中国 Moonshot AI が超大規模モデル「Kimi K3」発表
中国の Moonshot AI が世界最大級の 2.8 トリオンパラメータを持つ「Kimi K3」を発表し、ベンチマークと価格設定において業界トップクラスに位置づけられる一方、オープンウェイト化は 2026 年まで延期されるという重要な動向が示された。
キーポイント
世界最大級のモデル規模と性能
Moonshot AI は 2.8 トリオンパラメータの「Kimi K3」を発表し、Claude Opus 4.8 や GPT-5.5 High を上回る性能を自社のベンチマークで示した。
高価格帯へのシフトとコスト効率
中国企業としては史上最高水準の価格設定（入力 3 ドル/100 万トークン、出力 15 ドル/100 万トークン）を採用しつつも、推論トークンの削減によりタスクあたりのコストは競合と同等に抑えられている。
オープンウェイトの延期
「最初のオープン 3T クラスモデル」と称しているが、重みの公開は 2026 年 7 月 27 日まで先送りされる予定であり、現時点ではクローズドな API のみで利用可能である。
コード生成と画像理解能力
Arena.ai のフロントエンドコードアリーナで首位を記録し、SVG 画像の生成および入力画像への理解（ペリカンが自転車に乗る SVG の生成・解析）においても高い能力を発揮した。
重要な引用
"most capable model to date, with 2.8 trillion parameters"
"Cost per task ($0.94) is similar to GPT-5.6 Sol ($1.04), ~1/2 the price of Opus 4.8 ($1.80) and higher than open weights peers"
"Kimi K3's token usage on the Artificial Analysis Intelligence Index decreased significantly, using 21% fewer output tokens than K2.6."
影響分析・編集コメントを表示
影響分析
このニュースは、中国 AI ラブが単なる低価格競争から、パラメータ規模と推論効率による高付加価値競争へ移行したことを示す画期的な出来事です。特に 2026 年までのオープンウェイト延期は、研究コミュニティや開発者にとって情報の透明性やカスタマイズ可能性の面で短期的な課題を生む一方で、モデルの高度化が市場をリードする新たな基準となる可能性があります。
編集コメント
2.8 トリオンパラメータという規模は業界の常識を覆すものであり、特に中国勢がトップティアの性能と価格帯で対抗する姿勢は注目すべき変化です。ただし、オープンウェイト化が 2026 年まで先送りされる点は、研究コミュニティにとって情報の透明性確保の観点から重要な課題と言えます。
中国の AI ラボ、Moonshot AI は今朝「Kimi K3」を発表しました。同社はこれを「これまでに最も能力が高く、2.8 兆パラメータを備えたモデル」と位置付けています。
現在はこのモデルは公式サイトと API を通じて利用可能ですが、オープンウェイト版については「2026 年 7 月 27 日までに公開する」と約束されています。
Moonshot はこれを「最初のオープンな 3T クラスのモデル」（おそらく 2.8 兆を切り上げて 3 兆と表現しているのでしょう）と呼称し、DeepSeek の 1.6T v4 Pro からその座を奪いました。同社が自らのベンチマークで報告した結果では、Kimi K3 は Claude Opus 4.8 Max や GPT-5.5 High を概ね上回っていますが、Claude Fable 5 や GPT-5.6 Sol には劣るという結果になっています。
モデルに関する Artificial Analysis のレポートからの主なポイントは以下の通りです：
- 「当社のプライベートな長期知識作業評価において、Kimi K3 は総合 Elo 1547 を達成。Kimi K2.6 より +732 ポイント向上し、Claude Fable 5 に次ぐ成績でした。」
- 「タスクあたりのコスト（0.94 ドル）は GPT-5.6 Sol（1.04 ドル）とほぼ同等で、Opus 4.8（1.80 ドル）の約半分ですが、オープンウェイト版の競合他社よりも高くなっています。」
- 「Kimi K3 の Artificial Analysis インテリジェンスインデックスにおけるトークン使用量は大幅に減少し、K2.6 より出力トークンが 21% 削減されました。」
また、このモデルは now Arena.ai の Frontend Code エーリアでも首位となり、Claude Fable 5 をも上回る結果となっています。
この新モデルの注目点は価格設定にあります。入力トークン 100 万あたり 3 ドル、出力トークン 100 万あたり 15 ドルという料金体系は、Anthropic の Claude Sonnet シリーズと同等水準です。これは中国の AI ラボからリリースされたモデルとしては過去最高額となります。
