Kimi K3 چیست؟ معرفی کامل بزرگ‌ترین مدل هوش مصنوعی متن‌باز جهان

در ۲۵ تیر ۱۴۰۵ (۱۶ ژوئیه ۲۰۲۶)، شرکتِ چینیِ Moonshot AI مدلی را معرفی کرد که در کمتر از یک روز، صدرِ خبرهای هوش مصنوعیِ جهان را گرفت: Kimi K3 — یک مدلِ زبانیِ ۲٫۸ تریلیون پارامتری، با کانتکستِ یک‌میلیون‌توکنی و وزن‌های متن‌باز، که «بزرگ‌ترین مدلِ متن‌بازِ تاریخ» لقب گرفته و در ارزیابیِ سرشناسِ Frontend Code Arena رتبه‌ی اول جهان را از Claude و GPT ربوده است.

در این مقاله به‌طور کامل با Kimi K3 آشنا می‌شویم: شرکتِ سازنده، سیرِ تکاملِ خانواده‌ی Kimi، معماریِ نوآورانه‌اش، نتایجِ بنچمارک‌های تخصصی، تحلیلِ عمیقِ جایگاهش در Frontend Code Arena، مقایسه‌ی بی‌طرفانه با رقبای قدرتمند (Claude Fable 5، GPT-5.6، Gemini، DeepSeek)، قیمت‌گذاری، نقاط ضعف، و اینکه کاربرِ ایرانی چطور می‌تواند از آن استفاده کند. تلاش کرده‌ایم صادقانه‌ترین و کامل‌ترین مرجعِ فارسی درباره‌ی این مدل باشد.

Moonshot AI؛ شرکتی که «سمتِ تاریکِ ماه» را هدف گرفت

سازنده‌ی Kimi، شرکتِ Moonshot AI (به چینی: 月之暗面، یعنی «سمتِ تاریکِ ماه») است که در مارس ۲۰۲۳ توسطِ یانگ ژیلین (Yang Zhilin) و دو هم‌دانشگاهی‌اش از دانشگاه Tsinghua در پکن تأسیس شد. نامِ شرکت از آلبومِ مشهورِ The Dark Side of the Moon از Pink Floyd الهام گرفته شده. بنیان‌گذارِ آن دکترای Carnegie Mellon دارد و سابقاً در Google Brain و Meta کار کرده است.

Moonshot یکی از «شش ببرِ هوش مصنوعیِ چین» شناخته می‌شود و پشتیبانانِ سنگینی مثل علی‌بابا (Alibaba) و تنسنت (Tencent) دارد. ارزش‌گذاریِ آن از ۳٫۳ میلیارد دلار در ۲۰۲۴ به حدودِ ۲۰ میلیارد دلار در مه ۲۰۲۶ رسید و در زمانِ عرضه‌ی K3، خبر از دورِ جدیدِ جذبِ سرمایه با ارزش‌گذاریِ ~۳۱٫۵ میلیارد دلار منتشر شد. «Kimi» نامِ اپلیکیشن و چت‌باتِ مصرفیِ این شرکت است (kimi.com) که در چین به‌خاطرِ کانتکستِ طولانی و قابلیت‌های agentic شهرت دارد.

سیرِ تکاملِ خانواده‌ی Kimi: از K2 تا K3

برای فهمِ جایگاهِ K3، بد نیست مسیری که Moonshot در یک سال طی کرد را ببینیم. سرعتِ این پیشرفت، خودش بخشی از داستان است:

مدل	زمان انتشار	ویژگیِ کلیدی
Kimi K2	جولای ۲۰۲۵	۱ تریلیون کل / ۳۲ میلیارد فعال (MoE)؛ مدلی که Moonshot را مشهور کرد
K2-Instruct-0905	سپتامبر ۲۰۲۵	بهبودِ کدنویسیِ فرانت‌اند + کانتکست ۱۲۸K→۲۵۶K
K2 Thinking	نوامبر ۲۰۲۵	نسخه‌ی استدلالی؛ استفاده‌ی درهم‌تنیده از ابزار؛ INT4 بومی
K2.5	ژانویه ۲۰۲۶	چندوجهی (multimodal)
K2.6	آوریل ۲۰۲۶	قوی‌ترین مدلِ متن‌بازِ آن زمان (طبق Artificial Analysis)
K2.7 Code	ژوئن ۲۰۲۶	تمرکز بر کدنویسی
Kimi K3	۱۶ جولای ۲۰۲۶	پرچم‌دارِ فعلی؛ ۲٫۸ تریلیون پارامتر، کانتکست ۱ میلیون

