36,6
- MLS Bench 48,3 / internal Kimi Code Bench 2.0 72,9
- Pada Program Bench dan SWE Marathon, mencatat skor tertinggi di antara model yang tercantum dalam tabel
- Terminal Bench 2.1 mendekati 88,8 milik GPT 5.6 Sol, sementara FrontierSWE lebih rendah dari 86,6 milik Fable 5
-
Agen dan otomasi kerja
- GDPval-AA v2 1.668 Elo / BrowseComp 91,2 / DeepSearchQA 95,0
- Toolathlon-Verified 73,2 / MCP Atlas 84,2 / Automation Bench 30,8
- Job Bench 52,9 / AA-Briefcase 1.548 Elo / APEX-Agents 37,6
- Office QA Pro 63,3 / SpreadsheetBench 2 34,8 / internal DECK-Bench 73,5
- Pada BrowseComp/DeepSearchQA/Automation Bench/SpreadsheetBench 2, mencatat skor tertinggi di antara model yang tercantum dalam tabel
- MCP Atlas menggunakan Gemini 3.1 Pro sebagai model penilai pada 500 tugas publik/batas 100 giliran
- AutomationBench dievaluasi dengan 600 tugas publik
- BrowseComp menerapkan kompresi konteks pada 300 ribu token, dan bila konteks 1 juta token digunakan tanpa manajemen, skor K3 menjadi 90,4
-
Penalaran dan pengetahuan
- GPQA-Diamond 93,5 / HLE-Full 43,5 / HLE-Full dengan alat 56,0
- GPQA-Diamond mendekati 94,1 milik GPT 5.6 Sol, tetapi HLE-Full lebih rendah daripada 53,3 milik Fable 5 dan skor 63,0 saat memakai alat
-
Visi
- MMMU-Pro 81,6, dengan Python 83,4
- CharXiv RQ 84,8, dengan Python 91,3
- MathVision 94,3, dengan Python 97,8
- BabyVision with Python 85,7
- ZeroBench
pass@523,0, dengan Python 41,0 - WorldVQA ForceAnswer 51,0 / OmniDocBench 91,1 / internal PerceptionBench 58,5
- Pada OmniDocBench, mencatat 91,1, tertinggi di antara model yang tercantum dalam tabel
- ZeroBench dijalankan 5 kali sesuai pengaturan resmi, dan skor multimodal lainnya menggunakan rata-rata 3 kali run
- PerceptionBench adalah benchmark internal yang berfokus pada kemampuan persepsi visual tingkat unit
Metode evaluasi dan batasan perbandingan
- Perbedaan agent harness dan sumber skor pada tiap benchmark membuat perbandingan langsung antarmodel memiliki kondisi yang berbeda
- Pada DeepSWE, skor harness KimiCode adalah 67,5, sedangkan pada harness mini-SWE-agent di leaderboard resmi tercatat 67,3
- Untuk Terminal Bench 2.1, skor model lain menggunakan hasil tertinggi dari beberapa harness
- Skor FrontierSWE dihitung ulang dari skor mentah dengan skrip resmi, per 16 Juli 2026
- PostTrain Bench menggunakan rata-rata tiga kali run, dan bila Claude Fable 5 menolak permintaan karena kebijakan, sistem otomatis fallback ke Claude Opus 4.8
- Skor GDPval-AA v2 dan AA-Briefcase menggunakan hasil Artificial Analysis
Cara penggunaan dan harga
- Kimi K3 Agents
- Tersedia di aplikasi Kimi terbaru untuk iOS/Android/HarmonyOS atau di Kimi.com
- Kimi Work
- Didukung pada Kimi Work 3.1.0 atau lebih baru untuk Windows dan Apple silicon Mac
- Kimi Code
- Jalankan di terminal lalu pilih Kimi K3 dengan perintah
/model
- Jalankan di terminal lalu pilih Kimi K3 dengan perintah
- Kimi API
- Identifier modelnya adalah
kimi-k3 - Input cache hit dikenai US$0,30 per 1 juta token, input cache miss US$3, dan output US$15
- Menggunakan arsitektur inferensi terpisah Mooncake, dan rasio cache hit untuk tugas coding di API resmi melebihi 90%
- Identifier modelnya adalah
- Kimi Enterprise
- Menyediakan perlindungan data dan fitur manajemen anggota untuk organisasi, serta memisahkan sepenuhnya akun pribadi dan akun organisasi
Keterbatasan
- Sensitivitas terhadap riwayat penalaran
- K3 dilatih dengan cara mempertahankan riwayat penalaran sebelumnya
- Jika agent harness tidak meneruskan seluruh isi penalaran lama, atau sesi beralih ke K3 dari model lain, kualitas generasi dapat menjadi sangat tidak stabil
