Kimi K3 공개 - 개방형 프론티어 인텔리전스

 (kimi.com)
1P by GN⁺ | ★ favorite | 댓글 1개
  • Kimi K3는 2.8조 파라미터, 네이티브 비전, 100만 토큰 컨텍스트를 갖추고 장시간 코딩/지식 작업/추론을 겨냥한 세계 최초의 공개 3T급 모델
  • Kimi Delta Attention/Attention Residuals와 896개 중 16개 전문가를 활성화하는 Stable LatentMoE를 적용해 Kimi K2보다 전체 스케일링 효율을 약 2.5배 높임
  • GPU 커널 최적화/컴파일러 개발/3D 게임 제작/칩 설계/과학 연구 등에서 최소한의 사람 개입으로 장시간 작업을 수행하며, 일부 코딩/에이전트 벤치마크에서 폐쇄형 모델과 경쟁하거나 앞선 결과를 기록
  • Kimi.com/Kimi Work/Kimi Code/Kimi API에서 즉시 사용할 수 있으며, 출시 시 최대 추론 노력이 기본값이고 전체 모델 가중치는 2026년 7월 27일까지 공개할 예정
  • 종합 성능과 사용자 경험은 Claude Fable 5와 GPT 5.6 Sol에 미치지 못하며, 사고 기록 전달 방식에 민감하고 모호한 상황에서 사용자를 대신해 과도하게 판단할 수 있다는 제한이 있음

2.8조 파라미터 공개 모델

  • Kimi K3는 Kimi가 공개한 모델 가운데 가장 성능이 높은 모델로, 2.8조 파라미터/100만 토큰 컨텍스트/네이티브 비전을 지원함
  • 전체 성능은 Claude Fable 5와 GPT 5.6 Sol보다 낮지만, 자체 평가 전반에서 다른 비교 모델을 일관되게 앞서며 프론티어급 결과를 보였음
  • 지난 12개월 중 9개월 동안 Kimi 모델이 공개 모델 크기의 상한을 갱신했으며, K3는 처음으로 3T급에 도달함
  • Kimi.com/Kimi Work/Kimi Code/Kimi API에서 제공됨
  • 출시 버전은 최대 추론 노력을 기본으로 사용하며, 낮은 노력/높은 노력 모드는 후속 업데이트에서 추가될 예정
  • 추론 서비스 업체와 오픈소스 유지관리자들이 기술 세부사항을 조정하고 있으며, 전체 가중치와 기술 보고서는 2026년 7월 27일까지 공개할 예정

KDA/AttnRes/Stable LatentMoE 구조

  • Kimi Delta Attention(KDA) 은 긴 시퀀스에서 어텐션을 효율적으로 확장하는 기반을 제공
  • Attention Residuals(AttnRes) 는 각 계층의 표현을 균일하게 누적하는 대신, 모델 깊이 방향에서 필요한 표현을 선택적으로 가져옴
  • Mixture of Experts 희소성을 확대해 Stable LatentMoE 구조에서 896개 전문가 중 16개만 활성화함
  • 구조 변경과 학습/데이터 레시피 개선을 결합해 Kimi K2 대비 전체 스케일링 효율이 약 2.5배 향상됐음
  • 대규모 희소 모델의 라우팅과 최적화를 위해 여러 기법을 적용함
    • Quantile Balancing은 라우터 점수 분위수에서 전문가 배분을 직접 계산해 휴리스틱 업데이트와 민감한 균형 하이퍼파라미터를 제거함
    • Per-Head Muon은 각 어텐션 헤드를 독립적으로 최적화해 대규모 학습의 적응성을 높임
    • Sigmoid Tanh Unit(SiTU)은 활성값을 제어하고 Gated MLA는 어텐션 선택성을 높임

