Kimi K3 リリース: 2.8兆パラメータモデルとPelican Benchmark
Kimi K3 リリース: 2.8兆パラメータモデルとPelican Benchmark
Kimi K3: 新たな3Tクラスのフロンティアモデル
Moonshot AIは、2.8兆パラメータを持つ初の「オープン3Tクラスモデル」と説明されるKimi K3を発表しました。このモデルは現在、公式サイトおよびAPIを通じて利用可能であり、2026年7月27日にオープンウェイト版のリリースが予定されています。Kimi K3は、1兆パラメータであった前身のKimi K2.6からの大幅なスケールアップを象徴しています。
パフォーマンスとベンチマーク
Kimi K3は、業界をリードするフロンティアモデルに対して競争力のあるパフォーマンスを示しています。
- 汎用能力: 自己申告のベンチマークによると、K3は一般的にClaude Opus 4.8 maxおよびGPT-5.5 highを上回っていますが、Claude Fable 5およびGPT-5.6 Solには及びません。
- 長期的な知識作業: Artificial Analysisのレポートによると、Kimi K3はElo 1547を達成し、Kimi K2.6から732ポイント上昇しました。これはClaude Fable 5に次ぐ第2位のスコアです。
- コーディング: Kimi K3は現在、Arena.aiのFrontend Codeアリーナでトップランクのモデルとなっています。これはClaude Fable 5を凌駕しています。
- 効率性: Artificial Analysis Intelligence Indexにおいて、K2.6よりも出力トークンを21%削減し、トークン効率が向上しています。
価格とコスト構造
Kimi K3は、これまでに中国のAIラボがリリースした中で最も高価なモデルであり、AnthropicのClaude Sonnetシリーズの価格設定を反映しています。
- 入力トークン: 100万トークンあたり$3。
- 出力トークン: 100万トークンあたり$15。
これは、入力100万トークンあたり$0.95、出力100万トークンあたり$4であったKimi K2.6からの大幅な値上げです。
「Pelican Benchmark」による分析
モデルの実用的な空間推論と出力の妥当性を評価するために、「pelican benchmark」—「自転車に乗っているペリカンのSVGを生成せよ」というプロンプト—がKimi K3に適用されました。
SVGテストからの主な知見
この特定のプロンプトを実行することで、K3モデルのいくつかの技術的特性が明らかになりました。
- 高い推論オーバーヘッド: Kimi K3は現在、唯一の推論努力レベル（「max」）のみを提供しています。ペリカンのSVG生成において、モデルは3,417個のレスポンス・トークンを生成するために13,241個の推論トークンを消費し、その結果、単一のプロンプトに対して合計25セントのコストがかかりました。
- 隠されたシステムプロンプト: プロンプト自体は短いですが、Kimi K3は95個の入力トークンを記録しました。単純な「hi」というプロンプトでのテストでは86トークンとなり、約85トークンの隠されたシステムプロンプトが存在することを示唆しています。
- 強力なビジョン能力: 生成されたSVGをKimi K3に再度入力し、画像からテキストへの説明（image-to-text）を行った際、モデルはシーンの非常に正確で詳細な代替テキスト（alt-text）説明を生成しました。
Pelican Benchmarkの妥当性
ペリカンのテストは新しいモデルのための有用な「hello world」として機能しますが、比較ベンチマークとしての有用性は進化しています。
- 断絶された相関関係: SVG生成の品質とモデル全体の知能の相関関係は弱まっています。GLM-5.2のようなモデルは、Claude Fable 5と同クラスではないにもかかわらず、より優れたペリカンを生成できるようになっています。
- 欠如しているエージェント的テスト: このベンチマークは、エージェント的なツール呼び出しや、長い会話における信頼性の維持能力をテストしていません。これらは現代のフロンティアモデルにとって極めて重要です。
- 潜在的な過学習: ブログやGitHubで見られるこれらの特定の、広く共有されているプロンプトに対して、モデルが学習しているのではないかというコミュニティの活発な議論があります。
コミュニティの洞察と技術的視点
Kimi K3のリリースに関する議論は、LLM開発におけるいくつかの広範なトレンドを浮躍させています。
- パラメータ数 vs 知能: 一部の観察者は、パラメータ数（メモリ）よりも、アテンション密度（知能）が重要になりつつあると指摘しています。例えば、GLMはDeepSeekの半分のサイズでありながら、複数のベンチマークでDeepSeekを上回っています。
- 計算リソースの制約約: 中国のラボが、ハイエンドな計算リソースへの潜在的な制限がある中で、どのように3兆パラメータのモデルをトレーニングしているのかについて、継続的な推測がなされています。
- 一貫性の問題: ユーザーは、単一回の実行によるベンチマークは誤解を招く可能性があると指摘しており、出力品質のばらつきを考慮するために、モデルごとに複数回の実行が必要であると示唆しています。
"Kimi 3は、米国のモデルからわずか3ヶ月遅れに過ぎません。それは4月末にリリースされたgpt 5.5クラスのモデルです。"
"アテンションにコストを削ると、より多くのパラメータを持つ一方で、より悪い結果が得られます。もし推測するならば、それはメモリ（params）と知能（attention density）の違いのように思えます。" }