Kimi K3 是什麼？前端設計評測拿下第一的開源模型，設計師實用指南
2026年7月26日 下午 7:14
AI 設計AI TOOLS · 2026
QUICK ANSWER
Kimi K3 是 Moonshot AI 在 2026 年 7 月 16 日推出的旗艦模型，2.8 兆參數、100 萬 token 上下文、原生看得懂圖與影片。它發表當天就在 Frontend Code Arena 盲測從第 18 名跳到第 1，並在七個設計相關子項裡贏下六項。設計師該關心的不是它的參數量，是它把「風格還原」這件事變成了一次 API 呼叫。
我寫這段的時候，瀏覽器開著 Moonshot 在 Hugging Face 的頁面，最上面那筆還是六月那版 Kimi K2.7 Code。K3 的權重照官方公告會在台灣時間 7 月 27 日早上八點前落地——也就是這篇文章上線前後的幾個小時。
一個 2.8 兆參數的模型，要把權重公開放出來給任何人下載。這件事在半年前還不存在於任何人的行事曆上。
而設計圈這幾天在傳的，其實不是那個數字。是一張盲測排行榜。
它到底是什麼
CHAPTER 01 · WHAT IS IT
Kimi K3 是北京團隊 Moonshot AI 的第三代旗艦模型，7 月 16 日在上海世界人工智慧大會亮相，同一天就上線 kimi.com、Kimi Work 桌面版、Kimi Code 終端機工具與 API。
規格上有三個數字值得記：2.8 兆總參數，讓它成為目前公開發布過最大的開放權重模型；100 萬 token 的上下文，大約能一次吞下一個中型專案的完整程式碼；原生多模態，文字、圖片、影片走的是同一顆模型，不是外掛一個視覺模組。
2.8T
總參數
1M
上下文 TOKEN
16/896
啟動專家數
1679
前端盲測 ELO
要先把一個詞講清楚：開放權重不等於開源。Moonshot 會放出訓練好的參數檔，你可以下載、微調、自己架服務；但訓練資料與完整訓練流程不會公開。這在合規上是兩件事，實務上則是——你拿到的是成品，不是配方。
設計師該關心的那張榜
CHAPTER 02 · WHY IT MATTERS
Arena 的 Frontend Code Arena 是這樣運作的：同一道題丟給兩個匿名模型，使用者看完兩邊的成品投票，投完才揭曉是誰做的。品牌濾鏡在這裡是失效的。
K3 上榜當天拿到 1679 分，直接第一，把 Claude Fable 5 的 1631 與 GPT-5.6 Sol 的 1618 都壓下去。相較前一代 Kimi K2.6 的第 18 名，這是一次十七個名次的跳躍。
但真正該看的是子項拆分。前端組共七個領域，K3 拿下六個第一：品牌與行銷、參照設計還原、資料與分析、消費性產品、模擬互動、內容創作工具。唯一輸掉的是遊戲，第二名，輸給 Fable 5。
「品牌與行銷」「參照設計還原」這兩項，恰好是設計師最常丟給 AI 的活。參照設計還原白話講就是：給它一張你喜歡的參考圖，要它做出那個調性的東西。
另一個獨立評測 Design Arena 的前端網頁應用組，K3 同樣第一，Elo 1326，領先 Fable 5 與 Claude Sonnet 5。簡報生成組它排第三，落後 Fable 5 但贏過 Sonnet 5 與 Opus 4.8。
審美判斷這件事，第一次在盲測裡被一個開放模型贏走了。
它是怎麼做到的
CHAPTER 03 · HOW IT WORKS
Moonshot 的說法是三個結構性改動，合起來讓 K3 的規模效率比 K2 好上約 2.5 倍。意思是同樣的算力，換到更多的能力。
01 / KDA
Kimi Delta Attention
用線性注意力取代部分傳統的二次方注意力。官方數字是百萬 token 長上下文下，解碼最快提升到 6.3 倍。
02 / AttnRes
Attention Residuals
讓深層網路挑著取用前面各層的表徵，而不是一律累加。訓練效率約提升 25%，額外成本低於 2%。
03 / LatentMoE
Stable LatentMoE
896 個專家裡每次只啟動 16 個，啟動率約 1.8%。稀疏到這個程度，路由本身就變成一個研究題目。
用設計的話講：他們沒有把引擎做大，是把油路重排。K3 的總參數是 2.8 兆，但每個 token 實際跑過的運算量遠遠小於那個數字——這也是為什麼它能在這個尺寸下還維持一個能看的價格。
怎麼開始用
CHAPTER 04 · GETTING STARTED
四個入口，難度由低到高。
網頁與手機 App
kimi.com 有免費層，每天給你一定額度。iOS、Android、鴻蒙都有 App。想先摸摸手感，從這裡開始就好。
Kimi Work 桌面版
要 3.1.0 以上版本，Windows 與 Apple silicon Mac 都支援。這一版新增了 Widgets 與 Dashboard，可以把常用的互動元件釘在同一個面板上持續更新。
