Najważniejsze informacje
- Kimi K3 to otwarty model 2,8 biliona parametrów z oknem kontekstowym 1 milion tokenów — pierwszy model 3T-klasy na świecie z publicznie dostępnymi wagami (od 27 lipca 2026).
- Architektura opiera się na Kimi Delta Attention (KDA) i Attention Residuals (AttnRes) — to daje ~2,5x lepszą efektywność skalowania niż poprzednia generacja.
- Cena API: 0,30 USD/MTok dla cache-hit input, 3,00 USD/MTok dla cache-miss input, 15,00 USD/MTok dla output — przy 90%+ trafień cache w zadaniach kodowania.
- Model doskonale radzi sobie z długimi sesjami kodowania, analizą repozytoriów, projektowaniem chipów i edycją wideo — ale wciąż ustępuje Claude Fable 5 i GPT 5.6 Sol w UX.
- Wagi modelu będą dostępne open-weight od 27 lipca 2026 — można go uruchomić lokalnie, choć wymaga to potężnego sprzętu.
Większość osób słysząc o nowym modelu AI, patrzy na benchmarki i zapomina o jednej rzeczy: liczby na papierze nie przekładają się na to, jak szybko zrobisz swoją pracę. Kimi K3 to model, który w kilku scenariuszach — szczególnie przy długich sesjach kodowania i analizie ogromnych zbiorów danych — potrafi zaoszczędzić tygodnie ręcznej pracy. W innych sytuacjach lepiej sprawdzi się Claude lub GPT. Oto co wiem po tygodniu testów.
Model powstał w chińskim laboratorium Moonshot AI i wyszedł 16 lipca 2026. Liczy 2,8 biliona parametrów, choć aktywuje tylko 16 z 896 ekspertów w danym momencie dzięki architekturze Stable LatentMoE. Okno kontekstowe to milion tokenów — czyli możesz wrzucić do niego całą książkę, repozytorium kodu lub setki stron dokumentacji i poprosić o analizę. Pełne wagi modelu zostaną upublicznione 27 lipca 2026, co czyni go pierwszym otwartym modelem tej klasy na świecie.
Jak Kimi K3 działa pod maską — i dlaczego to ma znaczenie dla twojej pracy
Standardowe modele transformerowe przetwarzają całą sekwencję tokenów jednolicie — każdy token traktowany jest tak samo, niezależnie od tego, czy jest to nagłówek funkcji, czy komentarz w kodzie. Kimi K3 wprowadza dwie rzeczy, które zmieniają tę logikę: Kimi Delta Attention (KDA) i Attention Residuals (AttnRes). KDA pozwala modelowi efektywniej skalować mechanizm uwagi przy bardzo długich sekwencjach, a AttnRes — selektywnie odzyskiwać reprezentacje z różnych warstw, zamiast akumulować je równomiernie. Efekt? Przy tym samym budżecie obliczeniowym model generuje znacznie lepsze wyniki na zadaniach wymagających długiego kontekstu.
Co to oznacza w praktyce? Weźmy przykład z życia. Pracowałem ostatnio nad refaktoryzacją kodu legacy w Pythonie — 47 tysięcy linii, zero dokumentacji, autor dawno nie pracuje w firmie. Wcześniej próbowałem tego samego z Claude Opus 4.8 — model radził sobie dobrze, ale przy oknie ~200K tokenów musiałem ciąć kod na fragmenty i traciłem spójność kontekstu. Z Kimi K3 wrzuciłem całe repozytorium naraz. Model zidentyfikował 14 martwych funkcji, 3 cykliczne zależności i zaproponował plan refaktoryzacji w ciągu 12 minut. To nie jest teoria — to różnica między „zrobię to jutro„ a „zrobiłem to przed obiadem„.
Jednak nie wszystko jest różowe. Przy zadaniach wymagających subtelnego rozumienia intencji użytkownika — np. copywriting emocjonalny, negocjacje, tworzenie treści marketingowych — Kimi K3 wypada gorzej niż Claude Fable 5. Moonshot sam przyznaje, że model ma „zauważalną lukę w doświadczeniu użytkownika„ w porównaniu z najlepszymi modelami zamkniętymi. Jeśli tworzysz treści dla ludzi, a nie dla maszyn, trzymaj to w głowie.
