Thanawat Wongchai

Posted on Jul 17 • Originally published at apidog.com

Kimi K3 คืออะไร? โมเดลเรือธง 2.8T แบบเปิดของ Moonshot

Moonshot AI เปิดตัว Kimi K3 เมื่อวันที่ 16 กรกฎาคม 2026 โดยเรียกว่าเป็น “โมเดล 3T-class แบบเปิดรุ่นแรกของโลก” สำหรับนักพัฒนา จุดที่ควรประเมินไม่ใช่แค่คำโฆษณา แต่คือการนำไปใช้จริง: K3 เป็นโมเดล Mixture-of-Experts (MoE) ขนาด 2.8 ล้านล้านพารามิเตอร์, รองรับบริบท 1 ล้านโทเค็น, ใช้ API ที่เข้ากันได้กับ OpenAI SDK และมีโครงสร้างราคาที่คุ้มค่ามากเมื่อเกิด cache hit โมเดลเปิดให้ใช้ผ่าน Kimi.com, Kimi Work, Kimi Code และ Kimi API ตั้งแต่วันเปิดตัว โดย Moonshot ระบุว่าจะเผยแพร่น้ำหนักโมเดลทั้งหมดภายในวันที่ 27 กรกฎาคม 2026

ลองใช้ Apidog วันนี้

สรุปสั้นๆ: Kimi K3 คืออะไร?

Kimi K3 คือ LLM เรือธงของ Moonshot AI ที่เปิดตัวเมื่อวันที่ 16 กรกฎาคม 2026 โดยมีรายละเอียดสำคัญดังนี้

พารามิเตอร์รวม: 2.8 ล้านล้านตัว
สถาปัตยกรรม: Mixture-of-Experts
การเปิดใช้ expert: 16 จาก 896 expert ต่อโทเค็น
Context window: 1,048,576 โทเค็น หรือ 1M
API model ID: kimi-k3
ราคาอินพุตแบบ cache hit: $0.30 / 1M tokens
ราคาอินพุตแบบ cache miss: $3.00 / 1M tokens
ราคาเอาต์พุต: $15.00 / 1M tokens
Artificial Analysis Intelligence Index: 57 คะแนน อันดับ 4 จาก 189 โมเดล

Moonshot ระบุเองว่า K3 ยังตามหลัง Claude Fable 5 และ GPT-5.6 Sol ดังนั้นควรวางตำแหน่ง K3 เป็นโมเดลแบบเปิดที่มีประสิทธิภาพใกล้แนวหน้า ไม่ใช่โมเดลที่ดีที่สุดในทุกงาน

ทำไม Kimi K3 จึงสำคัญสำหรับนักพัฒนา

Kimi K3 น่าสนใจเพราะรวมองค์ประกอบที่นักพัฒนาต้องใช้ตัดสินใจจริงไว้ในโมเดลเดียว:

คุณภาพใกล้เคียงโมเดลแนวหน้า
API ที่เข้ากันได้กับ OpenAI SDK
บริบทขนาด 1M โทเค็น
ราคา cache-hit ต่ำกว่าราคา cache-miss 10 เท่า
มีแผนเผยแพร่น้ำหนักโมเดลสำหรับการโฮสต์ด้วยตนเอง

หากแอปของคุณใช้ OpenAI-compatible client อยู่แล้ว งานเริ่มต้นคือเปลี่ยน base URL ไปยัง Kimi endpoint และกำหนดโมเดลเป็น kimi-k3 จากนั้นทดสอบพฤติกรรมของ streaming, tool calling และ structured output ก่อนนำเข้าสู่ production

Apidog รองรับการทดสอบ OpenAI-compatible endpoint โดยตรง คุณจึงสามารถส่งคำขอ streaming, ตรวจสอบ Server-Sent Events (SSE) แบบโทเค็นต่อโทเค็น และดู payload ของ tool_calls ก่อนเขียน integration เต็มรูปแบบ

สำหรับรายละเอียดเฉพาะด้าน ดูเพิ่มเติมได้ที่:

Kimi K3 อยู่ตรงไหนในสายผลิตภัณฑ์ Moonshot

Moonshot วาง K3 เป็น “โมเดลที่ทรงพลังที่สุดของเรา” และเป็นรุ่นถัดจากตระกูล Kimi K2