- Disarankan menggunakan Kimi Code yang kompatibilitasnya telah diverifikasi dan menghindari pergantian model di tengah sesi
- Tindakan proaktif berlebihan
- Karena dilatih dengan fokus pada tugas sulit berdurasi panjang, saat menghadapi masalah kecil atau niat pengguna yang ambigu, model dapat mengambil keputusan tak terduga atas nama pengguna
- Aplikasi yang perlu membatasi ruang lingkup tindakan harus menambahkan batasan yang lebih eksplisit di system prompt atau
AGENTS.md
- Secara keseluruhan ini model yang kompetitif, tetapi dalam pengalaman pengguna masih ada kesenjangan yang jelas dibanding Claude Fable 5 dan GPT 5.6 Sol
1 komentar
Pendapat Hacker News
Sebagai pembuktian konsep awal, yang mengejutkan adalah Kimi K3 merancang chip untuk menjalankan model nano dari arsitekturnya sendiri
Hanya dalam satu kali eksekusi otonom 48 jam, model ini menyelesaikan desain, optimasi, dan verifikasi menggunakan alat EDA open source serta library Nangate 45nm, memenuhi timing 100MHz pada 4mm², dan dalam simulasi mencapai throughput decoding lebih dari 8.700 token per detik
Termasuk 1,46 juta standard cell, 0,277MB SRAM, hingga array INT4 MAC yang mendukung fused inverse quantization, ini menunjukkan kemampuan pekerjaan jangka panjang di mana model membuat chip untuk model
Jika berniat langsung mendaftar dan menggunakan Moonshot, perlu diketahui bahwa data penggunaan API juga bisa dipakai untuk pelatihan
Tertulis bahwa konten pelanggan dapat digunakan untuk penyediaan, pemeliharaan, dan peningkatan layanan serta pelatihan model, dan untuk membatasi hal ini diperlukan kontrak enterprise terpisah atau kesepakatan tertulis
https://platform.kimi.ai/docs/agreement/modeluse#4-content
Dalam bisnis yang mengambil kekayaan intelektual, menempelkan pemeriksaan keamanan, lalu menjualnya kembali, mungkin naif untuk bertanya apakah data penggunaan dipakai untuk pelatihan; setidaknya perusahaan Tiongkok terlihat lebih terbuka dan cenderung mengembalikan sesuatu ke komunitas
Saya penasaran apakah mereka benar-benar menandatangani perjanjian zero data retention atau ini salah klasifikasi dari OpenRouter
Bahkan jika mereka bilang tidak, saya ragu ada perusahaan yang benar-benar mau melepas kesempatan itu di persaingan yang mengguncang lanskap ini
Cara penggunaan rinci dan harga bisa dilihat di dokumen berikut
https://platform.kimi.ai/docs/guide/kimi-k3-quickstart
https://platform.kimi.ai/docs/pricing/chat-k3
Mendukung panjang konteks 1 juta token, dengan harga input $3, output $15, dan cache $0.3 per 1 juta token, yang tergolong sangat mahal untuk model open weight dari Tiongkok
Harganya pada dasarnya sama dengan lini Anthropic Sonnet dan mirip dengan input 5.6 Terra yang $2.5, tetapi biaya nyata sangat dipengaruhi efisiensi inferensi
Misalnya, jika Sol seharga $30/1 juta token memakai 10 ribu token inferensi dan Kimi K3 memakai 50 ribu token untuk tugas yang sama, maka efisiensi biaya Sol menjadi lebih tinggi
https://mp.weixin.qq.com/s/V4xhEIy8xDXSMDPrPkmUAQ
Blog berbahasa Inggris juga sudah dipublikasikan: https://www.kimi.com/blog/kimi-k3
Teks yang sama bisa dienkode tokenizer Anthropic menjadi jauh lebih banyak token dibanding OpenAI
Menurut saya pesaing praktis Kimi adalah GLM, tetapi GLM 5.2 harganya bahkan tidak sampai sepertiganya
Sebaliknya, Kimi menampilkan cukup banyak seluruh proses inferensi sehingga kita bisa langsung melihat jalan memutar dan perubahan arah yang aneh, dan ide juga bisa di-debug jauh lebih menyeluruh
