Kimi K3全面オープンウェイト：2.8兆パラメータ・100万トークン——Moonshot AIの一手

7月27日23時頃、Moonshot AIはKimi K3の全モデルウェイトと技術レポートを正式公開し、学習を支える3つのコアインフラ技術——MoonEP、FlashKDA、AgentEnv——も同時にオープンソース化しました。K3は総パラメータ2.8兆、活性化約1,040億の混合エキスパート（MoE）モデルで、100万トークンのコンテキストウィンドウとネイティブ視覚理解に対応しています。世界初の完全公開3兆パラメータ級モデルです。本記事はAI開発者、MLエンジニア、ライセンスコンプライアンスを評価する技術意思決定者向けに、API初出から全面公開までわずか11日のタイムライン、KDA/AttnRes架構革新、ベンチマーク比較、商用ライセンスの2つの閾値、自前運用のハード真実を整理します。結論から言えば、K3はオープンウェイト陣営の能力上限を押し上げる選択肢ですが、厳密にはOSI意味での「オープンソース」ではなく「オープンウェイト」です。大多数のチームにとって、64基自前運用より公式APIやOpenRouter経由の呼び出しの方がはるかに現実的です。

SECTION 01 Kimi K3全面公開前に押さえるべき5つの誤解

• 「オープンソース」≠ OSIオープンソース：Moonshot AIの公式資料は一度も「open source」を使っておらず、一貫して「open weight（オープンウェイト）」と表現しています——公開されるのはウェイト、技術レポート、一部Infraのみで、学習データと完全な学習コードは非公開です。
• ライセンスの2つの商用閾値：K3は「Modified MIT」を名乗らず、カスタムライセンスを採用しています——Model-as-a-Serviceの年収2,000万ドル超、または月間アクティブ1億超／月収2,000万ドル超の場合、追加条項の遵守が必要です。
• 自前運用はほぼ非現実的：2.8Tパラメータ、896エキスパート、1.56TBのウェイトサイズ——公式は64基以上のスーパーノードを推奨しており、コンシューマー級や大多数の企業ハードでは載せきれません。
• 費用対効果が最良とは限らない：Artificial Analysisのタスク単価は約$0.95で、Claude Fable 5より約60%安い一方、同じくオープンウェイトのGLM-5.2（約$0.47/タスク）より高くなります——7月22日の公開予告時点の期待値は、公開日データで再確認が必要です。
• 地政学リスク：7月22–23日の米中「モデル蒸留」論争と7月28日の中国商務部の回答により、今回のウェイト公開は技術イベントであると同時に、姿勢表明でもあります。

SECTION 02 API初出から全面公開まで：11日のタイムラインとコア仕様

今回の公開は、kimi.comおよびAPIでのKimi K3初出からわずか11日後の出来事です。主要な節点は以下のとおりです。

• 7月16日夜（WAIC 2026前夜）：K3がkimi.com、Kimi Work、Kimi Code、Kimi APIで初出。オンライン呼び出しのみで、ウェイトは未公開。
• 7月17日：業界が架構を集中分析。新華社は「現時点で世界最大パラメータのオープンソースモデル」と報じました。
• 7月22–23日：米中「モデル蒸留」論争が激化。米側はMoonshot AIによるAnthropic Fableモデルの工業規模蒸留を非難。
• 7月27日23時：全ウェイトと技術レポートを正式公開。MoonEP、AgentEnvをオープンソース化（FlashKDAは以前から公開済み）。
• 7月28日：中国商務部が公開回答。国内メディアが公開詳細を追報。3日後、Alibabaが24兆パラメータのQwen3.8-Max-Previewを発表。

SECTION 03 3大架構革新とオープンソースInfra：KDA、MoonEP、AgentEnv

Kimi K3は、深層学習で長年使われてきた3大コンポーネント——アテンション機構、残差接続、最適化器——を再設計した点が、「単純なパラメータ積み上げ」との決定的な差です。

• Kimi Delta Attention（KDA）：Gated DeltaNetのスカラー級忘却ゲートをチャネル単位に拡張し、各特徴次元が独立した減衰率を持ちます。chunkwise DPLR公式で線形時間再帰を実現し、少数のGated MLA層と交互に混合。100万トークンコンテキストを支えつつKV Cacheコストを抑えます。
• Attention Residuals（AttnRes）：残差接続を均一加算から選択的・入力依存の動的集約に変更。各層はRMSNorm1つと疑似クエリベクトル1つのみ追加し、約25%の学習効率向上をもたらします（コストは2%未満）。
• Per-Head Muon：Muon最適化器を拡張し、アテンションヘッドごとに独立最適化。各ヘッドがより適応的な収束経路を持ちます——純粋な学習期技術で、API呼び出し側には影響しません。
• Stable LatentMoE：896選16のスパースルーティング（スパース度約1.8%）。Quantile Balancing均衡戦略とMoonEP通信ライブラリを組み合わせ、各計算ノードの冗長エキスパート数の理論的上界を数学的に証明しています。