학습과 추론 인프라

  • SFT 단계부터 양자화 인지 학습을 적용하며, 넓은 하드웨어 호환성을 위해 MXFP4 가중치/MXFP8 활성값을 사용함
  • 대규모 전문가 병렬화에서 전문가 불균형이 처리량을 떨어뜨리지 않도록 고정된 텐서 형태와 핵심 경로의 호스트 동기화를 제거한 완전 균형 전문가 병렬 학습 방식을 도입함
  • 추론 시 넓은 고대역폭 통신 영역이 필요해 64개 이상의 가속기를 연결한 supernode 구성을 권장함
  • KDA가 기존 prefix caching에 제기하는 문제를 해결하기 위한 구현을 vLLM 커뮤니티에 기여했으며, 모델과 함께 공개할 예정
  • KDA prefill cache를 이용해 모델 규모와 긴 컨텍스트에도 경쟁력 있는 토큰 가격으로 서비스할 수 있음

장시간 코딩과 시각 피드백

  • 최소한의 사람 감독으로 긴 엔지니어링 세션을 지속하고, 대규모 저장소를 탐색하며 터미널 도구를 조율할 수 있음
  • 소프트웨어 엔지니어링과 시각 추론을 결합해 스크린샷과 실행 결과를 확인하면서 게임 개발/프론트엔드/CAD 결과를 반복 개선함
  • 코드와 실제 화면 사이를 반복하는 vision in the loop 방식으로 이미지와 비디오를 실행 가능한 인터랙티브 결과물로 변환함
  • 개발 후기 단계에서는 초기 Kimi K3가 팀의 GPU 커널 최적화 작업 대부분을 처리함

GPU 커널 최적화

  • 동일한 샌드박스에서 모델별로 최대 24시간 동안 AttnRes/KDA/MLA 커널을 프로파일링하고 수정하도록 평가함
  • Kimi K3는 Fable 5의 잠재적 fallback 결과와 경쟁했으며, Opus 4.8/GPT 5.6 Sol/GPT 5.5보다 전반적으로 높은 결과를 기록함

  • AttnRes

    • 96개 계층/모델 차원 8,192/8,192토큰인 운영 형태의 FLA Triton 구현을 수치 결과 변경 없이 최적화함
    • 15시간 동안 반복 작업해 새로운 2단계 커널 알고리듬을 설계하고 여러 커널을 융합함
    • 순전파와 역전파 시간을 283.6ms에서 114.4ms로 줄임
    • Fable 5의 잠재적 fallback 결과와 비슷한 최종 성능을 냈지만, K3의 반복당 최적화 속도가 더 빨랐음

  • DSA

    • DeepSeek-V3.2와 정렬된 하이퍼파라미터와 100만 토큰 시퀀스를 사용하는 실제 학습 설정에서 TileLang 기반 DSA 커널을 최적화함
    • 기준 구현 대비 종단 간 시간을 55.1% 단축해 Fable 5의 57.3%에 이어 두 번째 결과를 기록함

  • MLA-512

    • 기준 커널 없이 batch 1/64개 헤드/8,192토큰/헤드 차원 512인 MLA 커널을 처음부터 작성함
    • 순전파와 역전파에서 517.8 TFLOPS를 달성해 H200 이론상 BF16 최고치의 절반을 넘김
    • 다음으로 높은 모델의 492.7 TFLOPS를 앞섬

  • KDA on GPGPU

    • CUDA와 소프트웨어 스택/메모리 동작이 다른 대체 업체의 범용 GPU에서 FLA Triton KDA 구현을 최적화함
    • 프로파일링부터 성능 모델을 새로 구축해 순전파와 역전파 시간을 기준 구현보다 73.6% 단축함
    • 추가 개선 여지가 남아 있을 가능성이 있다고 밝힘

  • 평가상 주의점

    • Claude Fable 5는 제3자가 평가했으며 일부 결과에 fallback 동작이 포함됐을 수 있음
    • 여러 모델의 일부 실행 경로는 허용된 수치 오차 범위 안에서 작은 정밀도 단축을 사용함

MiniTriton GPU 컴파일러

  • Kimi K3가 Triton과 유사한 소형 GPU 프로그래밍 시스템 MiniTriton을 처음부터 개발함
  • MLIR 위에 자체 타일 단위 중간 표현을 구축하고 최적화 패스/PTX 코드 생성 파이프라인/런타임을 구현함
  • 지원하는 roofline 벤치마크에서 Triton 및 torch.compile과 비슷하거나 더 높은 성능을 냈으며, 일부 작업에서는 Triton을 앞섬
  • nanoGPT 전체 학습을 안정적으로 수행했고 손실 곡선도 참조 구현과 작은 차이만 보이며 수렴함
  • DSL 프론트엔드부터 IR 최적화/PTX 생성/런타임까지 일관된 전체 컴파일러를 만들었으며, 처음부터 작성한 Tensor Core 경로도 Triton의 최적화된 스택과 경쟁함