Tampaknya model ini juga membuat kemajuan besar pada topik niche pribadi yang tidak bisa dipecahkan LLM lain, jadi saya berniat mengujinya lebih jauh
Jika dirilis sebagai open source, menurut saya harganya bisa turun ke sekitar $10~12 per 1 juta token
Menurut evaluasi Kimi, K3 berada di bawah Claude Fable 5 dan GPT-5.6 Sol dalam kecerdasan umum, dan mereka mengatakan laporan teknis yang memuat bobot penuh, arsitektur, pelatihan, dan evaluasi akan segera dipublikasikan
Dengan 1687 poin di GDPval-AA v2, model ini berada di bawah Claude Fable 5 Max dan GPT-5.6 Sol Max, tetapi lebih tinggi dari 1600 poin milik Claude Opus 4.8 Max
Di AA-Briefcase, benchmark privat untuk pekerjaan pengetahuan jangka panjang, model ini meraih 1527 poin, berada setelah Fable 5 Max namun di atas 1495 poin GPT-5.6 Sol Max, sehingga ini tampak seperti momen ala DeepSeek sekali lagi
Sekarang semua model open weight publik mengeluarkan skor yang mengejutkan, sehingga benchmark saja tidak bisa menjelaskan gambaran keseluruhan, dan orang sulit menghindari kecurigaan bahwa data evaluasi telah bocor ke data pelatihan atau sengaja dimasukkan
K3 hanya sekitar 2 kali lebih murah daripada Sol, jadi perbedaannya dekat dengan variasi efisiensi token dan margin error; menurut saya ini lebih merupakan kelanjutan tren lama bahwa model publik menyusul lab terdepan, bukan peristiwa yang mengubah tren itu sendiri seperti DeepSeek
Hasil SVG pelikan yang dibuat dengan OpenRouter API: https://tools.simonwillison.net/markdown-svg-renderer#url=ht...
Model yang digunakan adalah https://openrouter.ai/moonshotai/kimi-k3, dan biaya untuk input 95 token serta output 16.658 token adalah 25 sen
https://www.llm-prices.com/#it=95&ot=16658=3&oc=15
Dari output tersebut, 13.241 adalah token penalaran, menjadikannya pelikan hasil render model Tiongkok termahal sejauh ini
Kimi K3 berada di puncak daftar model terbuka terbesar dengan 2,8 triliun parameter
Urutannya adalah Kimi K3 2.8T, DeepSeek-V4-Pro 1.6T (aktif 49B), Kimi K2.6 sekitar 1T (aktif 32B), GLM-5.2 754B (aktif 40B), DeepSeek-V3.2 685B, dan Mistral Large 3 675B
Model ini sangat besar sehingga tampaknya Moonshot membutuhkan 500 juta dolar yang kabarnya dihimpun pada awal tahun ini untuk menjalankannya
Saya penasaran apakah ada cara untuk mencoba Kimi K3 tanpa memakai akun Google atau memberikan nomor telepon
Blog Kimi K3 telah dipublikasikan: https://www.kimi.com/blog/kimi-k3
Sebagai model terbuka 2,8 triliun parameter, model ini mendukung panjang konteks 1 juta token dan input visual secara bawaan, sementara laporan teknis dan bobotnya dijadwalkan dirilis paling lambat 27 Juli
Saat peluncuran, tingkat penalaran maksimum menjadi default, dan mode rendah serta tinggi akan ditambahkan lewat pembaruan berikutnya
Masa ketika Tiongkok tertinggal 6 bulan dari Amerika mungkin sudah berakhir; saya penasaran bagaimana hasil seperti ini bisa dicapai dengan sumber daya yang jauh lebih sedikit, dan para penelitinya terasa luar biasa
Pada percobaan pertama, Kimi K3 langsung menemukan penyebab bug yang bahkan beberapa kali gagal ditemukan oleh Fable 5
Ini masih hanya satu kasus dengan penggunaan yang sedikit, tetapi sejauh ini terlihat sangat menjanjikan
Kecepatan habisnya kuota pada langganan $100 terasa mirip dengan langganan $200 milik Anthropic yang dipakai Fable, tetapi modelnya sendiri sangat bagus sehingga mungkin bisa dinilai lebih tinggi daripada Opus 4.8
Saya juga ingin tahu apakah OpenRouter punya alat serupa
Karena blog berbahasa Inggris sudah dipublikasikan, sebaiknya tautan lama diganti ke https://www.kimi.com/blog/kimi-k3