A Kimi K3 a kínai Moonshot AI új, 2,8 billió paraméteres nyílt súlyú frontier modellje, amely egyetlen bejelentéssel átrajzolta a nyílt forráskódú AI verseny térképét. A modell 1 millió tokenes kontextusablakkal, natív multimodalitással és hibrid lineáris figyelem-architektúrával érkezik, és a fejlesztők szerint a vezető amerikai zárt modellekkel — az OpenAI és az Anthropic csúcstermékeivel — veszi fel a versenyt.
Ez nem egy szűk, kutatói körnek szánt kísérlet. A Moonshot a teljes súlyokat 2026. július 27-ig nyilvánosan letölthetővé teszi, vagyis bárki futtathatja, finomhangolhatja és beépítheti a saját rendszerébe. Egy ekkora, nyíltan elérhető modell önmagában is stratégiai kérdéssé teszi, hol tart valójában a kínai és az amerikai fejlesztés közötti szakadék.
Miért fontos hír a Kimi K3 megjelenése?
A nyílt súlyú modellek eddig szinte mindig egy lépéssel a zárt élmezőny mögött jártak. A Kimi K3 azt üzeni, hogy ez a különbség tovább zsugorodik: a Reuters szerint a modell rekordot állít fel a nyílt forráskódú szektorban, és közvetlenül kihívja a Szilícium-völgy legjobb ajánlatait.
„China’s Moonshot AI has unveiled Kimi K3, a 2.8-trillion parameter model, setting a new record for the open-source AI sector and directly challenging top-tier Silicon Valley offerings.” — Reuters
A tét nem csupán technikai. Ha egy szabadon letölthető modell a zárt csúcsmodellek szintjét közelíti, az érinti az árazást, a beszállítói függőséget és azt is, hogy egy vállalat mennyire meri egyetlen amerikai szolgáltatóra bízni a teljes AI-stratégiáját. A kínai nyílt modellek felzárkózása ráadásul nem elszigetelt jelenség — a GLM-5.2 is komoly árversenyt hozott 2026-ban.
Mi új a Kimi K3-ban? A 2,8 billió paraméter és a KDA-architektúra
A Kimi K3 a Moonshot hivatalos dokumentációja szerint a világ első nyílt forráskódú modellje a 3 billió paraméteres osztályban, amelyet kifejezetten frontier-feladatokra terveztek: hosszú távú kódolásra, tudásmunkára és érvelésre.
A modell nem sűrű, hanem MoE (Mixture-of-Experts) felépítésű. A Stable LatentMoE keretrendszerben összesen 896 szakértő közül egyszerre 16 aktív fut. Ez a megközelítés lehetővé teszi, hogy a modell hatalmas összparaméterszámot vonultasson fel anélkül, hogy minden egyes tokenre a teljes hálózatot kellene aktiválnia — így a futtatási költség kordában tartható.
A legfontosabb architekturális újítás a KDA (Kimi Delta Attention): egy hibrid lineáris figyelem-mechanizmus, amely gördülékenyebbé teszi az információáramlást a hosszú szekvenciákban. Ehhez társul az AttnRes (Attention Residuals), amely a mélyhálózati információáramlást optimalizálja. A hagyományos, négyzetes költségű figyelem a hosszú kontextusnál gyorsan drágul — a lineáris megközelítés éppen ezt a szűk keresztmetszetet oldja.
A VentureBeat szerint épp ez a technikai üzenet a lényeg: bebizonyosodott, hogy a hibrid lineáris figyelem-architektúrák jól skálázódnak a több billió paraméteres tartományba is.
„Kimi K3 represents the largest open-weights frontier model ever released, proving that hybrid linear attention architectures can scale effectively to the multi-trillion parameter realm.” — VentureBeat
A gyakorlati képességek közül kettő emelkedik ki. Az egyik a hosszú távú szoftverfejlesztés (long-horizon coding): a modell minimális emberi felügyelet mellett képes összetett mérnöki feladatokat autonóm módon végigvinni, kódbázisokat kezelni, terminál-parancsokat koordinálni, sőt képernyőképek — vizuális visszacsatolás — alapján hibát javítani frontend, CAD és játékfejlesztési feladatokban. A másik a végponttól végpontig terjedő tudásmunka, ahol a Moonshot valós ágens-munkafolyamatokban mért konzisztens teljesítménynövekedést.
Hogyan teljesít a Kimi K3? Amit tudunk — és amit még nem
A Moonshot szerint a modell 2,5-szeres skálázási hatékonyság-növekedést ért el az előző, K2 generációhoz képest, és natív vizuális megértéssel (kép- és videófeldolgozás) rendelkezik. Beépített gondolkodási módot is kapott, amelyben a reasoning_effort paraméterrel szabályozható, mennyi erőforrást fordítson a modell az érvelésre.
A Reuters és az NBC Bay Area beszámolói szerint a Kimi K3 megközelíti, egyes területeken pedig felül is múlja a legnépszerűbb zárt amerikai modelleket, tovább szűkítve az USA és Kína közötti fejlesztési szakadékot. Kontextusként: az elmúlt 12 hónapból 9 hónapban a Moonshot Kimi-családja adta a legfejlettebb nyílt forráskódú modelleket.
