Модели Kimi (Moonshot AI) — обзор и сравнение

Moonshot AI и архитектура линейки Kimi

Moonshot AI основана в 2023 году в Пекине и с самого начала выбрала узкую специализацию — длинный контекст и агентные способности, а не попытка быть «ещё одним универсальным чат-ботом». В январе 2025 года компания заметно потеряла позиции на фоне взрывного роста DeepSeek, но сделала ставку на открытые веса и разработчиков — и это привело к Kimi K3, самому обсуждаемому открытому релизу 2026 года.

Технически линейка построена на MoE-архитектуре (Mixture-of-Experts): на каждый токен активируется лишь небольшая часть от общего числа параметров. У K2 это порядка 32 млрд активных параметров при 1 трлн общих. У K3 экспертов стало намного больше — 896 штук, из которых на каждый токен включаются только 16, а эффективная стоимость инференса сопоставима с плотной моделью на ~50 млрд параметров при заявленных 2.8 трлн общих. Именно такая архитектура позволяет Kimi оставаться одной из самых доступных по цене моделей флагманского уровня, несмотря на огромный номинальный размер.

От базовой K2 линейка разошлась в три специализированные ветки: K2.6 (универсальная), K2.7 Code (агентное программирование) и K2 Thinking (расширенное рассуждение). K3 — не четвёртая ветка K2, а следующее поколение архитектуры целиком, с новым механизмом внимания и на порядок большим контекстом.

Kimi K3 — новый флагман: 2.8 трлн параметров и контекст на миллион токенов

Что изменилось в архитектуре

Moonshot заявляет о 2.5-кратном росте эффективности масштабирования по сравнению с K2 — то есть K3 конвертирует то же количество вычислений в заметно больше полезного интеллекта. За это отвечают два новых компонента. Kimi Delta Attention (KDA) — гибридный механизм внимания, который держит вычислительную стоимость линейной там, где обычное attention растёт квадратично с длиной последовательности. По данным Moonshot, KDA даёт до 6.3× более быстрый decoding именно на контекстах в районе миллиона токенов — без этого 1M-контекст был бы экономически неоправданным.

Attention Residuals (AttnRes) — второй компонент, отвечающий за то, как информация проходит по глубине сети, а не по длине последовательности. По заявлению Moonshot, это даёт около 25% прироста эффективности обучения при менее чем 2% дополнительных вычислений. Третий элемент — Stable LatentMoE, фреймворк балансировки нагрузки между экспертами, без которого обучение MoE-модели с таким уровнем разреженности (16 из 896 экспертов) было бы нестабильным.

Показательная деталь из релиза: команда Moonshot прогнала K3 на задаче оптимизации собственного тренировочного kernel'а AttnRes (96 слоёв, размерность модели 8192, 8192 токена). За 15 часов непрерывных итераций модель спроектировала новый двухфазный алгоритм kernel'а и сократила время forward+backward прохода с 283.6 мс до 114.4 мс — без ограничения в 50 шагов, просто предоставленная сама себе.

Что подтверждают независимые бенчмарки

Самый надёжный результат запуска — независимо подтверждённый: на Arena Frontend Code Arena (слепое сравнение реальными разработчиками) Kimi K3 набрала 1679 очков и заняла первое место, обойдя Claude Fable 5 (1631) и GPT-5.6 Sol (1618), с win rate 76% в парных сравнениях. Это первое открытое место в истории этого рейтинга на такой позиции.

По общему индексу интеллекта Artificial Analysis (v4.1) K3 набирает 57.1 балла и занимает четвёртое место из 189 моделей — позади Claude Fable 5 (59.9) и GPT-5.6 Sol Max (58.9), но заметно опережая Claude Opus 4.8. На GPQA-Diamond у K3 — 93.5%, лучший результат среди открытых моделей на момент запуска. Модель также лидирует на BrowseComp (91.2%), SpreadsheetBench 2 (34.8) и Automation Bench (30.8), а на SWE Marathon — бенчмарке многочасовой инженерной работы — набирает 42.0 против 40.0 у Claude Opus 4.8, тогда как GPT-5.5 и GLM-5.2 на этой же задаче скатываются к 14 и 13 баллам соответственно.

На классическом FrontierSWE K3 набирает 81.2% — второе место после Claude Fable 5 (86.6%), но заметно впереди Claude Opus 4.8 (66.7%) и GPT-5.5 (64.9%). Картина в целом: K3 регулярно попадает в топ-3 практически по всем направлениям, иногда выигрывает вчистую, но не претендует на звание самой умной модели в мире — этот титул по индексу Artificial Analysis всё ещё держат Claude Fable 5 и GPT-5.6 Sol Max.

