Kimi K3 發佈 47 頁技術報告，最有價值的創新點是這些

Kimi K3 開放權重模型正式發表，隨之公開的 47 頁技術報告在業界引發討論。報告中最引人注目的數字包括 2.8T 總參數、104B 激活參數與 100 萬 token 上下文，但這些指標更像是技術改造後的成果，而非報告真正值得關注的核心。Kimi K3 的設計出發點更為務實：當模型持續擴大、上下文不斷增長，且 Agent 任務可能延續數小時之際，傳統 Transformer 架構與訓練系統能否勝任？上下文變長會導致 KV Cache 急遽膨脹；網路加深使前期訊息逐漸稀釋；專家數量上升則帶來路由、通訊與負載問題；Agent 軌跡拉長後，強化學習又容易被少數慢任務拖住。

Kimi K3 沒有選擇單純增加 GPU，而是從架構、訓練到 Agent 基礎設施進行系統性改造，將原本會隨規模膨脹的計算與狀態，轉換為可壓縮、可調度、可暫停與恢復的結構。三大架構革新分別處理 Transformer 在序列、深度與寬度上的擴展問題。在序列方面，傳統注意力機制需保存所有歷史 token 的 Key 與 Value，上下文越長則 KV Cache 越大。Kimi Delta Attention（KDA）採用固定大小的遞歸狀態，模型在閱讀過程中不斷更新壓縮記憶，避免狀態隨序列線性膨脹。

但壓縮必然損失部分細節，因此 Kimi K3 在每個模塊中安排三層 KDA 與一層 Gated MLA，並在模型末尾保留全局注意力：KDA 負責低成本更新長期狀態，MLA 定期重新檢視完整上下文，兩者分工明確。此外，KDA 的衰減參數經調整設有下界，使相關計算可統一轉換為稠密矩陣乘法，更符合 GPU 的運算特性。在深度方面，標準殘差連接會將各層輸出疊加到同一隱藏狀態，網路加深後前層資訊容易混雜。Kimi K3 引入 Attention Residuals（AttnRes），允許當前層對前面不同深度的表示進行加權選擇，如同保留檔案的多個中間版本，後層可依需要重新調用。

為控制顯存與通訊成本，模型約每 12 層聚合為一個 Block，對不同 Block 的表示進行選擇，而非保留全部 93 層的獨立輸出。這項設計不依賴 2.8T 參數，也不須搭配 KDA 或 MoE，可望成為其他模型改進深層網絡的參考結構。在寬度方面，Kimi K3 每層擁有 896 個路由專家，每個 token 選取 16 個。專家池擴大帶來通訊、顯存與負載不均衡的挑戰。模型使用 LatentMoE，先將 7168 維隱藏狀態壓縮至 3584 維，讓路由專家在較窄空間計算，再映射回完整維度，從而控制通訊增長。

為避免連續壓縮與放大導致異常激活，專家聚合後加入 RMSNorm，並以 SiTU-GLU 取代 SwiGLU，使數值過大時自動限幅。設備負載則透過 Quantile Balancing 解決，它根據整批路由分數的分位數直接計算每個專家所需的偏置，避免傳統步長調整的震盪；訓練系統中的 MoonEP 則為熱門專家建立動態副本，使各設備接收相同數量的 token，與 Quantile Balancing 協同達成負載均衡。然而，要讓 Agent 連續工作數小時，真正困難的部分往往發生在強化學習系統中。傳統同步強化學習會等待整批任務完成，只要少數長任務拖慢，所有 GPU 都受影響。

Kimi K3 採用 partial rollout，只要部分軌跡完成就先更新模型，未完成的暫停後再恢復。這導致數據來源不一致（off-policy），但模型透過逐 token 正則限制策略變化，使訓練能容忍這種異步性。更關鍵的是保存外部環境狀態：Kimi K3 的 AgentENV 基於 Firecracker microVM，支援 sandbox 的暫停、恢復、複製與快照。訓練與評估期間共創建超過 5100 萬個 sandbox，它們可在等待模型推理時暫停，避免持續佔用 CPU 和記憶體，任務恢復時檔案系統與程序狀態也同步還原。

