模型参数走到万亿级之后,真正的瓶颈就换了位置——不再是"能不能更聪明",而是"装不装得下、算不算得起"。一个 2.8 万亿参数的模型,如果每次只能看几万 Token,那它的知识容量就浪费了大半。
Kimi-K3 是冲着这个瓶颈去的:2.8 万亿参数、百万级上下文、原生视觉,而且权重开源。它目前已在阿里云百炼上架,模型 ID 为 kimi-k3。下面从定位、特征、能力、场景与计费五个层面完整介绍。详情👉访问阿里云百炼大模型服务平台页面 了解。


参考阿里云主流云产品大全:
| 云产品 | 核心功能 | 适配人群 |
|---|---|---|
| 轻量应用服务器专区: https://t.aliyun.com/U/CENIbY | 主打开箱即用,自带系统镜像和常见建站模板,操作门槛极低 | 适合新手、个人用户做博客、静态站、短期测试 |
| ECS 云服务器专区: https://t.aliyun.com/U/Rh9d1U | 标准云算力实例,支持完整VPC专有网络、弹性网卡、安全组精细配置 | 个人开发者、中小企业正式业务、长期部署项目 |
| GPU 云服务器专区: https://t.aliyun.com/U/TuZffa | 深度优化的GPU算力为模型推理、图形处理提供更强性能支持 | 个人开发者、中小企业 |
| 百炼大模型服务专区: https://t.aliyun.com/U/2Nuy7H | 千问 AI Token Plan 低至5折 | 个人开发者、中小企业 |
一、模型定位:旗舰级、长程任务导向
Kimi-K3 是 Kimi 的旗舰模型,官方定位集中在三个关键词:长程编程、知识工作、推理。这三个词指向同一类任务——不是一问一答,而是持续很久、需要自己规划、需要读大量材料的复杂工作。
几个硬指标先摆出来:
| 指标 | 数值 |
|---|---|
| 总参数 | 2.8 万亿 |
| 上下文长度 | 1,048,576 Token(百万级) |
| 最大输入 | 1,048,576 |
| 最大输出 | 1,048,576 |
| 最大思维链 | 1,048,576 |
| 输入模态 | 文本、图像(部分入口含视频) |
| 输出模态 | 文本 |
| 模式 | 仅思考模式 |
| 行业地位 | 全球首个开源的 3 万亿级别模型 |
有两个指标值得单独说:
第一,输入与输出上限对等。 多数模型的输出上限远小于输入(比如输入百万、输出十六万)。K3 的输入输出都是百万级,这意味着"读完一整套材料,一次写完一整套方案"在技术上成立,不需要分段拼接。
第二,仅思考模式。 没有"快速非思考"的通道,每次回答前都会先走思维链。这条对成本与延迟的影响非常大,后面会细说。
在百炼上,它有两个入口,容易搞混:
| 入口 | 推理服务供应商 | 说明 |
|---|---|---|
kimi-k3 |
阿里云百炼 | 平台侧提供推理服务 |
kimi/kimi-k3 |
月之暗面(Moonshot AI) | 由模型方提供推理服务 |
同名不同源,限流与可用能力可能略有差异(例如 kimi/kimi-k3 页面标注 RPM 500、TPM 300 万)。接入前先确认自己调用的是哪个 ID。
详情👉访问阿里云百炼大模型服务平台页面 了解。


二、核心特征
第一,KDA 混合线性注意力。 全称 Kimi Delta Attention。它的价值在长上下文:传统全注意力的计算与显存开销随长度增长很快,长到百万级时成本难以承受。混合线性注意力把一部分注意力换成线性近似,用可控的精度损失换大幅的成本下降——这是百万上下文能落地的前提。
第二,注意力残差(Attention Residuals)。 解决的是深层网络的"信息衰减"问题。层数越多,早期层的信息越容易被稀释。注意力残差让跨层信息传递更稳,深层模型的有效深度因此提升。对 2.8 万亿这种超大模型,这是必要的架构补丁。
第三,原生视觉理解。 支持图像输入,且不是外挂模块。截图、图表、界面、扫描件可以直接进上下文,与文字材料一起推理。
第四,百万级上下文与百万级输出。 前文已说,这组对等上限让"整份材料进、整份成果出"成为可能。做长报告、长代码、长篇文档重构时,这是实打实的效率差。
第五,工具链齐备。 支持 Function Calling、结构化输出、前缀续写、上下文缓存;不支持联网搜索、批量推理与模型调优。
第六,权重开源。 全球首个开源的 3 万亿级别模型。对需要私有化或有研究需求的团队,这是可选项。
详情👉访问阿里云百炼大模型服务平台页面 了解。