以前のモデル Kimi K2.6（入力 0.95 ドル、出力 4 ドル）と比較すると大幅な値上げです。また、パラメータ数は 2.8 兆で、当時の 1 兆モデルの倍以上に拡大しています。
では、ペリカン・ベンチマークではどうだったか？
私は Moonshot の API キー取得を避けるため OpenRouter を利用し、llm-openrouter plugin を使って「自転車に乗るペリカンの SVG」を生成させました。
llm -m openrouter/moonshotai/kimi-k3 'Generate an SVG of a pelican riding a bicycle'そのやり取りのログは こちら です。生成された SVG は以下の通りです。
このペリカンの描画には、入力トークン 95、出力トークン 16,658（うち推論用トークンが 13,241）がかかり、合計コストは 25 セント でした。
K3 は画像入力も受け付けるため、生成された SVG を再度入力して（代替テキストプロンプト を使用）、解析を依頼しました。その結果は こちら です。コストはわずか 0.6 セント でした。
赤いマフラーを巻いた白いペリカンが、白線が入った灰色の道路を赤い自転車で走っている様子を描いたカートゥーンイラスト。大きなオレンジ色のくちばしと水かきのある足でペダルを漕ぐペリカンの後ろには、白い動きのラインが描かれている。背景は青空に白い雲、黄色い太陽、そして飛んでいる小さな黒い鳥が二羽。手前には緑の芝生と小さな白い花々が咲いている。
ペリカンから何を学べるのか？
私の「ペリカンの自転車乗り」SVG 生成テストは、もう 21 か月も前のものだ。当初から優れたベンチマークだったわけではない。元々は、これらのモデルを比較することの異常な難しさを皮肉ったジョークとして始まったのだが、最初の一年間は、このテストが実際のモデルの性能と驚くべき相関関係を示していた。
しかし現在、その関連性はほとんど断ち切られてしまった。GPT-5.6 や Claude Fable 5 のペリカン生成は、GLM-5.2 に完敗している。GLM を愛しているが、それが「Fable クラス」のモデルだとは思えないからだ。
（まだ、研究機関がベンチマーク対策のために訓練しているとは信じきれていません。もしそうなら、もっと良い結果が出ているはずです。ただし、Gemini は「動物が乗り物に乗っている」というあらゆる組み合わせに対して最適化されている可能性があります！）
ペリカン・ベンチマークの最大の欠点は、現在のモデルにとって最も重要な要素である「エージェントとしてのツール呼び出し」や、「対話の長さに応じてツールを確実に操作する能力」について全く触れていない点です。
つまり、モデル比較にペリカン・ベンチマークを使うのはやめましょう！
それでもなお、私が自分でベンチマークを実行することには一定の価値があると感じています。
まず、これは実際にモデルを試すための強制的な動機付けになります。もしあなたが私に「ペリカンを試して」と言うなら、それは私がそのプロンプトをモデルに通した証拠です。公式 API があればそれを使い、オープンウェイトで 128GB の M5 MacBook Pro に収まるサイズなら、自分で実行してみます。通常は llama.cpp や LM Studio、Ollama を利用します。また、新しい API キーを用意しなくても公式 API のプロキシとして機能することが多い OpenRouter も頻繁に利用しています。
私が生成するペリカンの多くは、私の LLM CLI ツール を使って作られています。このツールはプラグインを通じて最新モデルのサポートを確保しようとする動機付けにもなっています。
もっと重要なのは、単一のプロンプト「自転車に乗るペリカンの SVG を生成して」という行為自体が、モデルの特性を浮き彫りにする点です。
今日の日 Kimi K3 の結果 こちら を見てみましょう。こうした単純なプロンプトを実行したことで、モデルに関するいくつかのポイントが明確になりました。
- 現在、推論の努力レベルは「max」のみです。その結果が如実に表れています。出力 3,417 トークンに対して、推論に 13,241 トークンを消費しました。これはコストがかかります。ペリカンの生成には 25 セントかかったのです！
- 「自転車に乗るペリカンの SVG を生成して」というプロンプトがなぜ 95 トークンになるのでしょうか？OpenAI のトークナイザーでは 10、Anthropic の Opus 4.6 では 10、Opus 4.7 では 30、Sonnet 5/Fable 5 では 25 とカウントされます。一方、「hi」というプロンプトを Kimi K3 に投げると 86 トークンになります。これは、85 トークンの隠れたシステムプロンプトが存在する可能性を示唆しています。ただし、モデルはそれを漏らそうとはしませんでした。
- ビジョン機能も良好です。生成された代替テキスト（alt text）の質が非常に高いです。
