Kimi K3: què aporta el model de 2,8 bilions de paràmetres

Moonshot AI ha presentat Kimi K3, un model de 2,8 bilions de paràmetres totals, context d’un milió de tokens i entrada multimodal. El vídeo de Fireship en fa una introducció ràpida i provocadora: l’interès no és només la mida, sinó la promesa d’alliberar-ne els pesos i la proximitat amb els models propietaris més potents.

Hi ha, però, una precisió temporal imprescindible. En el moment d’aquesta publicació, 26 de juliol de 2026, Kimi K3 ja es pot utilitzar als serveis de Kimi i per API, però Moonshot situa l’alliberament complet dels pesos el 27 de juliol. Per tant, encara no es pot descriure com un model de pesos oberts ja descarregable; és un llançament amb aquesta obertura anunciada.

1. Què és exactament Kimi K3?

Fireship presenta el model des de l’inici com un salt important per als models oberts (00:00). Les especificacions publicades per Moonshot són:

• 2,8 bilions de paràmetres totals;
• una finestra de context d’un milió de tokens;
• comprensió nativa de text i imatges;
• orientació a programació de llarga durada, recerca i treball amb eines;
• arquitectura Mixture of Experts o MoE.

En català, el trillion anglès correspon a un bilió —10 elevat a 12—, no a un “trilió”. La xifra descriu la mida total del sistema, però no equival al càlcul executat per cada token.

2. 896 experts, però només 16 actius per token

El vídeo explica l’arquitectura MoE a partir del minut 00:46. Kimi K3 disposa de 896 experts encaminats i n’activa 16 per token. Aquesta sparsitat permet augmentar molt la capacitat total sense executar tota la xarxa en cada pas.

Moonshot atribueix una millora aproximada de 2,5 vegades en eficiència d’escalat respecte de Kimi K2 a una combinació de:

• Kimi Delta Attention (KDA), una forma d’atenció híbrida pensada per reduir el cost de les seqüències llargues;
• Attention Residuals, que recupera representacions de diferents profunditats en lloc d’acumular-les sempre de manera uniforme;
• Stable LatentMoE, responsable de l’encaminament entre experts;
• entrenament conscient de quantització amb pesos MXFP4 i activacions MXFP8.

Són afirmacions i resultats del fabricant. El mateix blog oficial avisa que el detall tècnic complet arribarà amb l’informe del model. Fins que no hi hagi pesos, codi, metodologia i reproduccions independents, cal separar l’arquitectura anunciada del que tercers han pogut comprovar.

3. “Obert” no vol dir fàcil d’executar a casa

Fireship aborda l’autohostatge a 01:35: encara que els pesos siguin públics, un model de 2,8 bilions de paràmetres queda molt lluny d’una GPU domèstica. La mateixa Moonshot recomana configuracions de 64 acceleradors o més per a desplegaments eficients.

La quantització redueix la memòria necessària, però no elimina la necessitat de:

• carregar un conjunt gegantí de pesos;
• comunicar experts entre diversos acceleradors;
• mantenir memòria per al context i les memòries cau;
• disposar d’una capa de servei, observabilitat i control de costos.

L’obertura dels pesos és rellevant perquè laboratoris, núvols i empreses amb infraestructura poden allotjar-lo o adaptar-lo. No significa que qualsevol usuari el pugui instal·lar en un portàtil, ni que l’API deixi de tenir valor.

4. Els benchmarks són prometedors, no una sentència

La part central del vídeo repassa resultats a partir de 01:54. Moonshot mostra K3 molt competitiu en programació agentiva, feina de coneixement, navegació i creació d’interfícies. Artificial Analysis el situa entre els models capdavanters del seu índex, però per sota dels dos sistemes propietaris que Moonshot mateix identifica com a referència general.

El detall important arriba a 02:15: no tots els resultats són directament comparables. En algunes files, K3 utilitza Kimi Code; altres models s’han executat amb Claude Code, Codex o entorns de tercers. També canvien l’esforç de raonament, els límits de temps, els fallbacks i el maquinari.

Per interpretar bé una taula cal preguntar:

• qui ha executat cada prova;
• amb quin agent o harness;
• quants intents s’han permès;
• quin cost i quina latència ha tingut la tasca;
• si el conjunt de dades és públic o privat;
• si els resultats han estat reproduïts per una entitat independent.

