GPT
הוספת כלי
K

Kimi-K3

קוד פתוח

moonshotaiother2026-06-13

  • transformers
  • safetensors
  • kimi_k3
  • feature-extraction
  • compressed-tensors

ענק בקוד פתוח עם יכולות תמונה וטקסט, שמיועד לסוכנים אוטונומיים ולמשימות פיתוח ארוכות ומורכבות במיוחד.

  • 2780Bפרמטרים
  • 1,048,576טוקנים בהקשר
  • 1.4 TBמשקל הקבצים
  • 2,380,448הורדות בחודש

מה זה

מדובר בארכיטקטורת תערובת מומחים שמפעילה רק חלק קטן מהנפח בכל רגע נתון, ספציפית 16 מומחים מתוך 896, מה שנותן 104 מיליארד פרמטרים פעילים בזמן ריצה. הוא מעבד טקסט ותמונות יחד דרך רכיב ראייה ייעודי בשם MoonViT-V2, ומיועד להחזיק הקשר עצום של מעל מיליון טוקנים.

במבחני ביצועים הוא עומד ראש בראש מול המודלים המסחריים הסגורים. בבדיקות של קידוד ממושך כמו SWE-Marathon הוא משיג ציון 42.0 ועוקף מתחרים בולטים, וגם בכלי סוכנים מבוססי פרוטוקול MCPMark הוא מגיע לציון 94.5. המשמעות היא יכולת גבוהה לתפעל מסופים, לקרוא ריפוזיטורי שלם ולפתור בעיות תוכנה אמיתיות בלי להישבר אחרי כמה צעדים.

מתאים ל

  • פתרון באגים במאגרי ענק

    חלון ההקשר העצום מאפשר לטעון קוד שלם ולתפעל כלי טרמינל לבדיקות ארוכות.

  • סוכני מחקר רב תחומיים

    שילוב הבנת תמונה עם חיפוש עמוק מאפשר הפקת תובנות מדוחות גרפיים מורכבים.

  • פיתוח עם משוב חזותי

    מנוע הראייה המובנה מסייע בכתיבת קוד למשחקים, ממשקים ורכיבי תלת ממד.

איפה זה נופל

למרות הגודל המרשים, הוא עדיין מתקשה במשימות תכנון מורכבות במיוחד. במבחן האוטומציה AutomationBench הוא נעצר על ציון של 30.8 בלבד, ובמבחן ההיגיון CritPt הוא מגיע ל־23.4, ציון שנמוך מחלק ממתחריו. במבחני הנדסת תוכנה מסוימים כמו DeepSWE ו־FrontierSWE הוא מציג תוצאות טובות, אך עדיין מפסיד לחלופות סגורות מובילות.

שאלות
נפוצות

האם כדאי להוריד ולהריץ אותו באופן עצמאי לפרויקט פנימי?

רק אם יש לכם גישה למערך שרתים ייעודי עם נפח זיכרון עצום. הקבצים שוקלים 1.4 טרה בייט, כך שניהול תשתית כזו עבור רוב הצוותים יהיה יקר ומורכב מדי ביחס לצריכה דרך שירות ענן קיים.

איך המודל מצליח לפעול במהירות סבירה למרות הנפח הכולל?

הוא משתמש בתערובת מומחים דלילה. מתוך כמעט 2.8 טריליון פרמטרים, בכל טוקן מופעלים רק 104 מיליארד, מה שמצמצם את עלות החישוב בפועל לעומת מודל דחוס.

איך מריצים

להריץ דבר כזה בבית או במשרד זה פשוט לא ריאלי. קבצי המשקולות תופסים לבדם 1.4 טרה בייט, והמודל עבר אימון קוונטיזציה של משקולות בפורמט MXFP4 ואקטיבציות ב־MXFP8. תצטרכו קלאסטר שלם של שרתי GPU עם חיבורים מהירים מאוד וזיכרון VRAM עצום רק כדי לטעון אותו לזיכרון.

אלא אם אתם ארגון עם חוות שרתים ייעודית ותקציב חומרה כבד, עדיף בהרבה לפנות ל־API בענן שבו המודל מוגש. ניסיון פריסה עצמי ידרוש תחזוקה מורכבת של תשתיות מבוזרות כדי לספק זמני תגובה סבירים.

from transformers import pipeline

pipe = pipeline("image-text-to-text", model="moonshotai/Kimi-K3")
print(pipe("שלום"))

הקבצים

119 קבצים במאגר, 1.4 TB סך הכול. הקישורים מובילים ישירות ל־Hugging Face.

הרישיון

הוא מופץ תחת רישיון מותאם בשם Kimi K3 License שמסומן במערכת כרישיון אחר. תנאי השימוש המסחרי וההפצה אינם סטנדרטיים כמו רישיונות קוד פתוח מוכרים, ולכן חובה לקרוא את קובץ הרישיון המלא במאגר לפני שמטמיעים אותו במוצר.

הרישיון המלא בעמוד המודל ↗