K3 は現在、推論の努力レベルを 1 つしか持っていないため、私は最近、異なる努力レベルで同じペリカンのプロンプトを実行して、その影響を素早く把握する価値を見出しています。例えば、GPT-5.6 モデルファミリーに関する私の比較マトリックス こちら が参考になるでしょう。
しかし、ペリカンテストから私が得ている主なものは以下の通りです。
これは、モデルへのプロンプトを試すための「Hello World」的な演習です。
簡単なタスクに対するおおよそのコストと推論時間の見積もりも含まれています。また、モデルが有効な SVG を出力できるか、そして幾何学的な概念や空間認識の基礎的理解を持っているかを確認する点も重要です。これは、私のノートパソコンで動作するような小規模なモデルにとっては、特に大きな意味を持つことです。
同じモデルファミリー内でのリリース版ごとのペリカンベンチマーク結果を比較するのも依然として興味深いです。K3 のペリカンベンチマークの結果は、Kimi 2.5 と比べて顕著な改善が見られます。
また、実際に試したことを示す共有素材としても役立ちます。さらに、Hacker News では「ペリカンの話」をコメントに含めることが一種の伝統となっており、私が投稿が遅れると必ずどこかで「ペリカンはどこだ？」というコメントが寄せられるのです。
Tags: ai, generative-ai, llms, llm-pricing, pelican-riding-a-bicycle, llm-release, ai-in-china, artificial-analysis, moonshot, kimi
原文を表示
Chinese AI lab Moonshot AI announced Kimi K3 this morning, describing it as their "most capable model to date, with 2.8 trillion parameters". It's currently available via their website and API, but an open weight release is promised "by July 27, 2026".
Moonshot are calling this the first "open 3T-class model" (I guess they're rounding 2.8 trillion up to 3 trillion), taking the crown from DeepSeek's 1.6T v4 Pro. Their self-reported benchmarks have K3 mostly beating Claude Opus 4.8 max and GPT-5.5 high, while losing out to Claude Fable 5 and GPT-5.6 Sol.
A few highlights from the Artificial Analysis report on the model:
- "On our private long-horizon knowledge work evaluation, Kimi K3 reaches an overall Elo of 1547, +732 points from Kimi K2.6 and behind only Claude Fable 5."
- "Cost per task ($0.94) is similar to GPT-5.6 Sol ($1.04), ~1/2 the price of Opus 4.8 ($1.80) and higher than open weights peers"
- "Kimi K3’s token usage on the Artificial Analysis Intelligence Index decreased significantly, using 21% fewer output tokens than K2.6."
The model is also now the leading model on Arena.ai's Frontend Code arena, surpassing even Claude Fable 5.
The new model is notable for the pricing: $3/million input tokens and $15/million output tokens, putting it at the same level as Anthropic's Claude Sonnet series and making it the most expensive model released by a Chinese AI lab to date. This is a significant increase on their earlier models such as Kimi K2.6 at $0.95/$4. 2.8 trillion parameters is also more than twice the size of that 1T model.
But how does it pelican?
