中国 Moonshot AI が超大規模モデル「Kimi K3」発表

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