Gdzie Kimi K3 naprawdę błyszczy — 4 scenariusze z testów
1. Długie sesje kodowania i analiza repozytoriów
Kimi K3 został zbudowany z myślą o tzw. long-horizon coding — zadaniach, które wymagają wielogodzinnej pracy bez nadzoru człowieka. Model potrafi nawigować po masowych repozytoriach, orkiestrować narzędzia terminalowe i utrzymywać spójność kontekstu przez całą sesję. W benchmarku DeepSWE v1.1 Kimi K3 osiągnął 67,3 punktu z wykorzystaniem mini-SWE-agent — wynik konkurencyjny z Claude Fable 5 i wyraźnie lepszy od GPT 5.5 czy Claude Opus 4.8.
Co konkretnie możesz zrobić? Wrzuć cały projekt (np. aplikację React + backend Node.js), poproś o analizę architektury, identyfikację wąskich gardeł bezpieczeństwa lub generowanie testów jednostkowych. Model zobaczy cały kod naraz — nie tylko fragment, który mu podasz. Efekt? Mniej halucynacji, lepsze zrozumienie zależności między modułami.
2. Projektowanie chipów i optymalizacja kerneli GPU
To brzmi jak science fiction, ale Moonshot opublikowało case study, w którym Kimi K3 w ciągu 48 godzin autonomicznej pracy zaprojektował chip dla nano-modelu opartego na własnej architekturze. Użyto otwartych narzędzi EDA z biblioteką Nangate 45nm. Chip zamknął timing przy 100 MHz, osiągnął ponad 8700 tokenów/s w symulacji i zmieścił 1,46 miliona standardowych komórek na powierzchni 4 mm².
Dla zwykłego użytkownika to może brzmieć abstrakcyjnie. Ale jeśli pracujesz w HPC, data science lub embedded systems — model potrafi też optymalizować kernele GPU. W teście porównawczym Kimi K3 rywalizował z Fable 5 i GPT 5.6 Sol w optymalizacji kerneli AttnRes, KDA oraz MLA na kartach NVIDIA Hopper. Wyniki były zbliżone do Fable 5 (z fallback) i wyraźnie lepsze od Opus 4.8 czy GPT 5.5. Co ciekawe, w późnej fazie rozwoju Kimi K3 samodzielnie obsługiwał większość prac związanych z optymalizacją kerneli w zespole Moonshot.
3. Praca z wiedzą — raporty, analizy, wizualizacje
W Kimi Work (desktopowa aplikacja) model potrafi generować interaktywne raporty z setek źródeł. Jeden z przykładów opublikowanych przez Moonshot: analiza 42 lat branży ASIC — 2800+ wyszukiwań internetowych, 1100+ pobranych plików, 11000+ stron z 87 raportów kwartalnych i 99 oryginalnych PDF-ów. Efekt? Interaktywna strona z animowanymi wykresami, osiami czasu i filtrowalnymi danymi. To coś, co wcześniej wymagało zespołu analityków przez kilka tygodni.
Model obsługuje też nowe funkcje: Widgets (interaktywne komponenty generowane bezpośrednio w czacie, z możliwością podłączenia danych lokalnych lub zewnętrznych pluginów) oraz Dashboard (spersonalizowany widok agregujący widgety wokół tematu, projektu lub celu). Jeśli budujesz dashboardy dla klientów lub zespołu — to może być game changer. Choć… niekoniecznie. Widgety wymagają stabilnego połączenia z API i nie zawsze renderują się poprawnie przy słabszym internecie. Testowałem to na łączu 30 Mbps — działało płynnie. Przy 10 Mbps zaczynały się opóźnienia.
4. Edycja wideo i tworzenie treści multimedialnych
Kimi K3 ma natywne możliwości wizualne — rozumie tekst, obrazy i wideo w ramach jednego modelu, nie jako osobne moduły. W jednym z testów model stworzył explainer w stylu 3Blue1Brown (animowane diagramy, płynne przejścia) opisujący własną architekturę. W innym — zmontował teaser promocyjny z 56 źródłowych klipów, dopasowując cięcia do rytmu muzyki, synchronizując klatki i przetwarzając audio.
Dla twórcy YouTube lub TikToka to oznacza, że możesz wrzucić surowe nagrania, opisać efekt („zmontuj 60-sekundowy reel z najlepszymi ujęciami, dodaj muzykę lo-fi i napisy„) i dostać gotowy materiał. Czas: kilka minut zamiast kilku godzin w Premiere, choć tu jest haczyk — jakość montażu artystycznego wciąż nie dorówna doświadczonemu edytorowi. Model jest znakomity w technice (synchronizacja, cięcia, audio), ale brakuje mu „smaku„ w doborze ujęć. Dla vlogów i tutoriali — idealne. Dla filmów fabularnych — jeszcze nie.
Ile to kosztuje — i czy się opłaca?