El mateix anunci de Moonshot reconeix que K3 encara queda per darrere dels millors models propietaris en rendiment global i experiència d’ús. Aquesta cautela és més informativa que comptar només les cel·les on queda primer.

5. Molts paràmetres no equivalen automàticament a més qualitat

Els 2,8 bilions són una dada arquitectònica, no una puntuació d’intel·ligència. En un MoE només una fracció dels experts participa en cada token. A més, la qualitat depèn de les dades, l’entrenament, l’ajust posterior, les eines, el context i l’avaluació.

Fireship també assenyala que K3 pot ser lent i verbós i cita una mètrica d’al·lucinacions elevada en la fotografia del rànquing que consulta (02:33). Aquestes xifres canvien quan evolucionen el model o la metodologia, però recorden una regla útil: una puntuació agregada alta no garanteix respostes fiables en una aplicació concreta.

Per adoptar-lo, una empresa hauria de crear un conjunt propi de casos, mesurar errors factuals, validar el codi generat, registrar el model i la configuració utilitzats i comparar el cost total per resultat correcte.

6. La demanda ja ha exposat el coll d’ampolla

El vídeo explica a 01:23 que l’allau de demanda va obligar Kimi a limitar noves subscripcions. Associated Press va recollir que Moonshot prioritzava els clients existents mentre ampliava capacitat.

Aquest episodi mostra les dues cares de l’estratègia. Una API pròpia permet controlar l’experiència i cobrar pel servei, però requereix moltíssima infraestructura. Uns pesos descarregables permeten que tercers aportin còmput i distribució, encara que no resolguin la complexitat tècnica del model.

El preu oficial anunciat per l’API és de 0,30 dòlars per milió de tokens d’entrada quan hi ha encert de memòria cau, 3 dòlars sense memòria cau i 15 dòlars per milió de tokens de sortida. El cost real dependrà de la longitud de les respostes, l’ús d’eines, les repeticions i la taxa d’encert de la memòria cau.

7. Pesos oberts no és necessàriament codi obert

El vídeo utilitza sovint “open source”, però el terme més prudent és pesos oberts. La definició 1.0 de l’Open Source Initiative exigeix, a més dels paràmetres, accés suficient al codi i a la informació sobre les dades per estudiar, modificar i reproduir el sistema.

Moonshot ha promès publicar els pesos. En la informació disponible abans del 27 de juliol, encara no s’ha documentat prou tot el procés d’entrenament per donar per fet que compleix aquesta definició més exigent. És una diferència important per a recerca, auditoria, llicències i traçabilitat.

8. La batalla és també comercial i geopolítica

A partir de 03:00, Fireship interpreta K3 com una pressió sobre els laboratoris nord-americans i sobre possibles restriccions als models xinesos. Aquesta és la part més opinativa del vídeo.

La competència oberta pot reduir preus, facilitar desplegaments privats i evitar dependència d’un únic proveïdor. Alhora, un model de frontera distribuït sense control central planteja qüestions de seguretat, procedència de les dades i responsabilitat. Cap d’aquests debats queda resolt per un benchmark.

La millor lectura no és que la Xina “hagi guanyat” ni que els models tancats hagin deixat de tenir sentit. Kimi K3 demostra que la distància entre ecosistemes s’ha reduït i que la forma de distribuir un model pot ser tan estratègica com la seva puntuació.

Conclusions principals

Kimi K3 combina una escala extraordinària amb una arquitectura molt dispersa: 896 experts, 16 d’actius per token, context d’un milió i capacitats multimodals. Les primeres proves el situen prop de la frontera i especialment fort en programació i feina agentiva.

Les limitacions són igualment clares. Els pesos encara estaven programats per a l’endemà d’aquest article, executar-lo localment exigeix infraestructura de centre de dades i moltes comparacions provenen del fabricant o utilitzen entorns diferents.

La notícia duradora no és només el nombre “2,8 bilions”. És que un laboratori xinès vol convertir un model gairebé de frontera en infraestructura que altres puguin allotjar, adaptar i incorporar als seus productes. Quan els pesos siguin efectivament disponibles, començarà la comprovació independent de debò.