معماریِ Kimi K3: چه چیزی آن را خاص می‌کند؟

K3 صرفاً یک مدلِ «بزرگ‌تر» نیست؛ چند نوآوریِ معماری دارد که آن را از نسل‌های قبل جدا می‌کند:

• ۲٫۸ تریلیون پارامتر (MoE): بزرگ‌ترین مدلِ متن‌بازِ تاریخ. از معماریِ «ترکیبِ متخصص‌ها» استفاده می‌کند و در هر مرحله فقط ۱۶ متخصص از ۸۹۶ متخصص را فعال می‌کند (چارچوبِ Stable LatentMoE). این یعنی با وجودِ اندازه‌ی عظیم، هزینه‌ی محاسباتیِ هر توکن معقول می‌ماند.
• Kimi Delta Attention (KDA): یک مکانیزمِ «توجهِ خطیِ» نوآورانه که به‌جای نگه‌داشتنِ یک KV cacheِ روبه‌رشد، از یک حالتِ بازگشتیِ ثابت استفاده می‌کند. همین باعث می‌شود کانتکستِ ۱ میلیونی ممکن شود و رمزگشایی تا ۶٫۳ برابر سریع‌تر در کانتکست‌های میلیونی انجام شود.
• Attention Residuals (AttnRes): بازنمایی‌ها را در عمقِ شبکه به‌طور انتخابی بازیابی می‌کند و حدودِ ۲۵٪ کاراییِ آموزش را بالا می‌برد.
• کانتکستِ ۱ میلیون توکن: می‌تواند کتاب‌ها، کدبیس‌های کامل و اسنادِ عظیم را یک‌جا پردازش کند.
• چندوجهیِ بومی: ورودیِ تصویر و ویدیو را به‌صورتِ بومی می‌فهمد.
• آموزشِ آگاه از کوانتیزیشن (MXFP4): از همان مرحله‌ی SFT با وزن‌های MXFP4 آموزش دیده، پس نسخه‌ی سبک‌شده‌اش هم کیفیت را حفظ می‌کند.

نکته‌ی مهم و صادقانه: در زمانِ نگارشِ این مقاله، K3 از طریقِ اپ و API در دسترس است، اما وزن‌های متن‌بازش هنوز منتشر نشده — Moonshot اعلام کرده وزن‌ها را تا حدودِ ۲۷ جولای ۲۰۲۶ منتشر می‌کند. پس فعلاً «دانلود و اجرای محلیِ K3» ممکن نیست.

بنچمارک‌ها: K3 در برابر پرچم‌دارانِ غرب

Moonshot در زمانِ عرضه، جدولی از نتایجِ K3 در برابرِ قوی‌ترین مدل‌های جهان منتشر کرد. توجه کنید که این اعداد خودگزارش‌شده (vendor-reported) هستند و بنچمارک‌های K3 نسلِ جدیدی‌اند (نه SWE-bench Verified یا AIMEِ کلاسیک). با این حال تصویرِ خوبی از جایگاهِ مدل می‌دهند. اعدادِ پررنگ، بردِ K3 را نشان می‌دهند:

بنچمارک	Kimi K3	Claude Fable 5	GPT-5.6 Sol	Opus 4.8	GLM-5.2
Program Bench (کدنویسی)	۷۷٫۸	۷۶٫۸	۷۷٫۶	۷۱٫۹	۶۳٫۷
SWE Marathon (کدِ طولانی)	۴۲٫۰	۳۵٫۰	۳۹٫۰	۴۰٫۰	۱۳٫۰
DeepSWE	۶۷٫۵	۷۰٫۰	۷۳٫۰	۵۹٫۰	۴۶٫۲
Terminal-Bench 2.1	۸۸٫۳	۸۴٫۶	۸۸٫۸	۸۴٫۶	۸۲٫۷
FrontierSWE	۸۱٫۲	۸۶٫۶	۷۱٫۳	۶۶٫۷	۶۷٫۳
BrowseComp (مرور وب)	۹۱٫۲	۸۸٫۰	۹۰٫۴	۸۴٫۳	—
Automation Bench	۳۰٫۸	۲۹٫۱	۲۹٫۷	۲۷٫۲	۱۲٫۹
GPQA-Diamond (علمی)	۹۳٫۵	۹۲٫۶	۹۴٫۱	۹۱٫۰	۹۱٫۲
HLE (بدون ابزار)	۴۳٫۵	۵۳٫۳	۴۴٫۵	۴۹٫۸	—
OmniDocBench (سند/تصویر)	۹۱٫۱	۸۹٫۸	۸۵٫۸	۸۷٫۹	—

جمع‌بندیِ خودِ Moonshot صادقانه است: K3 «در حدودِ ۳۵ آزمون جزوِ سه‌تای برتر و حدودِ ۷ بار اولِ مطلق» است، اما «تجربه‌ی کاربریِ کلی‌اش هنوز پشتِ Fable 5 و GPT-5.6 Sol قرار دارد.» به‌بیانِ ساده: K3 در لیگِ مدل‌های سطحِ اولِ جهان بازی می‌کند، اما هنوز قهرمانِ مطلق نیست — با این تفاوتِ بزرگ که متن‌باز است.

ارزیابیِ مستقل: شاخصِ هوشِ Artificial Analysis

مهم‌ترین ارزیابیِ مستقلِ ثالث، شاخصِ Artificial Analysis Intelligence Index است. در نسخه‌ی فعلیِ این شاخص (v4.1، جولای ۲۰۲۶)، رتبه‌بندی این‌طور است:

رتبه	مدل	امتیاز	نوع
۱	Claude Fable 5	۵۹٫۹	بسته
۲	GPT-5.6 Sol	۵۸٫۹	بسته
۳	Kimi K3	۵۷٫۱	متن‌باز
۴	Claude Opus 4.8	۵۵٫۷	بسته
۵	GPT-5.5	۵۴٫۸	بسته
۶	Grok 4.5	۵۳٫۸	بسته
۷	GLM-5.2 (بهترین متن‌بازِ قبلی)	۵۱٫۱	متن‌باز

این یعنی K3 سومین مدلِ باهوشِ جهان و با فاصله، باهوش‌ترین مدلِ متن‌باز است — فقط پشتِ دو مدلِ بسته‌ی آمریکایی. برای یک مدلی که هر کسی می‌تواند دانلود و روی سرورِ خودش اجرا کند، این دستاوردِ بزرگی است.

Frontend Code Arena: جایی که K3 قهرمانِ مطلق شد

حالا می‌رسیم به مهم‌ترین دستاوردِ K3. اما اول ببینیم Frontend Code Arena اصلاً چیست، چون خیلی‌ها آن را با ارزیابی‌های دیگر اشتباه می‌گیرند.

Frontend Code Arena دقیقاً چیست؟

Frontend Code Arena در واقع زیرشاخه‌ی «فرانت‌اندِ» Code Arenaی شرکتِ Arena.ai است — همان تیمی که ریشه در پروژه‌ی LMArena دانشگاهِ برکلی دارد. این ارزیابی، جانشینِ «WebDev Arena»ی قدیمی است و روشِ کارش این‌طور است:

• هر مدل به‌عنوان یک agent در محیطی ایزوله قرار می‌گیرد و با استفاده از ابزارهایی مثل «ساختِ فایل» و «ویرایشِ فایل»، یک وب‌اپلیکیشنِ واقعی و تعاملی را از روی یک درخواست می‌سازد.
• خروجیِ دو مدل کنارِ هم به کاربرانِ انسانی نشان داده می‌شود و آن‌ها رأیِ ترجیحی می‌دهند. هیچ داورِ ماشینی‌ای در کار نیست — «هر امتیاز، قضاوتِ انسانی است.»
• معیارها سه‌تاست: کارکرد (Functionality)، کاربردپذیری (Usability) و وفاداری به طراحیِ درخواست‌شده (Fidelity).
• رتبه‌بندی با مدلِ آماریِ Bradley–Terry (شبیهِ Elo) و بر اساسِ نرخِ بردِ رودررو محاسبه می‌شود.