3D 게임과 디지털 제작

  • Kimi K3가 Three.js WebGPU와 GPU 컴퓨트를 사용해 절차적으로 생성되는 브라우저 기반 3D 탐험 게임을 제작함
  • 숲/통나무집 마을/설산/동적 날씨가 있는 오픈월드를 생성하고, 3D 자산 생성 도구로 기수와 말 모델을 제작함
  • 애니메이션 카우보이/말 모델과 지형 데이터는 외부 자산을 사용함
  • 결과물은 3D Open World에서 확인할 수 있음

모델을 위한 칩 설계

  • Kimi K3가 자체 구조를 사용하는 소형 모델을 구동하기 위한 칩을 48시간 연속 자율 작업으로 설계함
  • Nangate 45nm 라이브러리와 오픈소스 EDA 도구를 사용해 설계/최적화/검증을 수행함
  • 면적 4mm² 안에서 100MHz 타이밍을 충족하고 시뮬레이션 기준 초당 8,700토큰 이상의 디코딩 처리량을 기록함
  • 146만 개 표준 셀/0.277MB SRAM/역양자화가 융합된 INT4 MAC 배열을 포함함

계산과학 연구 구현

  • 과학 문헌을 실행 코드로 연결해 복잡한 계산 연구 과정을 구현/검증/분석함
  • 계산 천체물리학의 I–Love–Q 보편 관계 재현 작업을 약 2시간 만에 완료했으며, 숙련 연구자에게 통상 1~2주가 필요한 작업이라고 비교함
  • 20편 이상의 논문을 검토하고 교차 검증했으며, 전체 수치 계산 파이프라인을 구현함
  • 300개 이상의 상태 방정식을 평가하고 출판된 수식 간 불일치를 찾아냄
  • 3,000줄 이상의 Python 코드와 결과 탐색용 인터랙티브 HTML 대시보드를 생성함

지식 작업과 인터랙티브 연구

  • 공개 벤치마크 외에 실제 사용자/에이전트 워크플로우에서 반복되는 문제를 기반으로 구성한 내부 평가에서도 Kimi K3(max)가 일관된 향상을 보였다고 밝힘

  • AI ASIC 산업 42년 분석

    • 42년간의 AI ASIC 산업을 분석하는 인터랙티브 웹사이트를 120회 이상의 재귀적 자체 개선으로 제작함
    • 2,800회 이상의 웹 검색/가져오기와 1,100회 이상의 터미널 데이터 수집을 수행함
    • 87개 분기 보고서와 99개 원본 PDF를 포함한 11,000페이지 이상의 자료를 사용함
    • 근거 자료를 맞춤형 차트/애니메이션 도식/인터랙티브 시각 서사로 변환함

  • 핵융합 산업 연구

    • 타임라인/퍼널 차트/범위 막대 차트/Gantt 차트와 출판 품질의 슬라이드를 포함한 컨설팅 형식의 산업 보고서를 제작함

  • GWTC-5 중력파 분석

    • 20개 이상의 동시 하위 에이전트를 사용해 391개 중력파 사건을 분석함
    • 과학 시각화 7개/표 2개/논문 10편 이상의 문헌 종합을 생성함

  • 프레젠테이션

    • 완전히 편집 가능한 히트맵과 연차 보고서 등 인포그래픽 형식의 프레젠테이션 제작에 활용됨

Widgets와 Dashboard

  • Kimi Work에 대화를 더 시각적이고 지속적으로 만드는 Widgets/Dashboard 기능을 추가함
  • Widgets는 채팅 안에서 인터랙티브 구성 요소를 생성하고 로컬 데이터나 외부 플러그인에 연결해 계속 업데이트할 수 있음
  • Dashboard는 중요한 위젯을 주제/프로젝트/목표별로 구성된 하나의 개인화된 화면에 유지함

