全球最大開源模型登場：Kimi K3 釋出 2.8 兆參數權重，LM Studio 支援部署全面睇

Kimi K3 開源權重：2.8 兆參數全球最大開源模型登場，解構矽谷震驚與蒸餾指控

踏入 2026 年 7 月底，全球人工智能（AI）領域迎來咗一次巨大嘅震盪。中國 AI 初創企業月之暗面（Moonshot AI）宣佈旗下最新旗艦模型 Kimi K3 正式公開模型權重（Open Weights）。呢個擁有 2.8 兆（2.8 Trillion）參數嘅巨無霸，唔單止成為目前全球最大規模嘅開源模型，其強大嘅效能更引起美國矽谷嘅高度關注。一方面，業界對於開源陣營嘅技術突破感到非常興奮；但另一方面，Kimi K3 被指控「蒸餾」（Distill）美國前沿模型嘅爭議亦愈演愈烈。本文將會為大家詳細拆解 Kimi K3 嘅技術規格、硬體部署要求、實際應用場景，以及背後嘅爭議焦點，幫助讀者客觀了解呢場 AI 技術角力。

甚麼是 Kimi K3？核心技術與效能大解構

早喺今年 7 月中（7月16日），月之暗面就正式上線咗 Kimi K3，用戶可以透過官方網站、手機應用程式、Kimi Work 等渠道直接使用。根據官方公佈嘅資料，Kimi K3 嘅核心架構採用咗「稀疏混合專家模型」（Sparse Mixture-of-Experts, 簡稱 MoE）。雖然總參數高達 2.8 兆，但模型內部包含 896 個「專家」，每次運算只會激活當中嘅 16 個，咁樣可以喺保持強大運算能力嘅同時，有效控制每一粒 token 嘅推論成本。

配合全新嘅 Kimi Delta Attention（KDA）以及 Attention Residuals 架構，官方表示 Kimi K3 嘅整體擴展效率比起上一代 K2 提升咗大約 2.5 倍，而處理長篇上下文嘅解碼速度更最高可達 6.3 倍。除咗參數驚人，Kimi K3 仲原生支援高達 100 萬 token 嘅上下文窗口，並且具備處理文字、圖像同埋影片嘅多模態（Multimodal）輸入能力。

喺客觀嘅評測表現方面，Kimi K3 嘅成績的確令人眼前一亮。喺知名基準測試 Arena.ai 嘅 Frontend Code Arena 入面，K3 以 1,679 分奪得第一名，成功超越美國 Anthropic（Anthropic）嘅 Claude Fable 5 以及 OpenAI 嘅 GPT-5.6 Sol。而喺 Artificial Analysis Intelligence Index v4.1 榜單上，Kimi K3 亦取得 57 分，位列全球第四，僅次於 Anthropic Opus 5、Fable 5 同埋 GPT-5.6 Sol。呢啲亮麗嘅成績，反映出 Kimi K3 已經具備與美國頂級閉源模型一較高下嘅實力。根據最新消息，Kimi K3 喺發佈權重後短短 30 分鐘內，就喺 Hugging Face 平台上獲得超過 4,000 個讚好，Hugging Face 嘅行政總裁亦發文表示呢個係史上增長最快嘅紀錄。由於上線初期反應太過熱烈，算力需求過大，官方甚至一度需要暫停新用戶訂閱。

拆解「代理工作流」與百萬 Token 嘅真實應用場景

上文提到 Kimi K3 喺代理工作流（Agentic workflow）同埋長時程編程（Long-horizon coding）表現特別突出，到底呢個概念係咩意思？傳統我哋使用 AI，通常係「一問一答」嘅互動；而代理工作流，就係畀 AI 一個大目標，AI 會自己拆解步驟、自動調用各種外部工具（例如瀏覽網頁、執行代碼、多步規劃），然後逐步完成任務。

配合 Kimi K3 嘅 100 萬 token 上下文窗口（大約相等於幾十本長篇小說嘅文字量），用家可以將整間公司嘅財務報表、多年嘅會議紀錄，或者一個極其龐大嘅程式源代碼庫一次過「餵」畀模型。AI 可以喺呢個龐大嘅記憶庫中，準確找出關聯性並進行分析。例如，會計人員可以要求 AI 自動對比過去五年嘅開支數據並生成圖表；軟件工程師可以要求 AI 喺一個包含數十萬行代碼嘅專案入面，找出潛在嘅系統漏洞並自動編寫修復方案。呢啲高階嘅邏輯推理同知識工作能力，正正係業界對 Kimi K3 抱有極高期望嘅主因。

亞洲地區企業部署嘅戰略意義

對於身處香港、中國內地、台灣以至新加坡等華人地區嘅使用者嚟講，Kimi K3 嘅出現具有相當實際嘅商業與戰略意義。過去幾年，唔少頂級嘅美國 AI 模型，都會基於地緣政治法規或者公司內部政策，限制部分地區（包括香港同中國內地）嘅 IP 存取。企業如果想合規咁應用呢啲強大嘅 AI 服務，往往要面對技術屏障，甚至承擔隨時被封鎖帳號嘅風險。

作為一間中國企業開發嘅模型，Kimi K3 喺亞洲地區嘅可用性自然更加高。加上模型原生對中文語境有更深入嘅理解，處理繁體中文、簡體中文甚至各地區嘅專有名詞時，通常會比純外國模型更加地道。今次 Kimi K3 開放權重，意味住香港或台灣嘅企業可以將模型直接部署喺本地嘅數據中心，打造完全屬於自己、毋須將敏感資料傳送出境嘅企業級 AI 助理。對於金融、醫療、法律等對數據合規性與私隱要求極高嘅行業嚟講，呢個絕對係評估 AI 方案時嘅一大關鍵優勢。