這使得數小時的 Agent 軌跡能反覆暫停與繼續，長程任務因此真正納入強化學習訓練範疇。多模態能力在此扮演重要的回饋角色。Kimi K3 的視覺編碼器 MoonViT-V2 從零開始訓練，未使用預訓練對比學習模型初始化，結果更穩定且最終能力接近預訓練方案。多模態訓練資料包含大量程式碼與渲染結果配對，例如網頁、SVG、遊戲或 CAD 圖形。模型可先編寫程式碼，執行後查看截圖，再根據實際畫面修正。視覺因此成為 Agent 的回饋通道，模型不再只能猜測結果，而是能真正觀察自己生成的內容並據以調整，形成保存任務狀態、持續執行工具、觀察真實結果、根據回饋修正下一步的完整閉環。

這樣的長程執行能力在 Kernel 優化任務中充分體現。以 AttnRes Kernel 為例，Kimi K3 在十多個小時內持續嘗試、測試與修改，最終將相對 FLA Triton 基線的加速幅度提升至 59.7%。DSA Kernel 優化任務中，模型經過接近 24 小時的不斷編寫、運行與分析，達到 55.1% 加速，僅次於 Claude Fable 5 的 57.3%，高於 GPT-5.6 Sol、Claude Opus 4.8 與 GPT-5.5。KDA-GPGPU Kernel 任務中，Kimi K3 在超過 20 小時的實驗中將加速幅度提升至 73.6%，明顯超越其他對比模型。

這些成果凸顯長程 Agent 的價值不在於一次性生成優異程式碼，而在於能保留已發現的有效方案，並在多輪嘗試中持續突破。報告指出，Kimi K3 相較 Kimi K2 獲得約 2.5 倍的整體 scaling efficiency，這意味在擬合的 scaling law 中，達到相同驗證損失所需計算量更少，或在相同計算量下可獲得更低損失。但這不等於訓練成本降低 60%，也不代表推理速度提升 2.5 倍。Kimi K3 總參數從約 1.04T 增至 2.78T，激活參數從 32.6B 增至 104.2B，層數從 61 增至 93，無論訓練或部署，它仍然是一個更重、更昂貴的模型。這個 2.

5 倍來自 KDA、AttnRes、LatentMoE、數據處理、優化器與超參數搜索的綜合作用，報告未進行完整的逐項消融，因此不能歸功於單一模組。Kimi K3 已進入當前模型第一梯隊，尤其擅長程式設計、搜尋、專業工作流與長程工具調用。但它的優勢往往建立在較高的推理投入之上：模型會執行更多步驟、使用更多輸出 token、花更長時間檢查與修正。這與其訓練方向一致，對軟體工程、數據分析與複雜研究極有價值，但對於簡單問答則可能顯得緩慢且高昂。官方評測混合使用了不同 Agent Harness，部分結果來自內部數據集，成績反映的是「模型加工具系統」的綜合表現，而非裸模型比較。

這也顯示進入 Agent 階段後，模型能力已難以與執行環境徹底分開。綜合來看，Kimi K3 最值得關注的不是單一技巧，而是它將架構、訓練與 Agent 基礎設施串聯成一套完整系統。KDA、AttnRes 與 Stable LatentMoE 讓模型在更大規模下控制快取、通訊與數值穩定性；partial rollout、外部 KV Cache 與可恢復 microVM 讓長時任務真正進入強化學習；原生多模態視覺則提供執行結果的回饋。

當模型開始連續工作數小時，其能力上限不再只是「下一句話生成得好不好」，而是能否保存工作進度、保留執行現場、看到實際結果、發現錯誤並持續完成任務——這或許是 Kimi K3 技術報告真正有價值的訊息。