نکته‌ی مهم: این ارزیابی را با «Design Arena» (که شرکتِ دیگری است) یا نسخه‌ی قدیمیِ WebDev Arena اشتباه نگیرید. Frontend Code Arena به‌طور خاص ساختِ کدِ فرانت‌اند به‌صورتِ agentic را می‌سنجد.

نتیجه: K3 در صدر

در روزِ عرضه (۱۶–۱۷ جولای ۲۰۲۶)، Kimi K3 با امتیازِ ۱۶۷۹ در صدرِ جدول نشست و از Claude Fable 5 و GPT-5.6 Sol جلو زد — با نرخِ بردِ حدودِ ۷۶٪ در برابرِ Fable 5. این یک جهشِ ۱۷ پله‌ای نسبت به K2.6 بود.

رتبه	مدل	امتیاز (Elo)
۱	Kimi K3	۱۶۷۹
۲	Claude Fable 5	۱۶۳۱
۳	GPT-5.6 Sol XHigh	۱۶۱۸
۴	GLM-5.2	۱۵۸۷
۵	Claude Opus 4.8 Thinking	۱۵۶۲
—	Grok-4.5	۱۵۵۸

جالب‌تر اینکه K3 در ۶ زیرشاخه از ۷ زیرشاخه‌ی فرانت‌اند اول شد (وب‌سایتِ برند و بازاریابی، طراحیِ مرجع‌محور، داشبوردِ داده و تحلیل، اپلیکیشنِ محصول، شبیه‌سازی، و ابزارهای تولیدِ محتوا) و فقط در یک زیرشاخه — بازی‌سازی (Gaming) — به Claude Fable 5 باخت. این نشان می‌دهد برتریِ K3 در ساختِ رابطِ کاربریِ وب، فراگیر است نه اتفاقی.

چرا Moonshot این‌قدر روی فرانت‌اند سرمایه‌گذاری کرد؟ چون از نسخه‌ی K2-0905 به بعد، «زیبایی و کاربردیِ بودنِ کدِ فرانت‌اند» را به‌عنوانِ سرفصلِ اصلیِ بهبودها معرفی کرد و مدل را روی ساختِ کاملِ سایت‌ها با HTML/React/CSS آموزش داد. توسعه‌دهنده‌ها در Hacker News هم گزارش داده‌اند که مدل‌های چینی (از جمله Kimi) در ساختنِ رابط‌های گرافیکیِ یک‌مرحله‌ای و کارهای مبتنی بر SVG به‌طرزِ چشمگیری خوب عمل می‌کنند.

مقایسه با رقبای قدرتمند: Kimi کجا می‌بَرد و کجا می‌بازد؟

برای یک تصویرِ منصفانه، باید هم نقاطِ قوت و هم ضعف را دید. داده‌های نسل‌های پرسابقه‌ترِ Kimi (K2.6 و K2 Thinking) که بنچمارک‌های استانداردِ بیشتری دارند، تصویرِ دقیق‌تری می‌دهند.

جایی که Kimi می‌بَرد

• ساختِ فرانت‌اند و وب: رتبه‌ی ۱ در Frontend Code Arena (K3) — بردِ رودررو در برابرِ Claude و GPT.
• کارهای agentic و مرورِ وب: امتیازِ بالا در BrowseComp؛ توانِ اجرای ۲۰۰ تا ۳۰۰ فراخوانیِ ابزارِ پشتِ‌سرِهم بدونِ دخالتِ انسان.
• مهندسیِ نرم‌افزارِ چندزبانه: K2.6 در SWE-bench Pro و SWE-bench Multilingual از رقبا جلو زد.
• متن‌باز بودن + قیمت (تاریخی): بارها «بهترین مدلِ متن‌بازِ جهان» لقب گرفته و ارزانیِ نسل‌های K2 افسانه‌ای بود.
• کانتکستِ طولانی و اسنادِ بزرگ.