Kimi Code 終端機
在終端機裡跑，用 /model 指令切到 K3。官方特別提醒：K3 對思考歷程的完整性很敏感，別在一個對話進行到一半的時候切模型過來，品質會很不穩。
API
platform.kimi.ai，模型代號 kimi-k3，OpenAI 相容端點，換個 base URL 就能接。價格是每百萬 token：快取命中 0.3 美元、未命中 3 美元、輸出 15 美元。
目前狀態提醒
7 月 19 日 Moonshot 宣布暫停新的消費者訂閱——上線 48 小時內，需求就把 GPU 用到接近容量上限。官方說法是優先保障既有訂閱者的體驗，之後分批開放名額。所以你現在可能買不到方案，這不是網站壞了。
設計師實際能拿它做什麼
CHAPTER 05 · IN PRACTICE
四個我認為最值得先試的場景。
一次成型的落地頁
100 萬 token 的上下文改變了餵資料的方式。以前你得精挑細選塞進去，現在可以把整套元件庫、設計 token、樣式規範一起丟，加一張參考圖，直接要它出完整的站。這跟 Claude Design 那類「一句話做互動網頁」的工具是同一個賽道，差別在 K3 能吃下的脈絡更大。
視覺在迴圈裡
官方叫它 vision in the loop：它會截自己產出的畫面，看完再改。前端調版最煩的就是「文字描述說不清楚哪裡歪了」，模型自己看得到之後，這個來回會短很多。
簡報與資訊圖表
Kimi 的 Slides 功能可以上傳視覺參考，讓它照那個風格排版。官方展示裡有可編輯的熱力圖與年報版型。在 Design Arena 的簡報生成組它拿第三，這個名次代表堪用但不是最強——當初稿工具剛好。
長流程的自動化
K3 的訓練重心放在「跑很久的任務」。官方案例裡它自己剪了自己的宣傳片，從 56 段素材裡選片、對拍點、處理音軌、改了好幾輪。這個思路跟 Loop Engineering 講的是同一件事：與其一句一句下指令，不如把整個任務跟驗收標準交出去。
設計師的 K3 上手順序
1
丟一張參考圖，要它還原成可運作的頁面
2
把整套元件庫餵進去，看它認不認得你的規範
3
同一份 brief 也丟給你原本的模型，比成品
4
算清楚每個成品的實際 token 花費再決定
先講清楚它的問題
CHAPTER 06 · LIMITS
榜單好看不代表沒有代價。有四件事必須先知道。
幻覺率偏高。Artificial Analysis 的獨立測量把 K3 的幻覺率標在約 51%，前一代 K2.6 是 39%。它答對的題目比上一代多，同時編造的答案也更多、而且講得更有自信。這個數字沒有出現在官方的評測圖表裡。
它會自作主張。官方在限制章節自己寫了 excessive proactiveness——訓練重心放在長流程任務的副作用是，遇到指令模糊或小問題時，它會替你做決定。想讓它守規矩，得在系統提示或設定檔裡把邊界寫死。這件事跟 Harness Engineering 的思路直接相關。
慢，而且話多。輸出速度約每秒 32 個 token，在同價位模型裡偏慢；首字延遲也高。加上它預設用最高強度的思考模式，完成同一件事消耗的輸出 token 大約是 GPT-5.6 Sol 的 1.9 倍。一句「你好」都可能燒掉一疊推理 token。
官方自己承認體感落後。Moonshot 在發表文的最後一段寫得很白：整體來說 K3 很有競爭力，但在使用體驗上跟 Claude Fable 5 與 GPT-5.6 Sol 相比仍有明顯落差。這句話出現在自家發表文裡，值得記住。
實務結論
自作主張這件事，做視覺原型時是優點，做交付規格時是災難。前者你要它幫你補完想像，後者你要它閉嘴照做。這兩種任務不該用同一組設定。而任何牽涉到事實、數據、法規的內容，51% 這個數字就是你的紅線。
跟現有的模型怎麼分工
CHAPTER 07 · COMPARED TO
不用選邊站。三個模型各有各明顯的甜蜜點。
KIMI K3
參照風格還原、一次成型的前端視覺、需要一次吞下大量脈絡的長任務。實測每個任務成本約 0.94 美元，在前沿級模型裡最便宜。
CLAUDE FABLE 5
長文件、品牌語氣一致性、需要準確度的內容，以及遊戲類互動。體感與指令服從度目前仍是最穩的一檔。
GPT-5.6 SOL
已經住在 ChatGPT 與 Codex 生態裡的人，切換成本大於效能差距。軟體工程類基準上它與 Fable 5 互有勝負。
價格上的參考點：同樣一批真實工作負載，K3 每任務約 0.94 美元，GPT-5.6 Sol 約 1.04 美元，Claude Opus 4.8 約 1.80 美元。但別忘了 K3 的輸出 token 用量大，短任務的帳單可能沒有這個比例好看。
開放權重真正改變的是什麼
CHAPTER 08 · TAKEAWAYS
社群這幾天最大的誤會，是把「開放權重」讀成「我可以自己跑一個」。