「開源權重」背後嘅意義與硬體門檻

雖然外界普遍用「開源」嚟形容 Kimi K3，但嚴格嚟講，佢屬於「開源權重」（Open-weight）。喺傳統軟件領域，「開源軟件」（Open Source）有清晰嘅定義，代表源代碼（Source Code）完全公開，任何人都可以自由使用、修改同發佈。但係 AI 系統複雜得多，絕少有頂級 AI 公司會真正公開所有訓練細節。

「開源權重」嘅意思係，開發商只會公開 AI 喺訓練期間學習到嘅數值參數，但會保留訓練數據、源代碼、模型架構細節同配置方法等核心商業機密。即使係咁，開源權重已經賦予開發者極大嘅控制權。開發者可以下載模型，進一步微調（Fine-tune）去切合特定行業需求，而唔需要依賴單一供應商。點解一間公司要花費巨額資金訓練 AI，然後免費送出最值錢嘅部分？外界普遍認為，呢個係一種針對美國閉源模型嘅市場破壞策略，透過提供效能強大嘅替代方案，迅速搶佔開發者生態圈。

不過，要將 Kimi K3 運行起嚟絕非易事。作為一個 2.8 兆參數嘅模型，完整權重檔案容量非常龐大。據業界估算，即使經過量化（Quantization）壓縮處理，模型體積仍然高達數百 GB。呢個意味住一般個人電腦根本無法負荷，往往需要多張高階 GPU 先可以順暢運行。

為咗解決硬體樽頸，知名嘅代理工作流平台 LM Studio 喺昨日（7月27日）宣佈，旗下全新應用程式 Bionic 正式加入對 Kimi K3 嘅支援。用戶可以透過 Bionic 將繁重複雜嘅任務交畀雲端上嘅 Kimi K3 處理。值得留意嘅係，Bionic 嘅雲端運算係透過位於美國嘅伺服器進行，並且預設啟用「零數據保留」（Zero Data Retention, ZDR）政策。呢個政策保證用戶嘅提示詞、上傳嘅檔案以及生成嘅內容，喺運算完成之後都會即時刪除，唔會留底。收費方面，透過 Bionic 使用 Kimi K3 每 100 萬個輸入 token 收費 3 美元（已緩存輸入 token 為 0.3 美元），輸出 token 為 15 美元。雖然相比舊模型略高，但對比自己搭建龐大嘅伺服器，仍然係一個極具成本效益嘅選擇。

原創定抄襲？深究「模型蒸餾」指控風波

Kimi K3 嘅強大表現雖然贏得掌聲，但同時亦惹來猛烈抨擊。目前最大嘅爭議，在於 Kimi K3 被指控「蒸餾」自美國嘅前沿模型。「模型蒸餾」（Model Distillation）意思係利用一個更強大嘅現成 AI 模型（例如 Claude 或 GPT）生成大量高質素嘅問答數據，然後用呢啲數據去訓練自己嘅模型。呢種做法可以大幅節省訓練時間，但通常會違反大模型供應商嘅服務條款。

早喺今年 2 月，Anthropic 就曾經公開指控包括月之暗面在內嘅多間中國 AI 企業，進行工業級別嘅大規模蒸餾。Anthropic 指出，有人透過約 2.4 萬個虛假帳號，向 Claude 模型進行咗超過 1,600 萬次交互，當中大約 340 萬次與月之暗面有關。最引人關注嘅係，喺 Kimi K3 推出之後，網上社群流傳咗多張截圖，顯示有用戶喺同 Kimi K3 對話時，模型竟然自稱「係 Claude」。呢種「身分混淆」情況喺上一代 K2.5 時期亦曾經出現，被外界視為過度吸收 Claude 訓練數據嘅證據。

上星期三（7月22日），美國白宮科技政策辦公室主任麥克·克拉齊奧斯（Michael Kratsios）進一步喺社交平台 X 上點名批評，表示有資訊顯示月之暗面為咗開發 K3，特意建立精密嘅內部平台以避開偵測，大規模蒸餾 Anthropic 嘅 Fable 模型。面對指控，月之暗面堅決否認純蒸餾嘅說法，強調效能提升來自自身架構創新。有獨立研究人員亦分析指，Anthropic 嘅 Fable 5 喺今年 7 月初（7月1日）才公開，而 Kimi K3 喺今年 7 月中（7月16日）就上線，單靠蒸餾難以喺短短兩星期內達到目前嘅規模，背後好可能仍然需要龐大嘅自身訓練數據支撐。

總結：透明度與實用價值嘅平衡

到底月之暗面選擇開源 Kimi K3 嘅權重，能否平息風波？開源確實大大提高咗透明度，全球嘅安全專家而家可以下載模型仔細檢查內部參數，尋找行為指紋，有助驗證其架構創新是否屬實。不過，由於核心嘅訓練數據並無公開，單靠權重檔案無法徹底排除曾使用蒸餾數據嘅可能性。

Kimi K3 嘅面世，無疑將「開源模型能否追平閉源前沿模型」呢個命題推上咗新高度。對於一般讀者同企業用戶而言，Kimi K3 提供咗一個極具競爭力嘅實用選項。透過好似 LM Studio 呢類平台，用家可以喺保障數據私隱嘅前提下，以相對合理嘅成本處理高難度 AI 任務。大家可以繼續保持客觀態度，留意各個 AI 模型喺實際工作場景中嘅表現，從而選擇最適合自己嘅方案。