جایی که Kimi می‌بازد

• استدلالِ ناب و کدنویسیِ محض در برابرِ قله: در GPQA Diamond، AIME، LiveCodeBench و SWE-bench Verified هنوز پشتِ سرِ GPT-5.x و Claude است. مثلاً در لیدربوردِ Aider Polyglot، امتیازِ Kimi حدودِ ۵۹٪ است در حالی که GPT-5 به ۸۸٪ می‌رسد.
• سرعتِ پایین و پرحرفی (verbosity): این پرتکرارترین شکایتِ کاربران است. Kimi توکن‌های زیادی مصرف می‌کند؛ Simon Willison گزارش داد K3 برای یک پاسخِ ساده ۱۳٬۲۴۱ توکنِ استدلال سوزاند. همین پرحرفی، بخشی از صرفه‌جوییِ قیمتی را هم می‌بلعد.
• توهم و اتکاپذیری: نرخِ توهمِ K2.6 حدودِ ۳۹٪ گزارش شد (بهتر از نسل قبل اما بالاتر از Opus). گاهی منابع را در «تحقیقِ عمیق» از خودش می‌سازد.
• هشدارِ ستاره‌دار روی HLE: عددِ معروفِ «۴۴٫۹٪ در HLE» مربوط به حالتِ با ابزار است؛ بدونِ ابزار به حدودِ ۲۴٪ می‌رسد. اعدادِ خودگزارش‌شده معمولاً بهترین حالت را نشان می‌دهند.
• K3 هنوز تأییدِ مستقلِ کامل ندارد: چون فقط چند روز از عمرش می‌گذرد و وزن‌هایش هنوز منتشر نشده.

در تصویرِ بزرگ‌تر، Kimi بخشی از موجِ قدرتمندِ مدل‌های متن‌بازِ چینی است: در کنارِ DeepSeek (استدلالِ ناب و ارزان)، Qwen از علی‌بابا (رهبرِ چندزبانگی)، GLM از Zhipu، و MiniMax (کانتکستِ فوق‌طولانی). تحلیل‌گرانی مثل Nathan Lambert انتشارِ Kimi K2 را «لحظه‌ی دیپ‌سیکِ دوم» نامیدند — نشانه‌ای از اینکه فاصله‌ی مدل‌های متن‌باز با مرزِ بسته به «۴ تا ۶ ماه» رسیده است.

اگر می‌خواهید این رقبا را جداگانه بشناسید، این مقاله‌ها کمک می‌کنند: مدل‌های Claude، مدل‌های OpenAI، مدل‌های Gemini، مدل‌های Grok و شیائومی MiMo (یک مدلِ چینیِ دیگر). برای دیدِ کلی هم مقایسه‌ی بهترین مدل‌های هوش مصنوعی ۲۰۲۶ را ببینید.

قیمت‌گذاری: پایانِ عصرِ «هوش مصنوعیِ ارزانِ چینی»؟

یکی از جالب‌ترین بخش‌های داستانِ K3، قیمتش است. نسل‌های قبلیِ Kimi به‌طرزِ چشمگیری ارزان بودند، اما K3 قیمتش را بالا برد — به‌طوری‌که چند رسانه آن را «نشانه‌ی پایانِ عصرِ هوش مصنوعیِ فوق‌ارزانِ چینی» نامیدند. جدولِ زیر قیمتِ هر یک میلیون توکن را مقایسه می‌کند:

مدل	ورودی ($/M)	خروجی ($/M)
Claude Fable 5	۱۰٫۰	۵۰٫۰
GPT-5.6 Sol	۵٫۰	۳۰٫۰
Claude Opus 4.8	۵٫۰	۲۵٫۰
Kimi K3	۳٫۰	۱۵٫۰
Gemini 3.1 Pro	۲٫۰	۱۲٫۰
GLM-5.2	۱٫۴	۴٫۴
Kimi K2.6	۰٫۹۵	۴٫۰
Kimi K2 Thinking	۰٫۶	۲٫۵
DeepSeek V4	۰٫۴۳	۰٫۸۷