Что важно знать перед продакшеном

Есть нюанс, который Moonshot не выносит в свои бенчмарк-графики. На AA-Omniscience — бенчмарке Artificial Analysis, измеряющем фактическую точность, — доля галлюцинаций у K3 выросла с 39% у предыдущей K2.6 до примерно 51%. При этом модель одновременно стала точнее в правильных ответах (33% → 46%) — то есть она чаще отвечает верно, но заметно хуже понимает, когда ошибается. Для контекста: у Claude Fable 5 на том же бенчмарке показатель галлюцинаций — 54.9%, так что абсолютное значение K3 не выбивается из общего ряда, но рост на 12 п.п. за одно поколение стоит учитывать в задачах, где фактическая точность критична — юридические, медицинские, финансовые.

Скорость генерации у K3 — около 62 токенов в секунду по замерам Artificial Analysis, тогда как у Claude Fable 5 это 71 т/с, а у GPT-5.6 Sol — 85 т/с. Для интерактивных сценариев с мгновенным ответом разница ощутима. Сама Moonshot также открыто указывает на три ограничения в блоге релиза: модель чувствительна к сохранности истории рассуждений между шагами агента (если харнесс обрезает или меняет цепочку мыслей, качество заметно падает), K3 «избыточно проактивна» в неоднозначных агентных сценариях — предпочитает действовать, а не уточнять задачу, а общий разговорный UX пока уступает Fable 5 и GPT-5.6 Sol.

И главное: открытые веса K3 обещаны на 27 июля 2026 года под модифицированной MIT-лицензией — на момент публикации этого материала они ещё не опубликованы. Формально анонсированная как open-weight, сегодня модель доступна только через хостед API и приложение Kimi. Даже когда веса выйдут, самостоятельный запуск потребует серьёзной инфраструктуры: при квантовании MXFP4 вес модели — около 1.4 ТБ, а Moonshot рекомендует конфигурацию из 64+ ускорителей в одном высокоскоростном интерконнекте (нативная поддержка MXFP4 — это NVIDIA Blackwell или AMD MI400). Для сравнения, K2.6 и K2.7 Code в квантованном виде можно поднять на кластере из 8 GPU — с K3 такой вариант не сработает.

Линейка K2 — три модели, три разных фокуса

Kimi K2.6 — универсальная рабочая модель

K2.6 — модель, вокруг которой построена основная экосистема Kimi, и именно её открытие весов в апреле 2026 сделало Kimi вторым по популярности LLM на OpenRouter. У неё нет узкой специализации, но именно это делает её удобным выбором по умолчанию: одна модель закрывает и чат, и агентные сценарии, и работу с кодом среднего уровня сложности. Контекст 200K токенов и лимит вывода 32K — достаточно для большинства практических задач, а самостоятельный запуск не требует инфраструктуры уровня K3.

Отдельный практический момент, о котором стоит знать: K2.6 — одна из немногих моделей, которая стабильно проходит верификацию и работает в Agent Mode популярных AI-редакторов вроде Cursor через кастомные OpenAI-совместимые endpoint'ы. Брендированные модели Anthropic и OpenAI через такие endpoint'ы часто спотыкаются на верификации ключа или ломают tool calling после очередного обновления редактора — у K2.6 эта проблема практически не встречается, потому что модель изначально проектировалась под открытые агентные сценарии, а не под закрытый API одного вендора.

Kimi K2.7 Code и лидерство на MCP Mark Verified

K2.7 Code — логичное развитие K2.6 в сторону узкой специализации. Главное отличие не в сыром качестве кода, а в том, как модель ведёт себя на длинных дистанциях: в сессиях с сотнями вызовов инструментов K2.7 Code расходует заметно меньше токенов на единицу полезной работы, чем K2.6. Для агентных пайплайнов, где счёт идёт на тысячи tool-вызовов, это прямая экономия, а не абстрактное улучшение.

На MCP Mark Verified — бенчмарке, оценивающем качество работы модели с инструментами через Model Context Protocol, — K2.7 Code лидирует среди открытых моделей своего поколения. Контекст увеличен до 256K токенов, что важно при работе с крупными монорепозиториями, где даже 200K иногда не хватает, чтобы удержать весь релевантный контекст в одном запросе.

Kimi K2 Thinking — когда важна глубина, а не скорость

K2 Thinking решает задачу, для которой K2.6 и K2.7 Code подходят слабо — многошаговую логику и математику, где ошибка на промежуточном шаге портит весь результат. Модель разворачивает более длинную цепочку рассуждений перед финальным ответом, за счёт чего заметно точнее на AIME, HMMT и похожих задачах. Плата за это — увеличенный лимит вывода (64K токенов) и выше латентность: для интерактивных сценариев с мгновенным ответом K2 Thinking не лучший выбор, для оффлайн-анализа и многошаговых расчётов — да.

