Kimi K3: model o 2,8 bln parametrów rzuca wyzwanie amerykańskim gigantom AI

Stawka jest wysoka z trzech powodów. Kimi K3 zmniejsza dystans między modelami open-weight a zamkniętymi systemami z USA, oferuje ceny wyraźnie niższe od amerykańskich modeli frontierowych i wzmacnia przekaz o rosnących możliwościach chińskiego sektora AI .

Co dokładnie zapowiedział Moonshot AI?

Kimi K3 trafił do użytkowników przez Kimi.com, Kimi Work, Kimi Code oraz Kimi API . Początkowo był dostępny przede wszystkim jako usługa API. Pełne wagi miały zostać udostępnione do 27 lipca 2026 r. na zmodyfikowanej licencji MIT . W dostarczonych materiałach nie ma jednak wystarczającego, niezależnego potwierdzenia, że wszystkie elementy tej zapowiedzi zostały faktycznie zrealizowane.

Najważniejsze cechy modelu:

• 2,8 bln parametrów — Kimi K3 wykorzystuje architekturę Mixture-of-Experts (MoE), w której przy przetwarzaniu pojedynczego fragmentu tekstu aktywowanych jest tylko 16 z 896 wyspecjalizowanych podmodeli .
• Milion tokenów kontekstu — tak duże okno pozwala pracować z bardzo obszernymi dokumentami, bazami kodu i długimi przebiegami zadań.
• Multimodalność — model ma natywnie obsługiwać nie tylko tekst, lecz także dane wizualne i rozumowanie w środowiskach 3D .
• Zmodyfikowana licencja MIT — to licencja zasadniczo liberalna, choć jej dokładne warunki i praktyczne konsekwencje nie zostały jeszcze szeroko niezależnie zbadane .

Jeżeli zapowiedź udostępnienia wag została zrealizowana, Kimi K3 należy do klasy modeli o skali około 3 bln parametrów i przejmuje rekord od modelu DeepSeek o deklarowanej skali 1,6 bln parametrów . Określenie „open-weight” warto przy tym odróżnić od „open source”: publiczne wagi umożliwiają pobranie, uruchamianie i modyfikowanie modelu, ale nie muszą oznaczać pełnej przejrzystości danych treningowych, procesu uczenia ani wszystkich komponentów systemu.

Wyniki: blisko czołówki, ale nie na jej szczycie

Najczęściej przywoływany niezależny wynik pochodzi z Artificial Analysis Intelligence Index. Kimi K3 otrzymał tam 57 punktów, podczas gdy Claude Fable 5 uzyskał 60 . W niezależnych rankingach model zajmował 4. miejsce wśród 186–189 systemów, wyprzedzając m.in. Claude Opus 4.8 i GPT-5.5 .

Na tablicy Frontend Code Arena K3 osiągnął 1679 punktów Elo, pokonując Claude Fable 5 w tym konkretnym zestawieniu .

Model wypadał szczególnie dobrze w zadaniach agentowych, czyli takich, w których AI musi samodzielnie planować i wykonywać wieloetapową pracę. Według przywoływanych rankingów K3 zajmował pierwsze miejsce w czterech z ośmiu testowanych zestawów, obejmujących m.in. Program Bench, SWE Marathon, SpreadsheetBench 2, Automation Bench i BrowseComp .

Trzeba jednak zachować proporcje. Sam Moonshot AI przyznaje, że Kimi K3 „wciąż pozostaje w tyle za najpotężniejszymi modelami własnościowymi, Claude Fable 5 i GPT 5.6 Sol” . Firma nie przedstawia więc K3 jako bezdyskusyjnego zwycięzcy, lecz jako jedyny model open-weight działający na tak wysokim poziomie .

Dodatkową ostrożność uzasadnia fakt, że część specyfikacji i rezultatów nie była niezależnie weryfikowalna w chwili premiery. BenchLM.ai początkowo sygnalizowało brak potwierdzonych w swojej bazie danych informacji o parametrach, cenach i wynikach K3 . Późniejsze zewnętrzne analizy dostarczyły dodatkowych punktów odniesienia, ale nie usuwają całkowicie problemu przejrzystości .

Cena API może zmienić kalkulację firm

Moonshot zastosował prosty model rozliczeń pay-as-you-go, bez podziału cenowego zależnego od długości kontekstu . Stawki za milion tokenów przedstawiają się następująco:

Według niezależnych testów koszt pojedynczego zadania wynosił średnio 0,95 USD, wobec 1,04 USD dla GPT-5.6 Sol i 2,75 USD dla Claude Fable 5 . W przywoływanych porównaniach oznacza to koszt mniej więcej o połowę niższy od porównywalnych amerykańskich modeli frontierowych .