پس «Kimi = ارزان» برای نسل‌های K2 درست است اما برای پرچم‌دارِ K3 دیگر صدق نمی‌کند: قیمتش دقیقاً برابرِ Claude Sonnet است. با این حال، هنوز از Fable 5 و GPT-5.6 به‌مراتب ارزان‌تر است و مهم‌تر اینکه چون متن‌باز است، می‌توانید نسخه‌ی خودمیزبان را بدونِ هزینه‌ی توکن اجرا کنید.

چطور از Kimi استفاده کنیم؟

• وب و اپ: از طریقِ kimi.com با حالت‌های Instant (سریع)، Thinking (استدلالی)، Agent و Agent Swarm (کارهای موازیِ بزرگ). حالت‌های Agent می‌توانند سند، اسلاید، شیت و وب‌سایت بسازند.
• API: از platform.kimi.ai (سازگار با OpenAI)؛ شناسه‌ی مدل kimi-k3 با دو نسخه‌ی K3 Max و K3 Swarm Max.
• ابزارهای کدنویسی: Kimi رسماً در Claude Code (به‌صورتِ کاملاً پشتیبانی‌شده)، Roo Code، Cline و ابزارِ اختصاصیِ خودش Kimi Code CLI کار می‌کند. از طریقِ OpenRouter هم در دسترس است.
• دانلود (به‌زودی): وزن‌های متن‌باز روی huggingface.co/moonshotai و کدِ مرتبط روی github.com/MoonshotAI. توجه: مخزنِ K3 تا حدودِ ۲۷ جولای ۲۰۲۶ منتشر می‌شود؛ فعلاً نسخه‌های K2.6 و K2 Thinking قابلِ دانلودند.

می‌خواهید بدانید برای اجرای این مدل‌ها چه کارتِ گرافیکی لازم دارید؟ راهنمای کدام GPU برای کدام مدل هوش مصنوعی و اجرای مدل‌ها روی GPU ابری را بخوانید.

دسترسی از ایران و پشتیبانی از فارسی

اینجا به مهم‌ترین نکته برای مخاطبِ ایرانی می‌رسیم. برخلافِ مدل‌های آمریکایی که برای کاربرانِ ایرانی مسدود هستند (OpenAI و Google دسترسیِ ایران را قطع کرده‌اند)، مدل‌های متن‌بازِ چینی مثل Kimi یک مزیتِ عملیِ بزرگ دارند: چون وزن‌هایشان متن‌باز و قابلِ دانلود است، می‌توان آن‌ها را روی سرورِ خود اجرا کرد — بدونِ نیاز به عبور از تحریم.

دو نکته را صادقانه بگوییم:

• دسترسیِ مستقیم به kimi.com و API از ایران: قطعی نیست. سرویس‌های چینی گاهی محدودیتِ جغرافیایی دارند و مانعِ اصلی هم پرداختِ دلاریِ API است. راهِ مطمئن، خودمیزبانیِ وزن‌های متن‌باز یا استفاده از ارائه‌دهنده‌های ثالثِ در دسترس است.
• کیفیتِ زبانِ فارسی: Kimi به‌صورتِ بومی دو‌زبانه (چینی + انگلیسی) است و هیچ بنچمارکِ مستقلی کیفیتِ فارسیِ آن را نسنجیده. اگر فارسی برایتان اولویت است، ممکن است Qwen (که ادعای چندزبانگیِ مستندتری دارد) گزینه‌ی بهتری باشد. توصیه می‌کنیم فارسی را خودتان تست کنید.

سوالات متداول

Kimi K3 چیست و چه کسی آن را ساخته؟
جدیدترین مدلِ هوش مصنوعیِ شرکتِ چینیِ Moonshot AI که در جولای ۲۰۲۶ منتشر شد؛ یک مدلِ متن‌بازِ ۲٫۸ تریلیون پارامتری با کانتکستِ ۱ میلیون توکن که در Frontend Code Arena رتبه‌ی اولِ جهان را گرفت.