Artificial Analysis Intelligence Index（max推論モード）：Claude Fable 5が60、GPT-5.6 Solが59、Kimi K3は約57（世界3位・オープンウェイト1位）、GLM-5.2が51です。K3は現在Arena.aiのFrontend Code Arenaランキングで1位を記録しています。

Kimi K3は3T級オープンウェイトモデルの中で総合能力が最も高い一方、コスト面では最良ではありません——オープンウェイト陣営の能力上限を押し上げる選択肢であり、費用対効果最良の選択肢ではありません。

SECTION 04 Kimi K3 API接続とライセンスコンプライアンス：6ステップ実践

1. カスタムライセンスを精読：Model-as-a-Service年収2,000万ドルの閾値、または月間アクティブ1億／月収2,000万ドルの表示義務に該当するか確認します。Moonshot AIと直接競合するAPIサービスを計画する場合は、第1閾値を法務が重点評価すべきです。
2. Moonshot APIに登録：Moonshot開発者プラットフォームでAPI Keyを取得。モデルIDはkimi-k3、エンドポイントはhttps://api.moonshot.ai/v1です。
3. OpenAI SDK互換クライアントを設定：base_urlをMoonshotエンドポイントに、api_keyを取得したキーに差し替えれば、Chat Completions呼び出しロジックは通常そのまま使えます。
4. Prompt Cachingでコスト削減：典型的なプログラミング系ワークロードでは、Mooncake分離型推論架構下でキャッシュヒット率90%超が可能。実効入力コストは表定価$3.00/Mより$0.30/M（キャッシュヒット）に近づきます。
5. OpenRouterなど第三者ルーティングを評価：マルチモデルFallbackや統一請求が必要なら、OpenRouter経由でホスト済みK3を呼び出せます（現時点で7社のプロバイダーが稼働、料金はほぼ公式と同等）。
6. 自前運用の実現可能性を評価：64基以上のスーパーノードを保有するチームのみ、Hugging Faceから約1.56TBのウェイトを取得する選択肢があります。それ以外は自前運用を見送り、API統合とAgent編成層の最適化に注力してください。

OpenAI SDK互換呼び出し例
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_MOONSHOT_API_KEY",
    base_url="https://api.moonshot.ai/v1"
)

response = client.chat.completions.create(
    model="kimi-k3",
    messages=[{"role": "user", "content": "Explain Kimi Delta Attention"}]
)
print(response.choices[0].message.content)

SECTION 05 API料金、ハードデータ、引用可能な一次情報源

• ウェイトサイズ：Hugging Face公開後約1.56TB。公開30分以内にトレンド1位を記録。
• スパース度：896エキスパート中、トークンあたり16のみ活性。スパース度約1.8%。
• FlashKDA加速：NVIDIA H20上でprefill速度1.72–2.22倍向上。flash-linear-attentionライブラリのchunk_kda直接代替バックエンドとして利用可能。
• コストポジション：タスク単価約$0.95（AA Index）。Claude Fable 5（約$2.4/タスク）より約60%安い一方、GLM-5.2（約$0.47/タスク）より高い。
• 競争環境：3日後、Alibabaが24兆パラメータQwen3.8-Max-Previewを発表。中国系大規模モデル競争が「3Tクラブ」段階に突入しました。

以下のリンクが本記事の事実根拠です。公開後は再度開いて最新データを確認してください。

Moonshot AI 公式 Kimi K3 技術ブログ

Hugging Face moonshotai 組織（K3ウェイトダウンロード）

GitHub moonshotai/FlashKDA（KDA高性能カーネル）

Artificial Analysis Intelligence Index

実践的な効率構成は、Moonshot APIまたはOpenRouterでK3の100万トークン推論を担い、VPSNIX M4/M4 Pro物理ノードでAgent編成、Xcodeコンパイルチェーン、iOS CI/CDの7×24デプロイを実行することです——クラウドLLMがどれほど強くても、Hypervisor仮想macOS上で証明書チェーンとMetalデバッグを安定稼働させることはできません。K3自前運用には64基スーパーノードが必要ですが、macOS Agentを動かすには仮想化オーバーヘッドゼロのApple純正ハードが必要です。ゼロロスネイティブ算力、安定iOS CI/CD、AI Agent自動化を求める本番環境では、VPSNIXのクラウド物理ノードが通常はより良い選択です——100% Apple純正物理機、フルRoot権限、Hypervisorオーバーヘッドなし、日次・週次・月次の弾性課金。料金ページをご確認ください。

SECTION 06 よくある質問 FAQ