Wczoraj, 16 lipca, Moonshot AI pokazał swój nowy flagowy model i przyznam, że dawno żaden release z Chin nie zrobił na mnie takiego wrażenia. Kimi K3 to następca całej rodziny K2, którą opisywałem na blogu jeszcze kilka dni temu - i to następca, który nie bawi się w półśrodki: 2,8 biliona parametrów w architekturze Mixture-of-Experts, milion tokenów kontekstu, natywna multimodalność i wyniki benchmarków, które według samego Moonshota ustępują już tylko najlepszym zamkniętym modelom OpenAI i Anthropic. Przekopałem się przez oficjalne materiały, pierwsze niezależne testy i reakcje rynku - i wyszedł z tego obraz ciekawszy niż sam nagłówek "Chiny gonią Zachód". Bo Kimi K3 to także pierwszy wyraźny sygnał, że era absurdalnie taniej chińskiej AI może się kończyć.
Co dokładnie pokazał Moonshot: Kimi K3 w liczbach
Zacznijmy od konkretów, bo jest ich sporo. Kimi K3 to model Mixture-of-Experts o 2,8 biliona parametrów łącznie, który na każdy token aktywuje 16 z 896 ekspertów. To ta sama filozofia, którą znamy z K2: ogromna pojemność reprezentacyjna przy ułamku kosztu obliczeniowego gęstego modelu tej skali. Do tego dochodzi:
- Okno kontekstu 1 048 576 tokenów - cztery razy więcej niż 256K w K2.5, K2.6 i K2.7 i osiem razy więcej niż 128K w oryginalnym K2.
- Natywna multimodalność: tekst, obrazy i wideo na wejściu, bez doklejanych na siłę enkoderów.
- Zawsze włączone rozumowanie z regulowanym parametrem reasoning_effort - czyli podejście, które znamy z najnowszych modeli zachodnich.
- Dwa warianty na start: K3 Max do czatu i zadań agentowych oraz K3 Swarm Max do masowego przetwarzania równoległego.
Model jest już dostępny na Kimi.com, w Kimi Code i przez API zgodne z SDK OpenAI. Wag na razie nie ma - i to jest osobny, ciekawy temat, do którego wrócę niżej.
Architektura: 896 ekspertów i nowy mechanizm uwagi
Najciekawsze w Kimi K3 nie jest samo "więcej parametrów", tylko dwie zmiany architektoniczne, które Moonshot opisał w materiałach technicznych.
Kimi Delta Attention (KDA)
To hybrydowy, liniowy mechanizm uwagi, który według Moonshota daje do 6,3x szybsze dekodowanie przy kontekstach rzędu miliona tokenów. To odpowiedź na największy praktyczny problem długich kontekstów: nie to, czy model "pomieści" milion tokenów, ale ile trzeba czekać (i płacić), żeby coś z tym milionem zrobił. Jeśli te deklaracje potwierdzą się w praktyce, długi kontekst przestanie być ciekawostką z materiałów marketingowych, a zacznie być codziennym narzędziem pracy z dużymi repozytoriami kodu.
Attention Residuals (AttnRes)
Drugi mechanizm pozwala modelowi selektywnie sięgać po reprezentacje z wcześniejszych warstw sieci. Moonshot deklaruje, że dało to około 25% wyższą efektywność treningu przy mniej niż 2% dodatkowego kosztu. Brzmi jak drobiazg, ale przy modelu tej skali 25% efektywności treningu to są dziesiątki milionów dolarów różnicy w rachunku za GPU.