三、能力拆解:基准说明什么
第三方对比表中的 Kimi-K3 成绩(供参考,横向对比口径可能不同):
| 基准 | Kimi-K3 | 读法 |
|---|---|---|
| GPQA Diamond | 88.1 | 研究生级硬知识,第一梯队 |
| HLE | 43.5 | 极难推理题,表现突出 |
| Terminal-Bench 2.1 | 88.3 | 终端任务执行力强 |
| DeepSWE v1.1 | 67.5 | 软件工程任务扎实 |
| CyberGym | 80.0 | 安全/攻防类较强 |
| Automation-Bench | 48.7 | 自动化流程中上 |
| Agents' Last Exam | 27.6 | 长程 Agent 表现中上 |
画像很清楚:知识与推理强,终端与工程能力扎实,长程 Agent 属中上但不拔尖。 它的长板是"读得多、想得深、写得长",短板是"单步执行效率"。
做得好:
- 长程编程:跨仓库改造、大型重构、整套测试补齐。
- 知识工作:长报告撰写、多文档交叉比对、研究综述。
- 复杂推理:硬知识问答、多步推导、方案论证。
- 长上下文理解:整库代码、整套合同、整本研究材料。
- 图文混合分析:图表解读、界面截图理解、扫描件抽取。
- 一次成型的长稿:百万输出上限,长篇内容不必分段。
不擅长或需要注意的:
- 需要极低延迟的简单问答(仅思考模式,每次都先推理);
- 需要联网获取实时信息(该能力不支持,需自行挂检索);
- 成本敏感的高频调用(输出 100 元/百万 Token,见下文);
- 需要模型调优定制(不支持);
- 需要批量离线推理(不支持批量推理能力)。
四、适用场景
| 场景 | 说明 | 关键能力 |
|---|---|---|
| 大型代码库重构 | 整库装载、跨文件改造 | 百万上下文、编程 |
| 长报告与研究综述 | 多份材料交叉、一次成稿 | 百万输出、推理 |
| 合同与合规审查 | 整套文档比对 | 长上下文 |
| 复杂方案论证 | 多方案权衡、风险评估 | 深度推理 |
| 图表与截图分析 | 图文混合输入 | 原生视觉 |
| 知识库深度问答 | 长材料精准定位 | 上下文缓存 |
| 高频轻量问答 | 不建议 | 成本与延迟都不优 |
详情👉访问阿里云百炼大模型服务平台页面 了解。