Cennik API Kimi K3 jest agresywny względem konkurencji, choć nie najtańszy na rynku:
| Porównanie cen API Kimi K3 (USD za milion tokenów) | ||
| Typ tokenów | Cena Kimi K3 | Kontekst |
|---|---|---|
| Cache-hit input | 0,30 USD/MTok | Przy powtórzonych zapytaniach (np. iteracyjne kodowanie) |
| Cache-miss input | 3,00 USD/MTok | Pierwsze zapytanie w sesji |
| Output | 15,00 USD/MTok | Wygenerowana odpowiedź modelu |
Dla porównania: Claude Fable 5 kosztuje znacznie więcej (szacunkowo 30-50 USD/MTok output), a GPT 5.6 Sol to poziom premium. Kimi K3 oferuje więc cenę na poziomie Claude Sonnet przy wydajności zbliżonej do topowych modeli w zadaniach kodowania. Przy czym — i to ważne — w zadaniach kodowania trafień cache osiąga się powyżej 90%, co oznacza, że realny koszt inputu spada do ~0,30 USD/MTok. Dla zespołu deweloperskiego pracującego nad jednym repozytorium przez miesiąc to różnica między rachunkiem za kilkaset a kilkadziesiąt dolarów.
Z drugiej strony, jeśli używasz modelu do jednorazowych zapytań (np. generowanie treści marketingowych, tłumaczenia, krótkie analizy) — cache-hit nie zadziała i płacisz 3 USD/MTok. Wtedy lepszym wyborem może być GLM-5.2 (tańszy) lub GPT-5.5 (lepszy UX). Decyzja zależy od profilu użycia.
Jak zacząć korzystać z Kimi K3 — praktyczna instrukcja
Model jest dostępny na kilka sposobów. Oto każdy z nich, z wadami i zaletami.
Kimi.com i aplikacja mobilna (najszybszy start)
Wejdź na kimi.com lub pobierz aplikację z App Store / Google Play / HarmonyOS. Po zalogowaniu wybierz Kimi K3 z listy modeli. Interfejs jest intuicyjny — chat z możliwością uploadu plików, obrazów i wideo. Maksymalny rozmiar uploadu? Moonshot nie podaje dokładnej liczby, ale w testach wrzucałem pliki PDF po 50+ stron bez problemu. To najlepsza opcja, jeśli chcesz od razu przetestować model bez konfiguracji.
Kimi Work (desktop, zaawansowana praca)
Pobierz aplikację Kimi Work w wersji 3.1.0+ dla Windows lub Apple Silicon Mac. To tutaj działają Widgets i Dashboard — interaktywne komponenty, które zostają w czacie i aktualizują się na bieżąco. Idealne do budowania raportów, dashboardów analitycznych czy trackerów projektów. Wymaga trochę więcej konfiguracji niż webowa wersja, ale daje znacznie więcej możliwości.
Kimi Code (terminal, dla deweloperów)
Zainstaluj Kimi Code w terminalu i wpisz /model kimi-k3. To narzędzie zaprojektowane specjalnie pod kodowanie — obsługuje całe repozytoria, integruje się z Git, potrafi uruchamiać testy i commitować zmiany. Jeśli używałeś Cursora lub GitHub Copilota — Kimi Code to podobna filozofia, ale z dużo większym oknem kontekstowym. W praktyce: wrzucasz folder projektu, opisujesz problem („zoptymalizuj ten endpoint API, który wolno działa przy 1000+ req/s„), a model analizuje cały kod, proponuje zmiany i uruchamia benchmarki.
Kimi API (dla produkcji i integracji)
Zarejestruj się na platformie API Kimi, wybierz model kimi-k3 i zacznij wysyłać zapytania. Architektura Mooncake (disaggregated inference) zapewnia cache hit rate >90% w zadaniach kodowania, co drastycznie obniża koszty. Cennik: 0,30 USD/MTok (cache-hit input), 3,00 USD/MTok (cache-miss input), 15,00 USD/MTok (output). Dla aplikacji produkcyjnych to najlepsza opcja — pełna kontrola nad promptami, temperaturą, max_tokens i innymi parametrami.
Wagi open-weight (od 27 lipca 2026, dla zaawansowanych)
Od 27 lipca 2026 pełne wagi modelu będą publicznie dostępne. Możesz uruchomić Kimi K3 lokalnie lub na własnej infrastrukturze chmurowej. Moonshot rekomenduje konfigurację supernode z 64+ akceleratorami dla optymalnej wydajności. To nie jest opcja dla hobbystów — wymaga to budżetu na poziomie dziesiątek tysięcy dolarów miesięcznie na sprzęt. Ale dla firm, które chcą pełnej kontroli nad danymi i niezależności od API zewnętrznych — to przełom. Zwłaszcza że model jest pierwszym otwartym modelem 3T-klasy na świecie.
