Moonshot AI บริษัท AI จากจีนประกาศกำหนดปล่อย Kimi K3 เป็น open weights เต็มรูปแบบในวันที่ 27 กรกฎาคม 2026 หลังเปิดให้ใช้งานผ่าน API และแชทบอทมาตั้งแต่ 16 กรกฎาคมที่งาน World AI Conference ที่เซี่ยงไฮ้ ณ ตอนที่เขียนบทความนี้ หน้า Hugging Face ของ Kimi K3 ยังขึ้นสถานะ "coming soon" ยังไม่มีไฟล์ weights ให้ดาวน์โหลดจริง
จุดที่ทำให้ Kimi K3 น่าจับตาคือขนาด Moonshot เรียกมันว่า "the world’s first open 3T-class model" ด้วยพารามิเตอร์รวม 2.8 ล้านล้าน (2.8T) ใหญ่กว่า Kimi K2 รุ่นก่อนหน้า (1.0T) ราว 2.8 เท่า และถือเป็นโมเดล open weight ที่ใหญ่ที่สุดเท่าที่เคยมีการปล่อยออกมา
สเปคของ Kimi K3
Kimi K3 ใช้สถาปัตยกรรม Sparse Mixture-of-Experts (MoE) มี 896 experts ทั้งหมด แต่ activate แค่ 16 experts ต่อ token ทำให้พารามิเตอร์ที่ทำงานจริงต่อ token อยู่ที่ประมาณ 50 พันล้านเท่านั้น (แหล่งข้อมูลรายงานตัวเลขต่างกันในช่วง 30-50B)
โมเดลรองรับ context window ยาวถึง 1 ล้าน token แบบ native และรองรับการอ่านภาพ (vision) แบบ native ด้วย ส่วนการเทรนใช้เทคนิค quantization-aware training แบบ MXFP4 weights ร่วมกับ MXFP8 activations ทำให้ไฟล์ weights มีขนาดประมาณ 1.4 TB
Moonshot อ้างว่าเทคนิค KDA ช่วยให้เร็วขึ้น 6.3 เท่า และ AttnRes ช่วยให้ประสิทธิภาพการเทรนดีขึ้น 25% ตัวเลขเหล่านี้เป็นตัวเลขที่ Moonshot กล่าวอ้างเอง ยังไม่มีการทดสอบอิสระยืนยัน
Open weights ไม่ใช่ open source เต็มรูปแบบ
Kimi K3 เป็น "open weights" คือปล่อยเฉพาะไฟล์ weights ให้ดาวน์โหลด นำไป fine-tune และ self-host ได้ แต่ Moonshot ไม่ได้เปิดเผยชุดข้อมูลที่ใช้เทรนหรือ pipeline การเทรนทั้งหมด
เรื่อง license คาดว่าจะเป็น Modified MIT ตามแนวทางเดียวกับ Kimi K2 ซึ่งอนุญาตให้ใช้เชิงพาณิชย์ได้ แต่ ณ ตอนนี้ Moonshot ยังไม่ประกาศยืนยันอย่างเป็นทางการ 100% ต้องรอดูตอนไฟล์ weights ขึ้นจริงพร้อมเอกสาร license แนบมาด้วย
ผลงานใน benchmark เทียบชั้นโมเดลปิด
จากตัวเลขที่ Moonshot เผยแพร่เอง Kimi K3 ทำคะแนน GDPval-AA v2 ได้ 1,687 คะแนน อยู่อันดับ 3 รองจาก Claude Fable 5 Max (1,815 คะแนน) และ GPT-5.6 Sol Max (1,747.8 คะแนน) แต่แซง Claude Opus 4.8 ไปได้
ในด้าน coding ที่เป็นจุดแข็งของ K3 ผลทดสอบ Frontend Code Arena ให้ K3 ขึ้นเป็นอันดับ 1 ที่ 1,679 คะแนน แซงทั้ง Claude Fable 5, GPT-5.6 Sol และ GLM-5.2 ส่วน Artificial Analysis Intelligence Index จัดให้ K3 อยู่อันดับ 3 รองจาก Claude Fable และ GPT-5.6 Sol Max เช่นกัน
การวิเคราะห์จาก interconnects.ai ชี้ว่าช่องว่างระหว่างโมเดลปิดชั้นนำกับโมเดลเปิดกำลังแคบลงเรื่อยๆ จากเดิมที่เคยห่างกัน 6-9 เดือน เหลือเพียง 3-5 เดือนเท่านั้น
ราคา API แพงขึ้นจากรุ่นก่อน