영상 편집

  • 텍스트/이미지/비디오를 하나의 네이티브 멀티모달 모델에서 처리해 모션 디자인/애니메이션/영상 편집 작업을 수행함
  • 자체 구조를 설명하는 3Blue1Brown 스타일의 모션 그래픽 영상을 제작해 기술 개념을 애니메이션 도식과 화면 전환으로 표현함
  • 56개 원본 클립에서 자체 티저 영상을 편집하며 클립 선택/동작이 이어지는 컷/프레임 단위 박자 동기화/오디오 처리/여러 차례 수정을 수행함
  • 같은 밀도의 짧은 영상은 숙련 편집자에게 통상 1~2일, 초보자에게 3~5일이 걸리는 작업이라고 비교함

주요 벤치마크 결과

  • 모든 Kimi K3 결과는 추론 노력 max/temperature 1.0/top-p 1.0으로 측정됐으며, 벤치마크별로 KimiCode/Claude Code/Codex 에이전트 하네스를 사용함

  • 코딩

    • DeepSWE 67.5 / Program Bench 77.8 / Terminal Bench 2.1 88.3
    • FrontierSWE 81.2 / SWE Marathon 42.0 / PostTrain Bench 36.6
    • MLS Bench 48.3 / 내부 Kimi Code Bench 2.0 72.9
    • Program Bench와 SWE Marathon에서는 표에 포함된 모델 중 가장 높은 점수를 기록함
    • Terminal Bench 2.1은 GPT 5.6 Sol의 88.8에 근접했고, FrontierSWE는 Fable 5의 86.6보다 낮음

  • 에이전트와 업무 자동화

    • GDPval-AA v2 1,668 Elo / BrowseComp 91.2 / DeepSearchQA 95.0
    • Toolathlon-Verified 73.2 / MCP Atlas 84.2 / Automation Bench 30.8
    • Job Bench 52.9 / AA-Briefcase 1,548 Elo / APEX-Agents 37.6
    • Office QA Pro 63.3 / SpreadsheetBench 2 34.8 / 내부 DECK-Bench 73.5
    • BrowseComp/DeepSearchQA/Automation Bench/SpreadsheetBench 2에서는 표에 포함된 모델 중 가장 높은 점수를 기록함
    • MCP Atlas는 500개 공개 작업/100턴 제한에서 Gemini 3.1 Pro를 판정 모델로 사용함
    • AutomationBench는 600개 공개 작업으로 평가함
    • BrowseComp는 30만 토큰에서 컨텍스트 압축을 적용했으며, 100만 토큰 컨텍스트를 관리 없이 사용하면 K3 점수는 90.4임

  • 추론과 지식

    • GPQA-Diamond 93.5 / HLE-Full 43.5 / 도구를 사용한 HLE-Full 56.0
    • GPQA-Diamond는 GPT 5.6 Sol의 94.1과 근접했지만, HLE-Full은 Fable 5의 53.3 및 도구 사용 점수 63.0보다 낮음

  • 비전

    • MMMU-Pro 81.6, Python 사용 시 83.4
    • CharXiv RQ 84.8, Python 사용 시 91.3
    • MathVision 94.3, Python 사용 시 97.8
    • BabyVision with Python 85.7
    • ZeroBench pass@5 23.0, Python 사용 시 41.0
    • WorldVQA ForceAnswer 51.0 / OmniDocBench 91.1 / 내부 PerceptionBench 58.5
    • OmniDocBench에서는 표에 포함된 모델 중 가장 높은 91.1을 기록함
    • ZeroBench는 공식 설정에 따라 5회 실행하고, 나머지 멀티모달 점수는 3회 실행 평균을 사용함
    • PerceptionBench는 단위 시각 지각 능력에 초점을 맞춘 자체 벤치마크임