Itt viszont fontos az őszinteség, ahogy azt a modell-cikkeknél mindig megköveteljük. A jelenleg elérhető nyilvános anyagok elsősorban a képességeket és az architektúrát írják le, nem pedig részletes, egységes benchmark-táblázatokat konkrét pontszámokkal. A „rivalizál a legjobb amerikai modellekkel” állítás egyelőre nagyrészt a gyártó és a sajtó minőségi értékelésén nyugszik. A független, reprodukálható benchmark-eredmények — kódolási, érvelési és multimodális teszteken — a súlyok július 27-i publikálása után válnak igazán ellenőrizhetővé. Addig érdemes a marketing-állításokat óvatosan kezelni.
Árazás és elérhetőség: mit jelent a nyílt súly?
A Kimi K3 kulcsjellemzője, hogy nyílt súlyú (open-weights) modell. A teljes súlyok 2026. július 27-ig nyilvánosan letölthetővé válnak, vagyis a modell nemcsak API mögött érhető el, hanem saját infrastruktúrán is futtatható és finomhangolható.
A felhőalapú használathoz a Moonshot API-t is biztosít, ahol a modell K3 néven érhető el, akár 1 048 576 tokenes maximális kimenettel és automatikus kontextus-cachinggel. A dinamikus eszközkezelést a Formula /tools és /fibers integráción keresztül támogatja — ez az ágens-jellegű, sok lépéses feladatoknál számít.
A nyílt súly gyakorlati előnye kettős: egyrészt az adatok a saját környezetben maradhatnak (adatvédelem, megfelelés), másrészt megszűnik az egyetlen szolgáltatóhoz kötöttség. Cserébe a helyi futtatás komoly hardverigénnyel jár — egy több billió paraméteres modell kiszolgálása nem asztali gépre való feladat, még MoE-ritkítással sem.
Kinek érdemes komolyan vennie a Kimi K3-at?
A modell elsősorban azoknak szól, akiknek a kódolás, az ágens-munkafolyamatok és a hosszú kontextus a valódi fájdalompontjuk. Egy 1 millió tokenes ablak lehetővé teszi, hogy teljes kódbázisok, hosszú dokumentációk vagy komplett projektek egyszerre kerüljenek a modell elé — ez a szoftvermérnöki és tudásmunka-feladatoknál érdemi előny.
A nyílt súly különösen vonzó azoknak a szervezeteknek, amelyek szabályozási vagy adatvédelmi okból nem küldhetik ki az adataikat egy amerikai felhőbe, vagy amelyek egyszerűen csökkenteni akarják a beszállítói függőséget. Aki viszont kulcsrakész, alacsony belépési költségű megoldást keres, annak a menedzselt zárt API-k továbbra is kényelmesebbek maradhatnak — a nyílt modell üzemeltetése szakértelmet és infrastruktúrát igényel.
Mit jelent ez a vállalati AI-stratégiának?
A Kimi K3 üzenete túlmutat egyetlen modellen. A nyílt súlyú frontier modellek felzárkózása azt jelenti, hogy a zárt modellek árazási előnye csökken, és a vállalatoknak érdemes újragondolniuk, mennyire kötik magukat egyetlen szolgáltatóhoz.
A Moonshot hátterét sem árt ismerni: a céget Yang Zhilin, a Carnegie Mellon egykori doktorandusza alapította, és az egyik legértékesebb kínai AI-egyszarvúként tartják számon, az Alibaba és a Tencent befektetéseivel, 3 milliárd dollár feletti értékeltséggel. Ez a súly hitelesíti, hogy a K3 nem egyszeri kísérlet, hanem egy jól finanszírozott, tartós verseny része.
5 döntéshozói következtetés a Kimi K3 kapcsán
- Ne kötelezd el magad egyetlen modellre: a nyílt frontier modellek megjelenése valós alternatívát kínál — érdemes fallbacket és többszállítós stratégiát tartani.
- Az adatszuverenitást vedd komolyan: ahol a compliance megköveteli, a saját infrastruktúrán futtatható nyílt súly kézzelfogható előny a zárt API-val szemben.
- A hosszú kontextus valós munkafolyamatot old meg: ha a csapatod nagy kódbázisokkal vagy hosszú dokumentumokkal dolgozik, az 1M tokenes ablak közvetlen produktivitási tényező.
- Várd meg a független benchmarkokat: a súlyok július 27-i publikálásáig a teljesítmény-állítások gyártói forrásból származnak — a pilotot érdemes a saját feladataidon lefuttatni, ne a marketingre alapozz.
- Számolj a teljes költséggel: a nyílt súly „ingyenes”, de a több billió paraméteres modell futtatása hardvert, üzemeltetést és szakértelmet igényel — a TCO nem nulla.
A nyílt modellek versenye belépett a billiós korszakba
A Kimi K3 nem csupán egy újabb modellbejelentés, hanem jelzőkaró: a nyílt súlyú fejlesztés elérte a több billió paraméteres, frontier-szintet, és ezzel a „nyílt kontra zárt” vita üzleti kérdéssé vált. A következő hetek — különösen a július 27-i súly-publikálás utáni független tesztek — döntik el, hogy a K3 tartósan is állja-e a versenyt a zárt élmezőnnyel, vagy csak papíron zárkózik fel.
Egy biztos: a döntéshozóknak innentől nemcsak azt kell mérlegelniük, melyik zárt API a legjobb, hanem azt is, mikor éri meg saját kézbe venni a modellt.
Kapcsolódó modell-elemzésünk: Legjobb olcsó AI modellek 2026 — DeepSeek, Qwen, Gemini Flash és GLM árakkal. A friss modellbejelentésekért iratkozz fel az AI Hírek hírlevelére.