ราคา API ของ Kimi K3 อยู่ที่ 3 ดอลลาร์ต่อล้าน input token แบบ cache-miss (ประมาณ 100 บาท), 0.30 ดอลลาร์ต่อล้าน token แบบ cache-hit (ประมาณ 10 บาท) และ 15 ดอลลาร์ต่อล้าน output token (ประมาณ 510 บาท)
ตัวเลขนี้แพงขึ้นมากจาก Kimi K2.6 ที่คิด 0.95/4 ดอลลาร์ (ประมาณ 32/136 บาท) ทำให้ Kimi K3 ใกล้เคียงกับราคา Claude Sonnet มากกว่าจะเป็นตัวเลือกราคาถูกแบบที่โมเดลจีนมักทำในอดีต ส่วนหนึ่งเป็นเพราะโหมด "always-on thinking" ที่ใช้ token ในการคิดเยอะกว่าโมเดลทั่วไป
นักพัฒนา Simon Willison ทดลองสั่งให้ K3 วาด SVG รูปนกกระทุงตัวเดียว ใช้ input แค่ 95 token แต่ output ไป 16,658 token คิดเป็นต้นทุนราว 25 เซนต์ (ประมาณ 8.5 บาท) ต่อคำสั่งเดียว
Self-host ได้จริงแค่ระดับองค์กร
แม้จะเป็น open weights ที่ดาวน์โหลดได้ แต่การ self-host Kimi K3 จริงไม่ใช่เรื่องที่นักพัฒนาทั่วไปทำได้บนเครื่องส่วนตัว แค่โหลด weights เข้าหน่วยความจำต้องใช้ accelerator ขนาด 80GB VRAM อย่างน้อย 18 ตัว ยังไม่นับส่วนที่ต้องใช้เพิ่มสำหรับ context
เซิร์ฟเวอร์รุ่นใหม่ล่าสุด 1 node (8 การ์ด รวม 192GB ต่อการ์ด เท่ากับราว 1.5TB) แทบพอดีกับขนาดไฟล์ weights เท่านั้น และรูปแบบ MXFP4 ที่ใช้เทรนก็ออกแบบมาให้เข้ากับฮาร์ดแวร์รุ่นใหม่อย่าง Nvidia Blackwell หรือ AMD MI400 เป็นหลัก กลุ่มเป้าหมายจริงของการ self-host จึงเป็นองค์กรที่มี GPU cluster ระดับ data center
จุดขายของการ self-host โมเดลนี้ไม่ใช่เรื่องประหยัดเงิน แต่คือการควบคุมข้อมูลและความเป็นส่วนตัว องค์กรที่กังวลเรื่องข้อมูลถูกส่งไปประมวลผลในจีนผ่านการเรียก API โดยตรง สามารถตัดความเสี่ยงนั้นได้ด้วยการรันโมเดลเองบนเซิร์ฟเวอร์ของตัวเอง
Hallucination rate สูงขึ้น แต่ไม่ได้แย่กว่าคู่แข่ง
Artificial Analysis รายงานว่า hallucination rate ของ Kimi K3 อยู่ที่ประมาณ 51% เพิ่มขึ้นจาก K2.6 ที่ 39% บนเบนช์มาร์ก AA-Omniscience ตัวเลขนี้หมายถึงสัดส่วนของคำตอบที่ผิดทั้งหมดที่เป็นการ "มั่ว" ตอบ ไม่ใช่สัดส่วนของคำตอบทั้งหมดที่โมเดลตอบ
ที่น่าสังเกตคือ accuracy ของ K3 ก็เพิ่มขึ้นพร้อมกันจาก 33% เป็น 46% บนเบนช์มาร์กเดียวกัน และเมื่อเทียบกับคู่แข่ง Claude Fable 5 มี hallucination rate สูงกว่าที่ 54.9% บนเบนช์มาร์กเดียวกัน ตัวเลขนี้ไม่ปรากฏในชาร์ต benchmark ที่ Moonshot เผยแพร่เอง แต่มาจากการทดสอบอิสระเพิ่มเติม
สิ่งที่ต้องติดตามต่อ
ตอนนี้สิ่งที่ยังรอการยืนยันคือไฟล์ weights และเอกสาร license จะขึ้นบน Hugging Face จริงเมื่อไหร่ รวมถึงรายละเอียด license ฉบับเต็มว่าจะเป็น Modified MIT ตามที่คาดหรือมีเงื่อนไขอื่นเพิ่มเติม ถ้า Kimi K3 ปล่อยออกมาได้จริงตามกำหนด นี่จะเป็นอีกก้าวที่ทำให้ช่องว่างระหว่างโมเดลเปิดกับโมเดลปิดของค่ายใหญ่แคบลงไปอีก