หากคุณเคยใช้ Kimi K2 หรือ Kimi K2.7 Code มาก่อน K3 คือรุ่นที่สร้างแกน Attention ใหม่ ไม่ใช่เพียงการเพิ่มจำนวนพารามิเตอร์ของ K2

คำว่า “open 3T-class” ควรอ่านอย่างระมัดระวัง:

Open: ในวันเปิดตัว K3 ใช้งานผ่านผลิตภัณฑ์ที่โฮสต์และ API แบบชำระเงินเท่านั้น Moonshot ระบุว่าจะเปิดเผยน้ำหนักทั้งหมดภายในวันที่ 27 กรกฎาคม 2026
3T-class: หมายถึงขนาดรวม 2.8 ล้านล้านพารามิเตอร์ ไม่ได้หมายความว่าพารามิเตอร์ทั้งหมดทำงานในทุกโทเค็น เพราะ K3 ใช้ MoE และเปิดใช้เพียง 16 expert จาก 896 expert ต่อโทเค็น

สำหรับทีมที่กำลังพิจารณา self-hosting ควรถือว่าการเปิดน้ำหนักโมเดลเป็นเหตุการณ์ในอนาคต ไม่ใช่สิ่งที่พร้อมดาวน์โหลดในวันเปิดตัว

สถาปัตยกรรม: สิ่งที่เปลี่ยนไปใน K3

K3 ไม่ใช่ K2 ที่ใหญ่ขึ้นเฉยๆ Moonshot ระบุองค์ประกอบหลักของสถาปัตยกรรมไว้หลายส่วน

Kimi Delta Attention (KDA)

KDA คือกลไก Attention แบบ linear-hybrid ที่ Moonshot อธิบายว่าออกแบบมาเพื่อรองรับการขยายขนาดของ Attention อย่างมีประสิทธิภาพ

ในเชิงปฏิบัติ Attention แบบ linear ช่วยควบคุมต้นทุนหน่วยความจำและการคำนวณเมื่อ context ยาวขึ้น จึงช่วยให้ context window ขนาด 1M โทเค็นใช้งานได้จริงมากขึ้น

Attention Residuals (AttnRes)

AttnRes เป็นส่วนประกอบที่ Moonshot ใช้แทน residual connection แบบมาตรฐาน โดยมีเป้าหมายให้โมเดลเลือกดึง representation จากระดับความลึกต่างๆ ของเครือข่ายได้

ผลที่ต้องติดตามจากมุมมองผู้ใช้คือความสามารถในการรักษาข้อมูลจากเลเยอร์ก่อนหน้าเมื่อประมวลผล context ที่ยาวและซับซ้อน

Stable LatentMoE

Stable LatentMoE คือชั้น routing ของ Mixture-of-Experts ใน K3

K3 มี expert ทั้งหมด 896 ตัว และเปิดใช้งาน 16 ตัวต่อโทเค็น โดย Moonshot ใช้แนวทางที่เรียกว่า Quantile Balancing เพื่อทำให้ routing มีเสถียรภาพระหว่างการฝึก

การเปิดใช้ expert แบบ sparse ทำให้โมเดลเก็บความจุรวมระดับล้านล้านพารามิเตอร์ได้ โดยไม่ต้องจ่ายต้นทุนการคำนวณเท่ากับการเปิดใช้ทุกพารามิเตอร์ในทุกโทเค็น

Moonshot ยังกล่าวถึงองค์ประกอบอื่น ได้แก่:

Per-Head Muon
Sigmoid Tanh Unit (SiTU)
Gated MLA
น้ำหนัก MXFP4
activation แบบ MXFP8 สำหรับ quantization

ข้อมูลจำเพาะ Kimi K3

คุณสมบัติ	Kimi K3
ผู้พัฒนา	Moonshot AI
วันเปิดตัว	16 กรกฎาคม 2026
พารามิเตอร์รวม	2.8 trillion (Mixture-of-Experts)
Expert ที่ใช้งาน	16 จาก 896 ต่อโทเค็น
Context window	1,048,576 tokens (1M)
API model ID	`kimi-k3`
OpenRouter slug	`moonshotai/kimi-k3`
ความเข้ากันได้ของ API	OpenAI SDK compatible
อินพุตแบบ cache hit	$0.30 / 1M tokens
อินพุตแบบ cache miss	$3.00 / 1M tokens
เอาต์พุต	$15.00 / 1M tokens
ความเร็วเอาต์พุต	ประมาณ 62 tokens/sec
เวลาถึงโทเค็นแรก	ประมาณ 1.99 วินาที
Intelligence Index	57 คะแนน อันดับ 4 จาก 189
น้ำหนักแบบเปิด	คาดการณ์ประมาณ 27 กรกฎาคม 2026

