Databricks přidává obří otevřený model Kimi K3: Konkurence pro špičkové uzavřené AI za zlomek nákladů

Specifikace modelu

Kimi K3 je řídký model typu Mixture-of-Experts (MoE) s následujícími potvrzenými parametry :

• Celkový počet parametrů: 2,8 bilionu
• Aktivní parametry: 104 miliard aktivovaných na token
• Architektura: Řídký MoE s 896 experty, z nichž je 16 aktivních na token, plus 2 sdílení experti
• Kontextové okno: 1 048 576 tokenů (1 milion)
• Modalita: Text a nativní vidění (obrázky a video)
• Architektonické inovace: Kimi Delta Attention (KDA), Attention Residuals (AttnRes) a framework Stable LatentMoE

Společnost Moonshot označuje K3 za „první otevřený model třídy 3T" . Váhy byly uvolněny 27. července 2026 pod upravenou licencí MIT .

Umístění v žebříčku Artificial Analysis Intelligence Index

V nezávislém žebříčku Artificial Analysis Intelligence Index (v4.1) získává Kimi K3 skóre 57 ve standardní konfiguraci a 60 v konfiguraci „max" . Jeho umístění je :

• 3.–4. místo celkově mezi všemi testovanými modely, v závislosti na konfiguraci
• První mezi otevřenými modely (další v pořadí: GLM-5.2 s 51 body)
• Za ním: Claude Fable 5 (~60) a GPT-5.6 Sol (~59)
• Před ním: Claude Opus 4.8 (~56), GPT-5.5, DeepSeek V4 Pro (44) a GLM-5.2 (51)

Index kombinuje devět hodnocení včetně GDPval-AA v2, Terminal-Bench 2.1, SciCode, Humanity's Last Exam, GPQA Diamond a testů dlouhého kontextu . V konkrétních benchmarcích dosáhl Kimi K3 #1 na žebříčku Frontend Code Arena a #2 v AA-Briefcase (agentní znalostní práce), hned za modelem Fable 5 .

Srovnání nákladů s proprietárními modely

Kimi K3 nabízí výraznou cenovou výhodu oproti proprietárním rivalům :

• Náklady na úlohu v Indexu inteligence: Přibližně 0,94 USD
• Zhruba poloviční náklady oproti Claude Opus 4.8 (max reasoning, 1,80 USD)
• Podobné náklady jako GPT-5.6 Sol (max, 1,04 USD)
• Databricks uvádí 50–72 % nižší náklady na úlohu ve srovnání s proprietárními lídry
• Ceny API: ~3,00 USD za milion vstupních tokenů a ~15,00 USD za milion výstupních tokenů

Jak CNBC řekl generální ředitel Databricks Ali Ghodsi, kombinace výkonu v benchmarcích a nákladové efektivity modelu K3 činí dříve nákladově neúnosné agentní úlohy – jako jsou kontinuální kódovací agenti nebo zpracování rozsáhlých dokumentů – ekonomicky životaschopnými pro podniky .

Unity AI Gateway: firemní správa a kontrola nákladů

Unity AI Gateway poskytuje jednotné řídicí rozhraní pro platformové týmy spravující AI napříč podnikem. Mezi klíčové funkce použitelné pro Kimi K3 patří :

• Detailní přístupová oprávnění a bezpečnostní zábrany vynucované na vstupech a výstupech modelu
• Kompletní auditní stopy a sledovatelnost za běhu u všech volání modelu
• Kontroly výdajů na AI – proaktivní rozpočtová upozornění napříč uživateli, pracovními prostory, případy použití a celými účty, kombinovaná se systémovými tabulkami Unity Catalog a rozpočty Databricks
• Omezování rychlosti a směrování provozu napříč modely, agenty a MCP servery
• Pevné limity výdajů, které zastaví požadavky po dosažení rozpočtu
• Zero Data Retention (ZDR) pro Kimi K3 na Databricks
• Jednotná správa napříč otevřenými i proprietárními modely prostřednictvím stejného rámce politik

Ve stejném týdnu dosáhl Unity AI Gateway všeobecné dostupnosti, čímž sjednotil správu výdajů, omezování rychlosti a řízení přístupu napříč podnikovými LLM, MCP servery a kódovacími agenty .

Širší trend: propast mezi otevřenými a uzavřenými modely se rychle uzavírá

Společnost Databricks rámuje integraci Kimi K3 jako důkaz, že se propast mezi otevřenými a proprietárními AI modely rychle uzavírá . Firma poznamenává, že ještě před rokem zaostávaly nejlepší otevřené modely za svými proprietárními protějšky s velkým náskokem – dnes se však otevřené modely jako Kimi K3 vyrovnají proprietárním lídrům ve výkonu benchmarků a zároveň nabízejí výrazně nižší náklady a větší flexibilitu .

Podle Databricks tento posun umožňuje podnikům přijmout hybridní AI strategie, které na jedné platformě mísí otevřené a proprietární modely. Firma zdůrazňuje, že podniky nyní mají skutečnou volbu – možnost směrovat úlohy k nákladově nejefektivnějšímu modelu pro daný úkol, aniž by musely obětovat výkon nebo správu .