To właśnie cena — obok samych wyników — może mieć największe znaczenie biznesowe. Dla firm wykonujących tysiące lub miliony zapytań różnica kilku dolarów na milion tokenów szybko przekłada się na realne oszczędności. Kimi K3 może więc wywierać presję nie tylko na jakość modeli konkurencji, ale także na ich marże.

Dlaczego mówi się o „momencie Sputnik”?

Wpływ premiery K3 wykracza poza tabele benchmarków.

• Mniejsza przewaga modeli zamkniętych: K3 znalazł się w odległości kilku punktów od najlepszych systemów amerykańskich w testach zbiorczych, a w wybranych zadaniach programistycznych i agentowych radził sobie lepiej .
• Presja cenowa: niższe stawki API utrudniają utrzymanie wysokiej premii cenowej przez dostawców zamkniętych modeli .
• Większa kontrola użytkownika: po udostępnieniu wag deweloperzy i zespoły badawcze mogą model pobrać, uruchomić na własnej infrastrukturze, dostosować i audytować, zamiast korzystać wyłącznie z cudzego API .
• Reakcja rynku: premiera zbiegła się z wyprzedażą akcji amerykańskich firm AI i producentów półprzewodników. Philadelphia Semiconductor Index spadł o 12,5 proc. w tygodniu poprzedzającym 20 lipca 2026 r., co wiązano z obawami o komercjalizację modeli i presję na marże dotychczasowych liderów .
• Wymiar geopolityczny: BBC oceniło, że premiera wskazuje na szybkie zmniejszanie się różnicy między chińskimi a amerykańskimi możliwościami technologicznymi, a „New York Times” pisał o osłabieniu przewagi dobrze finansowanych rywali z USA .
• Problemy z przepustowością: zainteresowanie było tak duże, że Moonshot wstrzymał przyjmowanie nowych subskrypcji, gdy popyt w ciągu kilku dni przekroczył dostępną pojemność .

Określenie „moment Sputnik” jest oczywiście publicystycznym skrótem, a nie dowodem, że jeden model rozstrzygnął rywalizację technologiczną między Chinami i Stanami Zjednoczonymi. Pokazuje jednak, jak mocno K3 wpłynął na sposób opisywania wyścigu AI.

Otwarte wagi nie oznaczają łatwego uruchomienia

Największy paradoks Kimi K3 polega na tym, że model może być formalnie otwarty, a zarazem praktycznie niedostępny dla większości użytkowników chcących uruchomić go samodzielnie.

Pełny model o 2,8 bln parametrów wymaga potężnej infrastruktury. Architektura MoE ogranicza liczbę ekspertów aktywowanych przy każdym tokenie, ale nie eliminuje zapotrzebowania na pamięć i wysokiej klasy procesory graficzne. Samodzielne wdrożenie K3 na większą skalę pozostaje poza zasięgiem większości niezależnych deweloperów i mniejszych organizacji .

W praktyce wielu użytkowników nadal będzie korzystać z API. Narzędzia do kwantyzacji, optymalizacji inferencji i obsługi tak dużych modeli MoE dopiero dojrzewają . Oznacza to, że otwartość wag zwiększa swobodę techniczną, lecz nie gwarantuje niskiego kosztu ani prostego wdrożenia.

Ryzyka: chipy, licencja i zaufanie

Moonshot AI działa w warunkach amerykańskich ograniczeń eksportowych dotyczących zaawansowanych układów scalonych. Regulacje te mogą utrudnić trenowanie kolejnych modeli na podobną skalę, a zachodnim firmom korzystającym z wag mogą stworzyć dodatkowe problemy zgodności prawnej .

K3 musi też konkurować o uwagę społeczności z takimi projektami jak DeepSeek-V3, Llama 4 i Qwen 3. Sama publikacja wag nie wystarczy, aby zbudować trwały ekosystem. Potrzebne będą aktualizacje, materiały do dostrajania, integracje z narzędziami oraz wsparcie społeczności .

Czy Kimi K3 rzeczywiście zmieni rynek AI?

Kimi K3 to przełomowa premiera pod względem skali i ambicji. Model zbliża się do najlepszych zamkniętych systemów, jest od nich tańszy w użyciu i — zgodnie z zapowiedzią — miał zostać udostępniony na liberalnej licencji. Jeśli otwarte wagi okażą się łatwe do wykorzystania, K3 może przyspieszyć przenoszenie części możliwości AI z kontrolowanych usług do infrastruktury zarządzanej przez użytkowników.

Nie oznacza to jednak końca przewagi OpenAI czy Anthropic. Kimi K3 nadal ustępuje najmocniejszym modelom własnościowym w ujęciu ogólnym, wymaga bardzo drogiego sprzętu, a część deklaracji potrzebuje dalszej niezależnej weryfikacji. Ostateczny wpływ premiery zależy więc nie tylko od wyniku na benchmarkach, lecz także od tego, czy społeczność deweloperów zdoła zbudować wokół K3 praktyczne narzędzia i zastosowania.