五、计费解析:三个单价,输出是大头
计费单位为元/百万 Token,三个价格位:
| 地域 | 输入 | 输出 | 输入(缓存命中) |
|---|---|---|---|
| 华北2(北京)/全球 | 20 元 | 100 元 | 2 元 |
| 国际(新加坡等) | 21.875 元 | 109.376 元 | 2.188 元 |
限流(kimi/kimi-k3 入口):RPM 500、TPM 3,000,000。
三个必须记住的结论:
第一,输出是输入的 5 倍。 100 元 vs 20 元。这条决定了成本结构——长输出比长输入贵得多。而 K3 又只有思考模式,思维链本身也算输出。一次"想得很久、答得很长"的调用,账单会明显高于直觉。
第二,缓存命中是 1/10。 命中价 2 元,未命中 20 元,差 10 倍。长上下文任务里,同一份材料反复携带是常态,缓存命中率直接决定成本量级。这是它最重要的省钱杠杆,没有之一。
第三,没有免费额度。 价格表明确标注 kimi-k3 无免费额度(同系列的 kimi-k3.1-pro 有输入输出合计 100 万 Token 的免费额度)。想白嫖试用的,应先用有额度的型号,或看控制台的活动说明。
顺带做个横向对照,方便判断性价比:
| 模型 | 输入 | 输出 | 缓存命中 | 免费额度 |
|---|---|---|---|---|
| kimi-k3 | 20 元 | 100 元 | 2 元 | 无 |
| kimi-k3.1-pro | 13 元 | 68 元 | 1.3 元 | 100 万 Token |
| kimi-k2.7-code | 6.5 元 | 27 元 | — | 100 万 Token |
| kimi-k2.5 | 4 元 | 21 元 | — | 无 |
单看价格,K3 是这一档里最贵的;但它的对标是"能不能一次装下整套材料",而不是"每百万 Token 多几块钱"。
省钱的五个实招:
- 把稳定前缀放最前:长材料进 system 或首条消息,才可能命中缓存。
- 限制输出:设
max_tokens,要求要点式、结构化输出,别让模型写散文。 - 任务分级:简单任务走便宜档位,K3 只留给"必须长上下文+深推理"的活。
- 按需给思考深度:能调
reasoning_effort的入口,简单问题降档。 - 控制重试:思考模式下重试成本高,先把输入准备好再发起。
详情👉访问阿里云百炼大模型服务平台页面 了解。


六、接入示例
百炼上按 OpenAI 兼容协议调用:
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ["DASHSCOPE_API_KEY"],
base_url="[https://dashscope.aliyuncs.com/compatible-mode/v1](https://dashscope.aliyuncs.com/compatible-mode/v1)",
)
resp = client.chat.completions.create(
model="kimi-k3",
messages=[
{
"role": "system", "content": "<把长代码库或整套文档放这里,稳定前缀利于命中缓存>"},
{
"role": "user", "content": "这份设计文档有哪些落地风险?按严重程度排序,给出验证方法"},
],
max_tokens=8192, # 输出按 100 元/百万 Token 计费,务必设上限
)
print(resp.choices[0].message.content)
结构化输出,适合把长材料转成字段化结论:
resp = client.chat.completions.create(
model="kimi-k3",
messages=[{
"role": "user", "content": "从这份合同抽取关键条款,按 JSON 输出"}],
response_format={
"type": "json_object"},
)
图文混合输入:
resp = client.chat.completions.create(
model="kimi-k3",
messages=[{
"role": "user", "content": [
{
"type": "text", "text": "这张架构图里有哪些单点故障?"},
{
"type": "image_url", "image_url": {
"url": "[https://example.com/arch.png](https://example.com/arch.png)"}},
]}],
)
详情👉访问阿里云百炼大模型服务平台页面 了解。


七、使用注意事项
第一,认准模型 ID。kimi-k3 与 kimi/kimi-k3 的推理服务供应商不同,限流与能力标注可能有差异,混用会出问题。
第二,思考模式不是"可选加速"。它只有思考模式,所以延迟天然偏高,交互式产品上线前必须压测首字时间。
第三,输出预算要设死。思维链与回答共享输出预算,不设上限等于放开账单。
第四,长上下文要靠缓存省钱。没有缓存命中,20 元/百万 Token 的输入价在长材料场景下会迅速累积。
第五,视觉能力需实测。原生支持不等于所有截图都准,表格密集、手写体、低分辨率是常见薄弱点。
第六,处理合同、财报、代码等敏感材料时,确认数据流转与合规边界;能力可用不等于数据处理合规。
结语
Kimi-K3 的取向很明确:用架构换容量——KDA 混合线性注意力压住长上下文的成本,注意力残差保住超大模型的有效深度,百万输入对百万输出让"整份材料进、整份成果出"成立。它的代价同样明确:只有思考模式、输出单价是输入的 5 倍、没有免费额度。判断是否值这个价,只需看任务形态:是"读很多、想很深、写很长",还是"问一句、答一句"。 前者值,后者不值。