평가 방법과 비교상 제약

  • 벤치마크마다 사용한 에이전트 하네스와 점수 출처가 달라 모델 간 직접 비교에 조건 차이가 있음
  • DeepSWE에서 KimiCode 하네스 점수는 67.5이며, 공식 리더보드의 mini-SWE-agent 하네스에서는 67.3을 기록함
  • Terminal Bench 2.1의 다른 모델 점수는 여러 하네스 중 가장 높은 결과를 사용함
  • FrontierSWE 점수는 공식 스크립트로 원시 점수에서 다시 계산했으며 2026년 7월 16일 기준임
  • PostTrain Bench는 세 번 실행한 평균을 사용했으며, Claude Fable 5가 정책상 요청을 거부하면 Claude Opus 4.8로 자동 fallback됨
  • GDPval-AA v2와 AA-Briefcase 점수는 Artificial Analysis 결과를 사용함

이용 방법과 가격

  • Kimi K3 Agents
    • iOS/Android/HarmonyOS용 최신 Kimi 앱 또는 Kimi.com에서 이용 가능함
  • Kimi Work
    • Windows 및 Apple silicon Mac용 Kimi Work 3.1.0 이상에서 지원함
  • Kimi Code
    • 터미널에서 실행한 뒤 /model 명령으로 Kimi K3를 선택함
  • Kimi API
    • 모델 식별자는 kimi-k3임
    • 캐시 적중 입력은 100만 토큰당 0.30달러, 캐시 미적중 입력은 3달러, 출력은 15달러임
    • Mooncake의 분리형 추론 구조를 사용하며 공식 API의 코딩 작업 캐시 적중률은 90%를 넘음
  • Kimi Enterprise
    • 조직용 데이터 보호와 구성원 관리 기능을 제공하며 개인 계정과 조직 계정을 완전히 분리함

제한 사항

  • 사고 기록 민감성
    • K3는 이전 사고 기록을 보존하는 방식으로 학습됨
    • 에이전트 하네스가 과거 사고 내용을 모두 다시 전달하지 않거나 다른 모델을 사용하던 세션에서 K3로 전환하면 생성 품질이 크게 불안정해질 수 있음
    • 호환성이 검증된 Kimi Code 사용과 세션 중간 모델 전환 회피를 권장함
  • 과도한 선제 행동
    • 장시간의 어려운 작업에 중점을 두고 학습돼 작은 문제나 모호한 사용자 의도에 직면하면 사용자를 대신해 예상하지 못한 결정을 내릴 수 있음
    • 행동 범위를 제한해야 하는 애플리케이션은 시스템 프롬프트나 AGENTS.md에 더 명시적인 제약을 넣어야 함
  • 전반적으로 경쟁력 있는 모델이지만 사용자 경험에서는 Claude Fable 5와 GPT 5.6 Sol에 뚜렷한 격차가 있음

함께 보면 좋은 글 β

GN⁺   [-]
Hacker News 의견들

  • 초기 개념 증명으로 Kimi K3가 자체 아키텍처의 나노 모델을 구동할 칩을 설계했다는 점이 놀라움
    48시간 자율 실행 한 번으로 오픈소스 EDA 도구와 Nangate 45nm 라이브러리를 이용해 설계·최적화·검증까지 마쳤고, 4mm²에서 100MHz 타이밍을 충족하며 시뮬레이션상 초당 8,700토큰 이상의 디코딩 처리량을 달성함
    146만 개 표준 셀, 0.277MB SRAM, 융합 역양자화를 지원하는 INT4 MAC 배열까지 포함해 모델이 모델용 칩을 만든 장기 작업 역량을 보여줌

  • Moonshot에 직접 가입해 쓸 생각이라면 API 사용 데이터도 학습에 활용될 수 있음을 알아야 함
    고객 콘텐츠를 서비스 제공·유지·개선과 모델 학습 등에 사용할 수 있으며, 이를 제한하려면 별도의 기업 계약이나 서면 합의가 필요하다고 명시돼 있음
    https://platform.kimi.ai/docs/agreement/modeluse#4-content

    • OpenAI와 Anthropic도 같거나 더 심할 가능성이 높다고 봄
      지식재산을 가져다 안전 검사를 붙여 되파는 사업에서 사용 데이터를 학습하는지 묻는 것 자체가 순진할 수 있으며, 적어도 중국 기업은 더 공개적이고 커뮤니티에 돌려주는 편이라고 생각함
    • 과도하게 의심하는 편은 아니지만, 중국의 모든 연구소가 약관과 무관하게 데이터를 학습에 쓴다고 가정해야 하지 않을까 싶음
    • OpenRouter는 Moonshot 제공자를 ZDR로 분류함
      실제로 데이터 무보존 계약을 맺은 것인지 OpenRouter의 오분류인지 궁금함
    • OpenAI, Anthropic, Google, xAI를 비롯한 다른 업체도 모두 데이터를 활용한다고 봄
      안 쓴다고 말하더라도 이 판도를 뒤흔드는 경쟁에서 정말 포기할 업체가 있을지 의문임