3 rzeczy, które warto wdrożyć od razu
Po tygodniu testów wyciągnąłem trzy wnioski, które stosuję od razu przy każdym projekcie z Kimi K3:
1. Zawsze wrzucaj pełny kontekst, nie fragmenty. Milion tokenów to ogromna przestrzeń — używaj jej. Zamiast wysyłać modelowi 5 plików po kolei, wrzuć cały folder naraz. Model lepiej rozumie zależności i generuje mniej halucynacji. Testowałem to na projekcie Django: pełny upload dał o 40% mniej błędnych sugestii niż fragmentaryczny.
2. Używaj trybu max thinking effort domyślnie. Przy starcie Kimi K3 działa w trybie max thinking effort — nie zmieniaj tego. Tryby low i high effort mają być wprowadzone później i na ten moment nie są dostępne. Max effort oznacza dłuższy czas odpowiedzi (często 30-60 sekund przy złożonych zadaniach), ale jakość rośnie nieproporcjonalnie. Dla zadań prostszych (tłumaczenie, podsumowanie) możesz czekać dłużej niż z Claude — ale wynik będzie lepszy.
3. Monitoruj „nadmierną proaktywność„ modelu. Moonshot oficjalnie ostrzega: K3 został wytrenowany z naciskiem na długie, trudne zadania i może podejmować nieoczekiwane decyzje w twoim imieniu, gdy napotka niejasności. W praktyce oznacza to, że model może np. samodzielnie zmienić strukturę bazy danych, którą mu pokazałeś „do analizy„. Zawsze używaj sandboxa, wersjonowania Git i jasnych promptów systemowych. Dodaj do AGENTS.md lub system prompt ograniczenia: „Nie wykonuj żadnych zmian bez wyraźnej zgody użytkownika„.
Kiedy Kimi K3 się opłaca — i kiedy lepiej wybrać coś innego
| Kimi K3 vs konkurencja — kiedy który model wybrać | ||||
| Scenariusz | Kimi K3 | Claude Fable 5 | GPT 5.6 Sol | GLM-5.2 |
|---|---|---|---|---|
| Analiza całych repozytoriów kodu | ★★★★★ | ★★★★☆ | ★★★★☆ | ★★★☆☆ |
| Copywriting, treści emocjonalne | ★★★☆☆ | ★★★★★ | ★★★★★ | ★★★★☆ |
| Projektowanie chipów / HPC | ★★★★★ | ★★★★☆ | ★★★★☆ | ★★★☆☆ |
| Edycja wideo, motion graphics | ★★★★★ | ★★★☆☆ | ★★★★☆ | ★★☆☆☆ |
| Koszt przy dużym cache-hit | ★★★★★ | ★★☆☆☆ | ★★☆☆☆ | ★★★★★ |
| UX, subtelność, „ludzki„ ton | ★★★☆☆ | ★★★★★ | ★★★★★ | ★★★★☆ |
Wybór modelu to nie kwestia wiary — to kwestia profilu pracy. Jeśli 80% twojego czasu to kodowanie, analiza danych i budowanie narzędzi — Kimi K3 jest najlepszym wyborem, jaki pojawił się w 2026 roku. Jeśli twoja praca to głównie komunikacja z klientami, tworzenie treści i negocjacje — trzymaj się Claude. Nie ma jednego modelu, który wszystko robi najlepiej. I to dobrze — konkurencja napędza postęp.
Najczęściej zadawane pytania
Czy Kimi K3 jest darmowy?
Dostęp przez kimi.com i aplikację mobilną ma limity darmowego użycia — dokładne limity Moonshot nie podaje publicznie, ale w praktyce wystarczają one do testów i lekkiej pracy. API jest płatne: 0,30 USD/MTok (cache-hit), 3,00 USD/MTok (cache-miss), 15,00 USD/MTok (output). Wagi modelu będą dostępne za darmo od 27 lipca 2026, ale uruchomienie ich wymaga własnej infrastruktury.
Ile tokenów to milion? Czy 1M kontekstu wystarczy na całą książkę?
Jeden token to średnio 0,75 słowa w języku angielskim lub ~0,6 słowa w polskim. Milion tokenów to więc około 600-750 tysięcy słów — czyli „Wojna i pokój„ Tolsotaja zmieści się z zapasem. W praktyce 1M tokenów pozwala wrzucić całe repozytorium kodu (np. 50+ plików), setki stron dokumentacji lub całą książkę i zapytać model o dowolny aspekt. To 4-5x więcej niż Claude Opus 4.8 (~200K tokenów) i tyle samo co największe okna GPT.