I used OpenRouter (to avoid signing up for a Moonshot API key) with the llm-openrouter plugin to generate an SVG of a pelican riding a bicycle:
llm -m openrouter/moonshotai/kimi-k3 'Generate an SVG of a pelican riding a bicycle'
Here's the transcript. It looks like this:
That pelican took 95 input tokens and 16,658 output tokens (13,241 were reasoning tokens), for a total cost of 25 cents!
Since K3 accepts image input I ran it against that rendered SVG above (with my alt text prompt) and got back (for 0.6 cents):
Cartoon illustration of a white pelican wearing a red scarf, riding a red bicycle along a gray road with white dashed lines; the pelican has a large orange beak and webbed orange feet pedaling, with white motion lines behind it; the background shows a light blue sky with white clouds, a yellow sun, two small black birds in flight, and green grass with tiny white flowers in the foreground
What can we learn from the pelican?
My Generate an SVG of a pelican riding a bicycle test is 21 months old now. It was never a particularly great benchmark. It started out as a joke on how absurdly difficult it is to compare these models, but then for the first year it turned out to have a surprising correlation to how good the models actually were.
That connection has been mostly severed now. The GPT-5.6 and Claude Fable 5 pelicans are outclassed by GLM-5.2, and much as I love GLM I don't think that's a Fable-class model.
(I'm still not convinced that labs are training for the benchmark - if they were, I'd expect much better results. There's a chance that Gemini has optimized for any combination of an animal on a vehicle though!)
The biggest limitation of the pelican is that it doesn't touch at all on the thing that matters most for today's model: agentic tool calling and the ability to operate tools reliably as conversations grow in length.
So don't go using pelicans to compare models!
All of that said, I still get a decent amount of value out of running the benchmark myself.
Firstly, it's a forcing function for actually trying the model. If I show you a pelican, that means I've managed to run a prompt through it. If the model has an official API I'll use that, if it's open weight (and small enough to fit a 128GB M5 MacBook Pro) I'll try running it on my own machine, usually via llama.cpp or LM Studio or Ollama. I'll frequently use OpenRouter since that usually provides a proxy to an official API without me needing a new API key.
Most of my pelicans are generated using my LLM CLI tool, which helps encourage me to ensure the latest models are supported by that (via one of its plugins).
More importantly though, even the act of a single prompt to "Generate an SVG of a pelican riding a bicycle" can reveal interesting model characteristics.
Consider the result for Kimi K3 today. Running those simple prompts helped emphasize several points about the model.
- It only has one reasoning effort right now, "max" - and it shows. The model consumed 13,241 reasoning tokens to output 3,417 tokens of response. This is expensive - the pelican cost 25 cents!
- How does the prompt "Generate an SVG of a pelican riding a bicycle" add up to 95 input tokens? OpenAI's tokenizer counts 10, Anthropic's counts 10 for Opus 4.6, 30 for Opus 4.7 and 25 for Sonnet 5/Fable 5. Prompting "hi" to Kimi K3 counted 86 tokens, suggesting there may be an 85 token hidden system prompt. It refused to leak it though.
- Vision works well: the alt text it generated is very good.
K3 currently only has one thinking effort level, but I've been deriving quite a bit of value recently from running the same pelican prompt through different effort levels to get a quick idea for what impact those have. Here's my matrix for the GPT-5.6 model family, for example.
Really though the main things I gain from the pelican test are:
- It's a "hello world" exercise for prompting a model
- A rough cost and reasoning estimate for a simple task
- Confirmation that the model can output valid SVG and has a basic idea of geometry and spatial awareness. This is a much bigger deal for the smaller models that run on my laptop.
- It's still interesting to compare pelicans between releases in the same model family. K3's pelican is a notable improvement from Kimi 2.5.
- It's something I can share that demonstrates I've tried it. Plus a comment with a pelican in it is kind of a tradition on Hacker News at this point, any time I'm late I get comments asking where it is!
Tags: ai, generative-ai, llms, llm-pricing, pelican-riding-a-bicycle, llm-release, ai-in-china, artificial-analysis, moonshot, kimi
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み