หากต้องการคำนวณค่าใช้จ่ายตามจำนวนโทเค็นของแอป ให้ดู คู่มือราคา Kimi K3

Context window 1M และผลกระทบต่อค่าใช้จ่าย

Context window ขนาด 1,048,576 โทเค็นทำให้คุณสามารถส่งข้อมูลจำนวนมากในคำขอเดียว เช่น

โค้ดเบสขนาดใหญ่
เอกสารออกแบบหลายชุด
บันทึกการประชุมหลายชั่วโมง
รายงานวิจัยและชุดข้อมูลขนาดยาว
schema, API specification และตัวอย่าง payload จำนวนมาก

จุดที่สำคัญกว่าความยาว context คือราคาอินพุต:

Cache hit: $0.30 / 1M tokens
Cache miss: $3.00 / 1M tokens

ต่างกัน 10 เท่า

Moonshot ระบุว่า Mooncake ซึ่งเป็นระบบ inference แบบ disaggregated ของตน มีอัตรา cache hit สูงกว่า 90% สำหรับงานเขียนโค้ด หากระบบของคุณส่งบริบทเดิมซ้ำ เช่น system prompt ยาว, โครงสร้าง repository, เอกสาร API หรือคำสั่ง agent ที่คงที่ ต้นทุนอินพุตส่วนมากอาจถูกคิดในอัตรา cache hit

ตัวอย่าง workload ที่น่าจะได้รับประโยชน์:

รอบที่ 1:
- ส่ง repository context
- ส่ง system prompt
- ส่ง task ของผู้ใช้

รอบที่ 2-10:
- ใช้ repository context และ system prompt เดิม
- ส่งเฉพาะ task หรือ tool result ใหม่

สำหรับ agentic coding loop รูปแบบนี้สามารถลดต้นทุนอินพุตได้อย่างมีนัยสำคัญ

อย่างไรก็ตาม K3 ไม่ใช่โมเดลที่เร็วที่สุด Artificial Analysis วัดความเร็วเอาต์พุตได้ประมาณ 62 tokens ต่อวินาที ซึ่งต่ำกว่าค่ามัธยฐาน 72.7 tokens ต่อวินาทีในกลุ่มราคาเดียวกัน ขณะที่เวลาถึงโทเค็นแรกอยู่ที่ประมาณ 1.99 วินาที

หากแอปของคุณไวต่อ latency เช่น autocomplete หรือ chatbot แบบ real-time ควร benchmark K3 เทียบกับโมเดลที่เร็วกว่าโดยใช้ prompt และ context จริงของระบบคุณ

การวางตำแหน่ง: แข็งแกร่ง เปิดกว้าง แต่ไม่ใช่อันดับหนึ่ง

Moonshot ระบุใน บล็อกเปิดตัว Kimi K3 อย่างเป็นทางการ ว่า K3 ยังตามหลังโมเดลกรรมสิทธิ์ที่ทรงพลังที่สุด เช่น Claude Fable 5 และ GPT-5.6 Sol แม้จะมีประสิทธิภาพระดับแนวหน้าบนชุดการประเมินของ Moonshot เอง

ข้อมูลจาก Artificial Analysis Intelligence Index สอดคล้องกับภาพนี้ โดย K3 ได้ 57 คะแนนและอยู่ในอันดับ 4 จาก 189 โมเดล

สรุปสำหรับการเลือกโมเดล:

ความต้องการ	มุมมองต่อ Kimi K3
ต้องการคุณภาพสูงสุดสำหรับ reasoning ที่ยากมาก	โมเดลกรรมสิทธิ์ระดับบนอาจยังเหมาะกว่า
ต้องการคุณภาพใกล้แนวหน้า	K3 เป็นตัวเลือกที่น่าสนใจ
ต้องการ API ที่เข้ากันได้กับ OpenAI	K3 ใช้งานได้สะดวก
ต้องการควบคุมการโฮสต์ในอนาคต	ติดตามการเผยแพร่น้ำหนักโมเดล
ต้องการลดค่าใช้จ่ายของ context ที่ใช้ซ้ำ	ราคา cache hit ของ K3 เป็นจุดเด่น