  • 자세한 사용법과 가격은 다음 문서에서 확인할 수 있음
    https://platform.kimi.ai/docs/guide/kimi-k3-quickstart
    https://platform.kimi.ai/docs/pricing/chat-k3
    100만 토큰 문맥 길이를 지원하고, 100만 토큰당 입력 $3·출력 $15·캐시 $0.3으로 중국 공개 가중치 모델치고는 매우 비쌈
    Anthropic Sonnet 계열과 사실상 같은 가격이고 5.6 Terra의 입력 $2.5와도 비슷하지만, 실제 비용은 추론 효율에 크게 좌우됨
    예를 들어 Sol이 $30/100만 토큰으로 1만 개의 추론 토큰을 쓰고 Kimi K3가 같은 작업에 5만 개를 쓴다면 비용 효율은 Sol이 더 높아짐

    • 중국 소셜 미디어에 공개된 공식 벤치마크를 보면 전반적으로 Sol/Fable급이며 Opus 4.8보다 고르게 앞서는 듯함
      https://mp.weixin.qq.com/s/V4xhEIy8xDXSMDPrPkmUAQ
      영어 블로그도 공개됨: https://www.kimi.com/blog/kimi-k3
    • 토크나이저 차이도 중요함
      같은 텍스트라도 Anthropic 토크나이저는 OpenAI보다 훨씬 많은 토큰으로 인코딩할 수 있음
      Kimi의 실질적인 경쟁 상대는 GLM이라고 보는데, GLM 5.2는 가격이 3분의 1도 되지 않음
    • 재출시된 Fable로 앱을 만들 때 성능은 훌륭했지만 추론 과정이 완전히 불투명했음
      반면 Kimi는 의미 있을 만큼의 전체 추론 과정을 보여줘서 이상한 우회와 방향 전환을 직접 확인할 수 있고, 아이디어도 훨씬 철저하게 디버깅할 수 있음
      다른 LLM이 풀지 못했던 개인적인 틈새 주제에서도 상당히 진전한 듯해 더 시험해볼 생각임
    • 2.8조 매개변수 모델은 이윤을 고려해도 추론 비용 자체가 높음
      오픈소스로 공개된다면 100만 토큰당 $10~12 정도로 내려갈 수도 있다고 봄
    • 빠른 시작 문서가 실제 벤치마크를 기술 블로그로 넘기는데, 그 블로그에는 K3가 없고 두 세대 전인 K2.6이 마지막이라 뭔가 빠진 느낌임

  • Kimi 측 평가에서 K3는 종합 지능이 Claude Fable 5와 GPT-5.6 Sol 다음이며, 전체 가중치와 아키텍처·학습·평가를 담은 기술 보고서를 곧 공개할 예정이라고 함
    GDPval-AA v2에서 1687점으로 Claude Fable 5 Max와 GPT-5.6 Sol Max 다음이고 Claude Opus 4.8 Max의 1600점보다 높음
    비공개 장기 지식 작업 벤치마크인 AA-Briefcase에서는 1527점으로 Fable 5 Max 다음이자 GPT-5.6 Sol Max의 1495점보다 앞서며, 또 한 번의 DeepSeek 같은 순간일 수도 있어 보임

    • 두 모델보다 뒤라면 2위가 아니라 3위라고 봐야 함
    • GDPval-AA v2는 Sonnet 5가 Opus 4.8 Max보다 높은 벤치마크이기도 함
      이제 모든 공개 가중치 모델이 놀라운 점수를 내놓아서 벤치마크만으로는 전체를 알 수 없고, 평가 데이터가 학습 데이터에 유출됐거나 의도적으로 포함됐다고 의심할 수밖에 없음
    • DeepSeek가 충격적이었던 이유는 비용이 10배 저렴했기 때문임
      K3는 Sol보다 약 2배 저렴한 수준이라 토큰 효율 차이와 오차 범위에 가까우며, 공개 모델이 최전선 연구소를 따라잡는 기존 추세의 연장이지 DeepSeek처럼 추세 자체를 바꾼 사건은 아니라고 봄
    • “최전선급 성능”이라는 문구가 나온 페이지를 찾기 어려운데 출처가 어디인지 궁금함