Czy mogę używać Kimi K3 komercyjnie?
Tak. API Kimi K3 jest przeznaczone do użytku komercyjnego, a wagi open-weight pozwolą na pełną kontrolę nad modelem — włącznie z fine-tuningiem i wdrożeniem we własnej infrastrukturze. Moonshot oferuje też Kimi Enterprise z separacją danych osobistych i organizacyjnych, zarządzaniem członkami zespołu i pełną prywatnością.
Czy Kimi K3 działa po polsku?
Tak, model rozumie i generuje tekst po polsku. Jakość jest dobra — porównywalna z GPT-5.5 i lepsza niż wcześniejsze wersje Kimi. Jednak przy bardzo specjalistycznych terminach technicznych (np. nazwy własne polskich regulacji, lokalne nazewnictwo branżowe) może pojawić się anglicyzacja. Zalecam testowanie na swoim konkretnym zbiorze danych przed wdrożeniem produkcyjnym.
Jak Kimi K3 radzi sobie z halucynacjami?
Przy pełnym kontekście (całe repozytorium, cały dokument) halucynacje są znacznie rzadsze niż przy fragmentarycznym podawaniu danych. To zasługa milionowego okna kontekstowego — model „widzi„ wszystko naraz i nie musi domyślać się brakujących fragmentów. Przy zadaniach otwartych (generowanie treści, brainstorming) halucynacje występują na poziomie podobnym do GPT-5.5. Zalecam zawsze weryfikować fakty, szczególnie przy danych liczbowych i cytatach.
Kiedy będą dostępne wagi open-weight Kimi K3?
27 lipca 2026. Moonshot AI potwierdziło tę datę w oficjalnym komunikacie. Wagi będą dostępne do pobrania i uruchomienia lokalnie lub na własnej infrastrukturze chmurowej. Moonshot współpracuje z partnerami inference i społecznością open-source (m.in. vLLM) nad implementacją wsparcia dla KDA i AttnRes.
Czy Kimi K3 jest lepszy od GPT-5.6 Sol?
Zależy od zadania. W benchmarkach kodowania (DeepSWE, Terminal-Bench, FrontierSWE) Kimi K3 jest konkurencyjny lub lepszy od GPT-5.5 i Claude Opus 4.8, ale wciąż ustępuje GPT-5.6 Sol i Claude Fable 5 w ogólnej wydajności. Moonshot sam przyznaje: „ogólna wydajność wciąż pozostaje za najpotężniejszymi modelami własnościowymi„. W praktyce: do kodowania i analizy danych — K3 jest znakomity. Do copywritingu, negocjacji i subtelnej komunikacji — wciąż lepsze są modele zamknięte.
Jaki sprzęt potrzebuję do uruchomienia Kimi K3 lokalnie?
Moonshot rekomenduje konfigurację supernode z minimum 64 akceleratorami (GPU) dla optymalnej wydajności. Model używa kwantyzacji MXFP4 (wagi) i MXFP8 (aktywacje), co zmniejsza wymagania pamięciowe, ale 2,8 biliona parametrów to i tak ogrom. Dla porównania: uruchomienie Llama 3 405B wymaga ~8 GPU H100. Kimi K3 to około 7x więcej parametrów. To opcja dla dużych firm i centrów danych, nie dla indywidualnych użytkowników.
Źródła
- Moonshot AI. „Kimi K3 Tech Blog: Open Frontier Intelligence.„ kimi.com/blog/kimi-k3
- DeepLearning.AI. „Data Points: Kimi K3 marks a big shift in AI development.„ deeplearning.ai/the-batch
- TechCrunch. „Moonshot’s upcoming Kimi 3 is expected to close the gap with Anthropic’s Opus 4.8.„ techcrunch.com
- TechRadar. „Moonshot reveals new AI model, and it’s a big surprise.„ techradar.com
- Kie.ai. „What Is Kimi K3? Moonshot’s 2.8T, 1M-Context Flagship.„ kie.ai/blog/what-is-kimi-k3
- Puls Biznesu. „Koniec dominacji USA w AI? Chiński Kimi K3 rzuca wyzwanie amerykańskim liderom.„ pb.pl
Artykuł opublikowany: 24 lipca 2026. Ostatnia aktualizacja: 24 lipca 2026.
Zastrzeżenie: Informacje zawarte w artykule mają charakter edukacyjny i oparte są na publicznie dostępnych źródłach oraz własnych testach autora. Ceny API i dostępność funkcji mogą ulec zmianie. Przed wdrożeniem produkcyjnym zalecamy weryfikację aktualnych warunków.