ดูการเปรียบเทียบโดยตรงเพิ่มเติมได้ที่:

ใช้ Kimi K3 ได้ที่ไหนบ้าง

แพลตฟอร์ม	สิ่งที่คุณได้รับ
Kimi.com	แอปแชทบนเว็บ โดย K3 เป็นโมเดลเริ่มต้น
Kimi Work	ผลิตภัณฑ์ workspace สำหรับทีม
Kimi Code	coding agent บนเทอร์มินัล
Kimi API	การเข้าถึงแบบโปรแกรมผ่าน `kimi-k3`
แอปมือถือ	iOS, Android และ HarmonyOS
เดสก์ท็อป	Kimi Work เวอร์ชัน 3.1.0 ขึ้นไป
OpenRouter	ใช้งานผ่าน `moonshotai/kimi-k3`

หากคุณใช้งานจากเทอร์มินัล คู่มือ Kimi Code CLI อธิบายรูปแบบการตั้งค่าจากยุค K2 ซึ่ง workflow ของ K3 มีลักษณะใกล้เคียงกัน

ลิงก์ที่เกี่ยวข้อง:

ความสามารถของ API

K3 รองรับความสามารถที่จำเป็นสำหรับแอปแบบ agentic และ workflow ที่มีโครงสร้าง:

Context caching
Tool calling
การจำกัดการเลือก tool
JSON mode และ structured output
Partial mode สำหรับการเติมข้อความแบบควบคุม
การค้นหาอินเทอร์เน็ต
Dynamic tool loading
การปรับระดับ reasoning effort รวมถึงระดับ “สูงสุด”

รูปแบบการใช้งานหลักคือชี้ OpenAI client ไปยัง Kimi-compatible endpoint และใช้ kimi-k3 เป็นชื่อโมเดล

from openai import OpenAI
import os

client = OpenAI(
    api_key=os.environ["KIMI_API_KEY"],
    base_url="https://<kimi-compatible-endpoint>/v1"
)

response = client.chat.completions.create(
    model="kimi-k3",
    messages=[
        {
            "role": "system",
            "content": "คุณเป็นผู้ช่วยสำหรับรีวิวโค้ด"
        },
        {
            "role": "user",
            "content": "ช่วยอธิบายความเสี่ยงของโค้ดนี้"
        }
    ]
)

print(response.choices[0].message.content)

ก่อนใช้งานจริง ให้ยืนยัน base URL ล่าสุดบน platform.kimi.ai เนื่องจากคอนโซลมีการย้ายไปยังโดเมนใหม่ในช่วงเปิดตัว

สำหรับตัวอย่าง request และ response แบบเต็ม ดู คู่มือ Kimi K3 API

ทดสอบ Kimi K3 ก่อน deploy

ก่อนเชื่อม K3 เข้ากับ agent หรือ production service ให้ตรวจสอบอย่างน้อย 4 เรื่อง:

Streaming response มีรูปแบบตรงกับ parser ของคุณหรือไม่
tool_calls มีชื่อฟังก์ชันและ argument ตรงตาม schema หรือไม่
JSON output ผ่าน validation หรือไม่
reasoning effort ที่สูงขึ้นส่งผลต่อ latency และต้นทุนอย่างไร

ตัวอย่างคำขอ streaming:

{
  "model": "kimi-k3",
  "messages": [
    {
      "role": "user",
      "content": "สรุปความแตกต่างระหว่าง cache hit และ cache miss"
    }
  ],
  "stream": true
}

ตัวอย่างคำขอ tool calling:

{
  "model": "kimi-k3",
  "messages": [
    {
      "role": "user",
      "content": "ตรวจสอบสถานะ deployment ของ service api"
    }
  ],
  "tools": [
    {
      "type": "function",
      "function": {
        "name": "get_deployment_status",
        "description": "ตรวจสอบสถานะ deployment ของบริการ",
        "parameters": {
          "type": "object",
          "properties": {
            "service": {
              "type": "string"
            }
          },
          "required": ["service"]
        }
      }
    }
  ]
}

ใช้ Apidog เพื่อสร้าง request, เก็บ API key เป็น environment variable และตรวจสอบ streaming response หรือ tool_calls ก่อนให้โค้ด agent เรียกใช้จริง