  • OpenRouter API로 만든 펠리컨 SVG 결과: https://tools.simonwillison.net/markdown-svg-renderer#url=ht...
    사용 모델은 https://openrouter.ai/moonshotai/kimi-k3이며, 입력 95토큰·출력 16,658토큰에 25센트가 들었음
    https://www.llm-prices.com/#it=95&ot=16658⁣=3&oc=15
    출력 중 13,241개가 추론 토큰으로, 지금까지 중국 모델로 렌더링한 펠리컨 중 가장 비쌌음

    • 펠리컨 벤치마크가 여전히 어떤 가치를 제공할 수 있는지까지 블로그에 더 자세히 정리함: https://simonwillison.net/2026/Jul/16/kimi-k3/
    • 이제 모델들이 SVG 펠리컨 렌더링에 최적화되고 있어도 놀랍지 않을 듯함
    • “자전거를 타는 펠리컨 SVG를 생성하라”는 요청이 어떻게 입력 95토큰이 됐는지 궁금함

  • Kimi K3는 2.8조 매개변수로 가장 큰 공개 모델 목록의 선두에 놓임
    Kimi K3 2.8T, DeepSeek-V4-Pro 1.6T(활성 49B), Kimi K2.6 약 1T(활성 32B), GLM-5.2 754B(활성 40B), DeepSeek-V3.2 685B, Mistral Large 3 675B 순임
    엄청나게 큰 모델이라 Moonshot이 이를 운영하려면 올해 초 조달했다고 알려진 5억 달러가 필요할 듯함

    • 실제로 공개 가중치가 될지는 더 지켜봐야 하며, 현재는 활성 매개변수 수조차 알려지지 않음
    • Ling/Ring 1T-A50B와 새 Inkling 975B-A41B도 이 목록에 들어갈 만함

  • Google 계정을 쓰거나 전화번호를 제공하지 않고 Kimi K3를 시험할 방법이 있는지 궁금함

  • Kimi K3 블로그가 공개됨: https://www.kimi.com/blog/kimi-k3
    2.8조 매개변수 공개 모델로 100만 토큰 문맥 길이와 시각 입력을 기본 지원하며, 기술 보고서와 가중치는 7월 27일까지 공개될 예정임
    출시 시에는 최대 추론 강도가 기본이고 낮음·높음 모드는 추후 업데이트로 추가됨

    • 벤치마크 수치가 놀라울 정도임
      중국이 미국보다 6개월 뒤처졌던 시기는 끝난 것인지, 훨씬 적은 자원으로 어떻게 이런 결과를 내는지 궁금하고 연구자들이 대단하게 느껴짐

  • 첫 시도에서 Kimi K3가 Fable 5도 여러 번 찾지 못한 버그의 원인을 바로 찾아냄
    아직 사용량이 적은 단일 사례일 뿐이지만 현재까지는 매우 유망해 보임

    • 구독 한도는 상당히 가혹함
      $100 구독의 할당량 소진 속도가 Fable을 쓰는 Anthropic의 $200 구독과 비슷하게 느껴지지만, 모델 자체는 훌륭해서 Opus 4.8보다 높게 평가할 수도 있겠음
    • Claude Code나 VS Code용 Codex 확장, Vim 키 바인딩을 적용한 Codex CLI처럼 에이전트형 작업에 Kimi를 쓰는 방법이 궁금함
      OpenRouter에도 비슷한 도구가 있는지 알고 싶음

  • 영어 블로그가 공개됐으니 기존 링크를 https://www.kimi.com/blog/kimi-k3로 교체하는 편이 좋겠음

답변달기
GeekNews BeeBS 게시판 오픈! 자유로운 이야기와 소소한 일상을 함께 나눠보세요.