Kimi K3、2.8T open-weightでfrontierモデル競争に圧力

open-weightモデルの競争軸が2.8Tパラメータまで伸びた。Moonshot AIのKimi K3は、1M-token context、native vision、long-horizon codingを組み合わせたモデルで、同社はこれを3T-classのopen modelと位置づけている。注目点はモデル名の追加ではない。閉じたfrontier modelが強かったagentic codingと知識業務に、公開重み系のモデルがどこまで踏み込めるかという問題だ。

Kimi K3の技術ブログによると、モデルはKimi Delta AttentionとAttention Residualsを採用し、Mixture of Experts構成では896個のexpertのうち16個を有効化する。Moonshotは、この構成と学習・データ手法の改善により、Kimi K2比で約2.5倍のscaling efficiencyを得たとしている。これは同社による主張だが、規模と設計の組み合わせだけでも、今週のopen-weight領域では大きな材料になる。

利用可能性も重要だ。Kimi K3はすでにKimi.com、Kimi Work、Kimi Code、Kimi APIで提供されており、full weightsは2026年7月27日までに公開される予定だ。まずhosted環境で試し、その後にself-hosting、customization、外部inference環境で検証する流れになる。Moonshotも、inference partnerとopen-source maintainerと技術詳細を調整していると説明している。

前面に出ている用途はcodingだ。Moonshotは、Kimi K3が大規模codebaseを扱い、terminal toolsを調整し、screenshotやvisual feedbackを使ってgame development、frontend engineering、CAD関連の作業を改善できるとしている。事例にはGPU kernel optimization、Triton風のMiniTriton compiler、48時間の自律chip design実験、20本以上の論文を確認して3,000行以上のPython codeを生成したcomputational astrophysics再現作業が含まれる。

ただし、読むべきなのは「全モデルを超えた」という話ではない。Moonshot自身も、総合性能ではClaude Fable 5やGPT 5.6 Solなど最上位のproprietary modelにまだ届かないと書いている。圧力になっているのは、2.8Tパラメータ、1M context、native multimodality、そしてfull weights公開予定が同時に出てきた点だ。次に見るべきは、7月27日のweights公開、technical reportの再現可能なbenchmark、そして実運用でのinference costとlatencyになる。