ハクソク

世界を動かす技術を、日本語で。

Kimi-K3がHuggingFaceで7月27日にリリースされます

2026年7月27日原文(huggingface.co)

概要

Kimi K3 はMoonshot AIによる次世代オープンフロンティアモデル。 世界初の 3Tクラス オープンモデルとして登場。 長期的なコーディング や知識作業、推論に特化。 新アーキテクチャと エージェント機能 を搭載。 2026年7月27日に 公開予定。

Kimi K3の特徴

  • Moonshot AI が開発した先進的なAIモデル
  • 世界初の オープン3Tクラスモデル として注目
  • Kimi Delta Attention と Attention Residuals による新アーキテクチャ採用
  • フロンティアインテリジェンス を実現する設計
    • 長期間にわたるコーディング作業
    • 複雑な知識処理や推論作業
  • エージェント機能 をネイティブに搭載
    • ツール呼び出し
    • Webブラウジング
    • 複数ステップの計画立案
  • 拡張コンテキストウィンドウ によるリポジトリ規模のコード理解
  • オープンウェイト として公開予定
  • 公開ページで 直接ダウンロード 可能

リリース情報・今後の予定

  • リリース予定日 ：2026年7月27日
  • 待機ユーザー数 ：2,100人
  • 公開予定アーティファクト ：moonshotai/Kimi-K3
  • リリース通知 機能
    • 「Like」と「Notify」を選択でリリース時に単一メール通知
    • スパムなし、純粋なリリース告知のみ

最新情報の入手方法

  • moonshotai 公式ページにて最新情報を随時更新
  • GitHubリポジトリ （moonshotai/Kimi-K3）でアーティファクト公開予定
  • コミュニティ参加や通知登録で継続的なアップデート取得可能

Hackerたちの意見

いくつかの理由で面白くなりそうだね。まず、中央値の価格がサードパーティのプロバイダーでどこに落ち着くかが、3Tモデルを運用するコストを教えてくれる。mxfp4ネイティブになるから、これをホストするのに約1.5TBのVRAMが必要になるんだ。8xb200sの限界ギリギリだけど、実際にはコンテキストやスループットの最適化のために16xは必要だね。ホスティングには安くないけど、少なくとも3Tモデルの$ / MTokの範囲はわかるはず。そうすれば、「ラボがAPI価格でトークンを補助しているかどうか」を推測できるようになるね。それに、このビーストをファインチューニングするのにどれくらいの労力がかかるかも興味深い。最新のAISIベンチマークではサイバーセキュリティがglm5.2を上回っているけど、SotAのクローズドモデルにはまだまだ遠い。ここではファインチューニングが必要かもしれないね。それと、Cursorがこれに対してもう一回トレーニングを行うかどうかも気になる。kimi2.6/2.7のファインチューニング（コンポーザーシリーズ）やgrok4.5と直接比較するためにね。それに、誰かがこれを小さいモデルに蒸留（ちゃんとした蒸留、全体の分布をトレーニングすること）するかどうかも面白い。dsv4-kimiは本当に良さそうだね。dsv4はホスティングがすごく安いから。

└

「ラボがAPI価格でトークンを補助しているかどうか」 > SemiAnalysisは、Anthropicの現在のブレンド粗利益率が中間の60%台に上昇し、APIビジネスの粗利益率が80%を超えていると推定している。もちろん、人々は「彼らは嘘をついている」とか「なぜ彼らを信じるべきなのか、API価格を補助しているのは周知の事実だ」と主張するだろうね。... https://newsletter.semianalysis.com/p/anthropic-3q26-profit-... https://finance.biggo.com/news/02d45650-b569-4d12-b44d-8d6d8...

└

ファインチューニングの話だけど、現在一般的なやり方はbnb 4ビットのベースモデルにLoRAを使うことだけど、そろそろbnbをGGUFに置き換える時期だと思う。GGUFは新しいモデルアーキテクチャやもっと攻撃的な量子化を積極的にサポートしている。https://github.com/woct0rdho/transformers5-qwen3.5-recipeでいくつかの概念実証を作ったよ。16GiBのVRAMでQwen3.5-35B-A3Bをファインチューニングできるし、90GiBのVRAMでDeepSeek-V4-Flash（284B-A13B）もCPUオフロードなしでできる。この方法はStrix Haloのような統一メモリマシンでうまくいくんだ。それでも、Kimi-K3のような大きなモデルは複数のGPUやノードが必要で、シングルGPUトレーニングと比べるとやることがまだまだ多いね。

└

それで、「ラボがAPI価格でトークンを補助しているかどうかを推測できるようになる」ってことだね。いや、できないよ。トレーニングコストなしでは、この種のモデルを提供するための限界コストしか推測できないし、閉じたモデルの実際のサイズも分からない（Fableが10Tモデルだったら？1Tだったらどうする？）。

└

https://github.com/JustVugg/colibri

└

モデルがネイティブMXFP4だから、ハードウェア面でもさらに面白くなると思う。8x AMD MI355Xノードに楽に収まるしね。これがトークンの価格をさらに下げると思う。

└

ラボがトークンごとのAPI価格で利益が出てないと思ってる人は、妄想に取り憑かれてて、めっちゃ間違ってるよ。

└

もし2.xモデルのようなエキスパートの混合（MoE）モデルなら、モデルを動かすためのハードウェアが減るんじゃない？Kimi-K2.6モデルは1.1Tパラメータで、32Bのアクティブパラメータを持ってる。軽い量子化（Q6_K）を使えば、単体の5090で（遅く）動かすのに十分なんだ。一台のB200で、同時に5〜6個のエキスパートをVRAMにロードできるよ。現実的には、コンテキストを考慮して3〜4個になるだろうね。これと他のMoEモデルを使って、どのモデルが事前に必要になるかを検出または予測する研究が面白い分野になりそうだね。そうすれば、重みが必要になる前にVRAMへのロードをスケジュールできるから、RAMに重みをオフロードしてもパフォーマンスがあまり落ちないはずだよ。

それは7月27日だね。

└

他の国では27/7だね。

└

日付を改善するなら20270727かな :)

└

中国はYYYY/MM/DDを使っていて、これは論理的だね。

Hacker Newsで議論の続きを見る