آیا Kimi K3 واقعاً از GPT و Claude بهتر است؟
بستگی به کار دارد. در ساختِ فرانت‌اند (Frontend Code Arena) اول است و از هر دو جلو زده. اما در شاخصِ کلیِ هوش، سومِ جهان است (پشتِ Claude Fable 5 و GPT-5.6 Sol) و در استدلالِ ناب و کدنویسیِ محض هنوز کمی عقب‌تر است. مزیتِ کلیدی‌اش این است که متن‌باز و قابلِ خودمیزبانی است.

Frontend Code Arena چیست؟
زیرشاخه‌ی فرانت‌اندِ «Code Arena»ی Arena.ai که در آن مدل‌ها به‌صورتِ agent یک وب‌اپِ واقعی می‌سازند و کاربرانِ انسانی بینِ خروجیِ دو مدل رأیِ ترجیحی می‌دهند. معیارها: کارکرد، کاربردپذیری و وفاداری به طراحی.

آیا Kimi K3 متن‌باز و رایگان است؟
بله، وزن‌هایش متن‌باز است (احتمالاً با مجوزِ Modified MIT). البته در زمانِ عرضه، وزن‌ها هنوز منتشر نشده بود و Moonshot اعلام کرد آن‌ها را تا حدودِ ۲۷ جولای ۲۰۲۶ منتشر می‌کند. استفاده از API پولی است.

هزینه‌ی استفاده از Kimi K3 چقدر است؟
هر یک میلیون توکنِ ورودی ۳ دلار و خروجی ۱۵ دلار (معادلِ Claude Sonnet). این از نسل‌های قبلیِ Kimi گران‌تر است اما از Fable 5 و GPT-5.6 ارزان‌تر. نسخه‌ی خودمیزبان هزینه‌ی توکن ندارد.

آیا از ایران می‌توان از Kimi استفاده کرد؟
دسترسیِ مستقیم به سایت و API قطعی نیست، اما چون مدل متن‌باز است می‌توان وزن‌ها را دانلود و روی سرورِ خود (مثلاً GPU ابری) اجرا کرد — بدونِ محدودیتِ تحریم.

Kimi برای اجرای محلی چه سخت‌افزاری می‌خواهد؟
K3 یک مدلِ عظیمِ ۲٫۸ تریلیونی است و برای اجرا به چند GPUِ دیتاسنتری (به‌صورتِ چندکارتی/چندنودی با vLLM یا SGLang) نیاز دارد. کوانتیزیشنِ MXFP4 کمک می‌کند اما این مدل برای زیرساختِ سنگین است، نه یک کارتِ خانگی.

جمع‌بندی

Kimi K3 یک نقطه‌ی عطف است: برای اولین بار، یک مدلِ متن‌باز در یکی از ارزیابی‌های مهم (ساختِ فرانت‌اند) قهرمانِ مطلقِ جهان شد و در شاخصِ کلیِ هوش هم به رتبه‌ی سومِ جهان رسید — آن‌هم از یک شرکتِ چینی که تنها یک سال پیش با K2 واردِ میدان شد. این یعنی فاصله‌ی «متن‌باز» با «مرزِ بسته» هیچ‌وقت به این کمی نبوده است.

اما تصویرِ کامل، متعادل است: K3 در استدلالِ ناب هنوز پشتِ قله است، کند و پرحرف است، و قیمتش دیگر آن ارزانیِ افسانه‌ایِ نسل‌های قبل را ندارد. با این حال، برای هر کسی که به یک مدلِ سطحِ اولِ قابلِ خودمیزبانی نیاز دارد — به‌خصوص کاربرانِ ایرانی که دسترسی به مدل‌های غربی برایشان محدود است — Kimi K3 یکی از بهترین گزینه‌های روی میز است. کافی است زیرساختِ سخت‌افزاریِ مناسب را فراهم کنید.