跑不動。這個模型的權重檔約 1.4 TB，官方建議的部署規格是 64 顆以上的加速器組成的超級節點。你的 MacBook、你的 4090、你的 Mac Studio，全部不在討論範圍內。
對絕大多數設計師來說，開放權重不是「你可以自己跑」，是「別人會幫你跑得更便宜」。
當一個前沿等級的模型變成任何雲端商都能架起來的商品，價格就會被重新定價。這才是 7 月 27 日這個日期的重量——它不是給你一份能下載的檔案，它是在對每一家還在收月費的公司施壓。Moonshot 自己 48 小時就把 GPU 燒到暫停賣訂閱，開放權重對他們同時也是解方，不是慈善。
但我覺得更值得放在心上的，是 Frontend Arena 那六個第一裡的兩個名字：品牌與行銷、參照設計還原。
在設計圈待了快十年，我看過幾次「這個工具會取代設計師」的循環。這次不太一樣的地方在於，被贏走的不是執行速度，是那個我們一直以為很難外包的東西——風格判斷。一張參考圖進去，一個像樣的東西出來，中間那段以前叫做品味的距離，被壓縮成一次 API 呼叫。
所以該問的不是「AI 會不會做設計」。該問的是：當風格還原變成商品，我手上還剩什麼是別人買不到的。答案通常不在軟體技巧裡，在你怎麼定義問題、怎麼跟人吵出對的方向、怎麼判斷哪個版本才是對的那個。
工具排行榜三個月換一輪。這個問題不會。
延伸閱讀
RELATED READS
Claude Fable 5 怎麼用？設計師的四個實戰工作流與 Brief 模板
拿來跟 K3 做同一份 brief 的對照組，最直接。
閱讀 →Claude Opus 5 是什麼？跑分、Effort 旋鈕與設計師的實際用法
想理解「思考強度」怎麼影響帳單，看這篇。
閱讀 →設計師可以用 Codex 做什麼？Codex × Figma 雙向工作流完整解析
設計檔與程式碼互轉的另一條路線。
閱讀 →Harness Engineering 實戰：怎麼幫 AI 蓋一個不會重複犯錯的工作環境
治 K3 那個「自作主張」毛病的方法論。
閱讀 →Claude 能拿來做什麼？官方 90 個 Use Cases 一次看懂
先確認你的任務屬於哪一類，再決定丟給誰。
閱讀 →Spline Omma 是什麼？一句話生成 3D 網站與互動體驗的 AI canvas
另一個把「描述」直接變成互動成品的工具。
閱讀 →官方資源
EXTRA · LINKS
官方技術部落格：kimi.com/blog/kimi-k3
API 平台與定價：platform.kimi.ai
權重釋出位置：huggingface.co/moonshotai
官方發表影片：Meet Kimi K3
▲ Moonshot AI 官方發表影片〈Meet Kimi K3〉
常見問題
Q：Kimi K3 免費嗎？
A：kimi.com 與手機 App 有免費層，附每日使用額度，足夠評估手感。付費方案在 7 月 19 日因為 GPU 容量吃緊暫停開放新訂閱，之後分批釋出名額。API 則是照用量計費，不受訂閱暫停影響。
Q：可以下載到自己電腦跑嗎？
A：實務上不行。權重檔約 1.4 TB，官方建議部署在 64 顆以上加速器的超級節點上。消費級顯示卡與 Mac Studio 都載不動，即使量化過也一樣。等社群做出量化版本再看，但那會是另一個東西了。
Q：權重什麼時候釋出？授權條款是什麼？
A：官方公告是 2026 年 7 月 27 日前釋出，位置在 Moonshot 的 Hugging Face 組織頁。授權普遍預期會延續前幾代的 Modified MIT 系列，但正式條款要等檔案落地才算數。要拿來做商業產品，請直接讀那個 repo 裡的授權檔，不要引用任何轉述。
Q：Kimi K3 跟 Claude Fable 5 哪個好？
A：看任務。前端一次成型的視覺與參照風格還原，K3 在盲測裡目前領先；長文件、品牌語氣一致性、指令服從度與整體使用體驗，Fable 5 仍然比較穩，這點連 Moonshot 自己都在發表文裡寫明。最實際的做法是同一份 brief 兩邊都跑一次，比成品也比帳單。
Q：51% 的幻覺率是什麼意思？
A：這是 Artificial Analysis 在事實型問答基準上獨立測到的數字，代表它在不確定的時候傾向硬給答案而不是說不知道，比例高於前一代的 39%。用在視覺生成、程式碼、原型製作上影響不大，因為成品會自己證明對錯；用在需要引用數據、法規、歷史事實的內容上，每一句都要查證。
Q：設計師該先試哪個功能？
A：從參照設計還原開始。丟一張你欣賞的頁面截圖，要它做出同樣調性但內容換成你的專案。這是它在盲測裡拿第一的項目，也最快看得出跟你現有工具的差距。
Q：為什麼說它「話很多」？
A：K3 上線時預設用最高強度的思考模式，低強度與高強度選項要之後版本才開放。完成同樣任務它消耗的輸出 token 大約是 GPT-5.6 Sol 的 1.9 倍。輸出每百萬 token 收 15 美元，長任務跑起來要留意帳單。