Benchmarki Kimi K3: deklaracje Moonshota kontra niezależne testy
Moonshot opublikował typową dla premier tabelkę wyników i są to liczby robiące wrażenie. Co ważne, firma sama zastrzega, że K3 wciąż ustępuje całościowo Claude Fable 5 i GPT 5.6 Sol, ale w testach konsekwentnie wygrywa z resztą stawki. Oto najważniejsze deklarowane wyniki:
I tu ważna rzecz, którą zawsze powtarzam przy premierach: tabelka producenta to nie to samo co niezależna ewaluacja. Pierwsze zewnętrzne pomiary już są i pokazują znany wzorzec. Platforma Vals mierzy K3 na poziomie 80,9 w Terminal-Bench 2.1 (Moonshot deklaruje 88,3), a Artificial Analysis daje modelowi 57,11 punktu w swoim Intelligence Index i 76,24 w indeksie kodowania. To nadal bardzo wysokie wyniki jak na model, który ma być open-weight - ale różnica między deklaracją a niezależnym pomiarem to coś, co warto mieć z tyłu głowy, zanim zaczniemy przepinać produkcyjne workflow.
Koniec bardzo taniej chińskiej AI?
Najbardziej zaskoczył mnie cennik. Przez ostatni rok chińskie modele open-weight konkurowały głównie ceną - pisałem o tym szerzej w tekście o tym, jak chińskie open-weight mielą już prawie połowę tokenów w amerykańskich API. Kimi K3 tę strategię wyraźnie koryguje. Oficjalne stawki API to:
- 0,30 USD za milion tokenów wejściowych przy trafieniu w cache,
- 3 USD za milion tokenów wejściowych bez cache,
- 15 USD za milion tokenów wyjściowych.
Dla porównania: to już nie jest pułap "dziesięć razy taniej niż Zachód", tylko cennik zbliżony do średnich stawek zachodnich modeli frontier. Serwis The Decoder wprost nazwał tę premierę sygnałem końca super taniej chińskiej AI. Logika jest prosta: skoro model realnie zbliża się do czołówki, Moonshot nie musi już dopłacać do każdego tokena, żeby ktokolwiek go używał. Z perspektywy nas, programistów, to dwie wiadomości naraz. Dobra: konkurencja na jakość, nie tylko na cenę, robi się prawdziwa. Zła: era dumpingowych cen, na których wielu z nas budowało tanie pipeline'y, powoli się kończy.
Wagi dopiero 27 lipca - i dlaczego to ważne
Jest jeden zgrzyt, który trzeba nazwać po imieniu. Moonshot reklamuje K3 jako model open-weight, ale na dzień premiery wagi nie zostały opublikowane - firma obiecuje je do 27 lipca. Do tego czasu K3 jest w praktyce modelem zamkniętym: można go używać przez API, ale nie można go samodzielnie sprawdzić, zmodyfikować ani uruchomić u siebie.
Czy to duży problem? Umiarkowany, o ile obietnica zostanie dotrzymana. Poprzednie wagi rodziny K2 Moonshot publikował regularnie i to właśnie dzięki temu Kimi K2.7 Code trafił w rekordowe 19 dni od publikacji wag do oficjalnej listy modeli GitHub Copilot - opisywałem to dokładnie we wpisie o tym, jak open-weight wchodzi do GitHub Copilot. Jeśli 27 lipca wagi K3 rzeczywiście wylądują na Hugging Face, scenariusz może się powtórzyć, tym razem z modelem o zupełnie innej skali. Warto też pamiętać o praktyce: 2,8 biliona parametrów to model, którego i tak nie uruchomicie na domowym sprzęcie - "open-weight" oznacza tu głównie audytowalność, fine-tuning u dużych graczy i hosting przez zewnętrznych dostawców.
Jak sensownie przetestować Kimi K3 u siebie
Jeśli chcecie sprawdzić Kimi K3 w praktyce, a nie tylko poczytać o benchmarkach, kilka rad z mojego doświadczenia z poprzednimi modelami tej rodziny:
- Zacznijcie od API, nie od czatu. Interfejs Kimi.com jest przyjemny, ale realną wartość dla programisty widać dopiero, gdy podepniecie model pod własne narzędzia. API jest zgodne z SDK OpenAI, więc w większości projektów wystarczy zmiana base URL i klucza - to kwadrans pracy, a nie migracja.