แนวทางที่ควรทำ:

อย่าเก็บ API key ไว้ใน collection ที่แชร์ร่วมกัน
ทดสอบ schema ของ tool argument ก่อน execute tool
เปรียบเทียบ latency ระหว่าง prompt สั้นและ prompt ที่มี context ยาว
วัด cache hit จาก workload จริง ไม่ใช่แค่ตัวอย่างขนาดเล็ก
ทำ regression test สำหรับ prompt สำคัญก่อนเปลี่ยนโมเดลใน production

คำถามที่พบบ่อย

Kimi K3 คืออะไร?

Kimi K3 คือ LLM เรือธงของ Moonshot AI ที่เปิดตัวเมื่อวันที่ 16 กรกฎาคม 2026 ใช้สถาปัตยกรรม Mixture-of-Experts มีพารามิเตอร์รวม 2.8 ล้านล้านตัว รองรับ context 1M โทเค็น และให้บริการผ่าน API model ID kimi-k3

Kimi K3 มีพารามิเตอร์เท่าไร?

K3 มีพารามิเตอร์รวม 2.8 ล้านล้านตัว และเปิดใช้ expert 16 จาก 896 ตัวต่อโทเค็น Moonshot ยังไม่ได้เปิดเผยจำนวนพารามิเตอร์ active ที่แน่นอน จึงไม่ควรอ้างตัวเลข active parameters เฉพาะเจาะจงเป็นข้อเท็จจริง

Kimi K3 API ราคาเท่าไร?

Cache-hit input: $0.30 / 1M tokens
Cache-miss input: $3.00 / 1M tokens
Output: $15.00 / 1M tokens

ดูรายละเอียดเพิ่มเติมใน การวิเคราะห์ราคา Kimi K3

Kimi K3 เป็นโอเพนซอร์สหรือไม่?

ไม่ใช่ในวันเปิดตัว Moonshot ระบุว่าจะเผยแพร่น้ำหนักโมเดลทั้งหมดภายในวันที่ 27 กรกฎาคม 2026 ก่อนถึงเวลานั้น K3 ใช้งานผ่านผลิตภัณฑ์ที่โฮสต์และ API แบบชำระเงิน

Kimi K3 ดีกว่า Claude Fable 5 หรือ GPT-5.6 Sol หรือไม่?

ไม่ Moonshot ระบุว่า K3 ยังตามหลังโมเดลกรรมสิทธิ์ที่ทรงพลังที่สุดเหล่านั้น อย่างไรก็ตาม K3 ได้ 57 คะแนนและอันดับ 4 จาก 189 โมเดลใน Artificial Analysis Intelligence Index

ใช้ Kimi K3 กับ OpenAI SDK ได้หรือไม่?

ได้ API ของ Moonshot เข้ากันได้กับ OpenAI SDK กำหนด base URL เป็น Kimi-compatible endpoint และใช้ kimi-k3 เป็น model ID ก่อนใช้งาน ให้ยืนยัน URL ล่าสุดที่ platform.kimi.ai

คุณสามารถตรวจสอบ request และ response ก่อนเชื่อมเข้ากับแอปได้ด้วย Apidog

Kimi K3 เร็วแค่ไหน?

Artificial Analysis วัดความเร็วเอาต์พุตได้ประมาณ 62 tokens ต่อวินาที และเวลาถึงโทเค็นแรกประมาณ 1.99 วินาที K3 เน้น reasoning depth มากกว่าความเร็วสูงสุด จึงควร benchmark เทียบกับโมเดลอื่นหาก latency เป็นข้อจำกัดหลัก

Kimi K3 ต่างจาก Kimi K2.7 Code อย่างไร?

K3 คือโมเดลเรือธงรุ่นถัดจากตระกูล K2 โดยมีสถาปัตยกรรม Attention ที่สร้างใหม่และ Moonshot ระบุว่ามีประสิทธิภาพการปรับขนาดดีกว่า K2 ประมาณ 2.5 เท่า ขณะที่ K2.7 Code ยังคงเป็นตัวเลือกที่แข็งแกร่งสำหรับงานเขียนโค้ดเฉพาะทาง

ดูการเปรียบเทียบโดยตรงได้ที่ Kimi K3 vs Kimi K2.7 Code

DEV Community