K2.7 Code против других открытых моделей

Сравнение по бенчмаркам агентного кодирования

Ниже — сводная таблица по ключевым бенчмаркам агентного кодирования и рассуждения для линейки K2 (без K3 — она разобрана в отдельной таблице выше). Синим выделены модели линейки Kimi, жирным — лучший результат в каждой строке.

Главный вывод из таблицы: на MCP Mark Verified Kimi K2.7 Code — лучший результат среди открытых моделей своего поколения (GLM-5.1, Qwen3.6+, DeepSeek V4), хотя закрытые Claude Opus 4.8 и GPT-5.6 всё ещё немного впереди. На классическом SWE-Bench Pro Kimi уступает и GLM-5.1, и закрытым флагманам — это не универсальный лидер по коду, а модель с конкретным преимуществом в работе с инструментами и MCP-протоколом. Новая K3 идёт заметно дальше по абсолютным результатам (см. таблицу выше), но и стоит в разы больше K2.7 Code.

Где Kimi проигрывает

Честный разбор требует и слабых сторон на каждом уровне линейки. У K2.7 Code и K2 Thinking — отставание от GPT-5.6 и Claude Opus 4.8 на чистом рассуждении (HLE) на 8–10 пунктов, а GLM-5.1 обходит K2.7 Code на SWE-Bench Pro. У новой K3 — своя пара слабых мест: рост доли галлюцинаций до 51% на AA-Omniscience и более низкая скорость генерации (62 т/с против 71–85 у Claude Fable 5 и GPT-5.6 Sol). Плюс формально открытая модель, веса которой пока недоступны для скачивания.

Там, где Kimi реально выигрывает по всей линейке — это соотношение цена/качество, длинный контекст и специализация на агентных задачах и коде, а не абсолютное лидерство на каждом бенчмарке без исключений.

Kimi на практике — Cursor и агентные инструменты

Одна из причин, почему Kimi K2.6 стала популярной моделью в сообществе разработчиков — практическая совместимость с агентными IDE. В Cursor, например, брендированные модели Anthropic и OpenAI через кастомные OpenAI-совместимые endpoint'ы нередко спотыкаются на верификации ключа или теряют часть функциональности в Agent Mode и Composer после обновлений редактора. Kimi K2.6 и K2.7 Code проектировались именно под открытые агентные сценарии tool calling и проходят этот пайплайн стабильно — многие используют их как основную модель именно по этой причине, а не только из-за цены.

K3 в повседневных агентных редакторах пока используют реже — она в разы дороже K2.6/K2.7 Code, а её реальное преимущество проявляется на задачах с очень длинным контекстом или фронтенд-генерацией, а не на типовом ежедневном рефакторинге. Для большинства команд разумная стратегия — оставаться на K2.7 Code для повседневных агентных сессий и подключать K3 точечно, когда контекст или сложность задачи выходят за пределы 256K токенов.

Открытые веса и локальный запуск

K2.6, K2.7 Code и K2 Thinking распространяются с открытыми весами и доступны на Hugging Face, а также через NVIDIA NIM. Для локального запуска подходят vLLM и SGLang — оба инференс-сервера поддерживают MoE-архитектуру K2 из коробки, а квантованную версию можно поднять на кластере из 8 GPU.

У K3 всё сложнее. Полные веса обещаны на 27 июля 2026 под модифицированной MIT-лицензией, но даже когда они выйдут, речь не о запуске на домашнем железе: вес модели при квантовании MXFP4 — около 1.4 ТБ, а рекомендуемая Moonshot конфигурация — 64+ ускорителей в едином высокоскоростном интерконнекте на базе NVIDIA Blackwell или AMD MI400. По факту самостоятельный хостинг K3 на старте доступен только облачным провайдерам и крупным инференс-компаниям, а не разработчику с домашней GPU-стойкой. Для остальных — API-доступ через AITUNNEL без необходимости поднимать инфраструктуру такого масштаба.

Доступ к Kimi API из России

Прямое подключение к API Moonshot AI из России осложнено требованиями к верификации через китайский номер телефона или банковскую карту. AITUNNEL закрывает эту проблему: все модели линейки Kimi, включая K3, доступны через единый OpenAI-совместимый API без VPN, с оплатой в рублях и поддержкой юридических лиц.

Подключение занимает пару минут: регистрируетесь, пополняете баланс, получаете ключ вида sk-aitunnel- и меняете base_url на https://api.aitunnel.ru/v1/. Модели указываются как moonshotai/kimi-k3, moonshotai/kimi-k2.6, moonshotai/kimi-k2.7-code или moonshotai/kimi-k2-thinking — остальной код, включая tool calling и стриминг, работает без изменений.