- Testujcie na długim kontekście, bo to tu jest nowość. Wrzucenie całego średniego repozytorium (kilkaset tysięcy tokenów) i zadawanie pytań przekrojowych to scenariusz, w którym K3 ma teoretycznie największą przewagę nad konkurencją w tej cenie. Sprawdźcie nie tylko jakość odpowiedzi, ale i czas pierwszego tokena - to zweryfikuje deklaracje o KDA szybciej niż jakikolwiek benchmark.
- Liczcie koszty z cache, nie bez. Różnica między 0,30 a 3 USD za milion tokenów wejściowych oznacza, że architektura z powtarzalnym prefiksem (stały system prompt, stały kontekst repo) będzie dziesięć razy tańsza niż naiwne wysyłanie wszystkiego za każdym razem. Przy oknie miliona tokenów to już nie jest optymalizacja dla purystów, tylko warunek sensownego rachunku.
- Porównujcie z tym, czego faktycznie używacie. Nie z tabelką producenta, tylko z modelem, który dziś macie w edytorze. Mój zestaw testowy to zawsze te same trzy zadania: refaktoryzacja z testami, debugging na podstawie logów i przegląd pull requesta - pisałem o tym podejściu przy okazji przeglądu stacka do kodowania z AI na 2026.
Na ocenę, czy K3 nadaje się jako codzienny model do pracy agentowej, dałbym sobie tydzień lub dwa - także dlatego, że pierwsze dni po premierze to zwykle przeciążone API i limity, które zafałszują wrażenia z szybkości.
Reakcja rynku: echo momentu DeepSeek
Premiera odbiła się też na giełdzie. Akcje spółek AI i półprzewodnikowych wyraźnie taniały, a media finansowe od Bloomberga po Axios zgodnie przywołały skojarzenie z "momentem DeepSeek" ze stycznia 2025, kiedy jeden chiński release na kilka dni zachwiał wycenami całego sektora. Nie przesadzałbym z analogią - rynek zdążył się już nauczyć, że dobre chińskie modele to norma, nie anomalia - ale kierunek jest jasny: inwestorzy coraz poważniej traktują scenariusz, w którym przewaga amerykańskich labów topnieje.
W tle jest jeszcze jedna liczba, która dużo mówi o skali tego wyścigu. Według TechCruncha Moonshot AI równolegle zbiera nową rundę finansowania przy wycenie 31,5 miliarda dolarów - jeszcze w maju firma była wyceniana na 20 miliardów. Pół roku, przyrost o ponad 50%. Tyle dziś kosztuje miejsce w pierwszej lidze.
Podsumowanie: co Kimi K3 zmienia w praktyce
Po całym dniu czytania o Kimi K3 moje wnioski są takie:
- Skala robi wrażenie, ale architektura bardziej. KDA i milion tokenów kontekstu z sensowną szybkością dekodowania to coś, co realnie zmienia pracę z dużymi codebase'ami - o ile deklaracje się potwierdzą.
- Czekamy na wagi. Do 27 lipca K3 to model zamknięty z obietnicą otwarcia. Ocenę "największego open-weight z Chin" wstrzymuję do momentu, aż pliki faktycznie pojawią się do pobrania.
- Ceny idą w górę. 3/15 USD za milion tokenów to koniec narracji o chińskiej AI za grosze. Jeśli budujecie coś na tanich chińskich API, warto zacząć liczyć koszty na nowo.
- Dystans do czołówki się kurczy, ale nie zniknął. Sam Moonshot przyznaje, że K3 ustępuje Fable 5 i GPT 5.6 Sol. Niezależne testy pokazują większą różnicę niż firmowa tabelka.
Za dziesięć dni, przy publikacji wag, będzie jasne, czy to premiera roku w świecie open-weight, czy tylko bardzo dobry, ale jednak zamknięty model z obietnicą. Stawiam ostrożnie na to pierwsze - i na pewno do tematu wrócę. Źródła: MarkTechPost, TechCrunch.