Kimi · 2026-07 · Sparsames MoE · Multimodal

Kimi K3

Kimi K3 ist ein Multi-Head-Latent-Attention (MLA)-Transformer, veröffentlicht von Kimi im 2026-07, mit 93 Schichten, Hidden-Größe 7168 und einem Kontextfenster von 1,048,576 Tokens.

Schichtstapel

Attention ×93 · Schichten 93

Kernfakten

LaborKimi
Veröffentlicht2026-07
Parameter2,780 Mrd.
Aktiv103 Mrd.
Kontext1,048,576 tokens
AttentionMLA · kv_lora_rank 512
Schichten93
Hidden-Dim.7,168
Attention-Köpfe96
Vokabular163,840
Positionscodierunglearned/absolute
NormierungRMSNorm
Aktivierungsitu
Präzision专家 MXFP4(attn/shared/mlp/lm_head 高精度)
ArchitekturklasseKimiK3ForConditionalGeneration

Architekturüberblick

Visionseingabe → Tokens t₁ t₂ t₃ t₄ Eingabetokens Embedding · Vokabular 163,840 → Hidden-Dim. 7,168 Q · 96 Wᴰᴷⱽ ↓ c_KV · 512 kᴿ · RoPE 64 Wᵁᴷ/Wᵁⱽ ↑ ⊕kᴿ Attention KV-Cache/Token ≈ 512+64 gegenüber 2·7,168 dicht → ≈ 1/24.9 Router E1 E2 E3 E4 E5 E6 E7 E8 +888… Geteilter Experte ×2 Top-16 von 896 Experten · ≈ 103 Mrd. Parameter pro Token aktiv × 93 Transformer-Block Attention FFN / MoE RMSNorm pre-norm Finale Norm · RMSNorm LM head → Vokabular 163,840 p p p → nächstes Token Positionscodierung learned/absolute Präzision 专家 MXFP4(ATTN/SHARED/MLP/LM_HEAD 高精度) Kontext 1024K tok Vision ⇢ token
Gezeichnet nach der mitgelieferten config.json · 93 Schichten / Breite 7,168 / Kontext 1,048,576. Originaldiagramm dieses Atlas.

Attention

Multi-Head-Latent-Attention (MLA). kv_lora_rank=512.

FFN / MoE

Es handelt sich um ein sparsames Mixture-of-Experts mit 896 gerouteten Experten und Top-16-Routing; etwa 103 Mrd. Parameter sind pro Token aktiv.

Feldweiser Vergleich

Verglichen mit dem vorherigen Modell desselben Labors; fehlt dieses, mit dem strukturell nächsten Modell. Die Spalte Ratio = dieses Modell ÷ Vergleichsmodell.

Vollfeldvergleich mit dem Vorgänger Kimi K2.6
ModellKimi K3Kimi K2.6Ratio
model_typekimi_k3kimi_k25
architecturesKimiK3ForConditionalGenerationKimiK25ForConditionalGeneration
hidden_size71687168≈1
num_hidden_layers9361×1.52
num_attention_heads9664×1.50
num_key_value_heads9664×1.50
intermediate_size3379218432×1.83
hidden_actsitusilu
n_routed_experts384
num_experts_per_tok8
n_shared_experts1
moe_intermediate_size30722048×1.50
kv_lora_rank512512≈1
qk_rope_head_dim6464≈1
q_lora_rank15361536≈1
rope_theta50000
max_position_embeddings1048576262144×4.00
rms_norm_eps0.000010.00001≈1
vocab_size163840163840≈1
num_nextn_predict_layers00
bos_token_id163584163584≈1
dtypebfloat16bfloat16
eos_token_id163586163586≈1
ignore_index-100-100≈1
image_placeholder<|kimi_image_placeholder|>
media_placeholder_token_id163605163605≈1

Strukturell ähnlichste Modelle

Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).

Rohe Config-Felder

79 Felder
architecturesKimiK3ForConditionalGeneration
bos_token_id163584
dtypebfloat16
eos_token_id163586
ignore_index-100
image_placeholder<|kimi_image_placeholder|>
media_placeholder_token_id163605
model_typekimi_k3
pad_token_id163839
tie_word_embeddingsfalse
_name_or_path
activation_situ_beta4
activation_situ_linear_beta25
add_cross_attentionfalse
attn_res_block_size12
chunk_size_feed_forward0
diversity_penalty0
do_samplefalse
early_stoppingfalse
encoder_no_repeat_ngram_size0
first_k_dense_replace1
hidden_actsitu
hidden_size7168
initializer_range0.02
intermediate_size33792
is_decoderfalse
is_encoder_decoderfalse
kv_lora_rank512
latent_moe_use_normtrue
length_penalty1
max_length20
max_position_embeddings1048576
min_length0
mla_use_nopetrue
mla_use_output_gatetrue
moe_intermediate_size3072
moe_layer_freq1
moe_renormalizetrue
moe_router_activation_funcsigmoid
no_repeat_ngram_size0
num_attention_heads96
num_beam_groups1
num_beams1
num_expert_group1
num_experts896
num_experts_per_token16
num_hidden_layers93
num_key_value_heads96
num_nextn_predict_layers0
num_return_sequences1
num_shared_experts2
output_attentionsfalse
output_hidden_statesfalse
output_scoresfalse
q_lora_rank1536
qk_nope_head_dim128
qk_rope_head_dim64
remove_invalid_valuesfalse
repetition_penalty1
return_dicttrue
return_dict_in_generatefalse
rms_norm_eps0.00001
routed_expert_hidden_size3584
routed_scaling_factor1
temperature1
tf_legacy_lossfalse
tie_encoder_decoderfalse
top_k50
top_p1
topk_group1
topk_methodnoaux_tc
torchscriptfalse
transformers_version4.56.2
typical_p1
use_bfloat16false
use_cachetrue
use_grouped_topktrue
v_head_dim128
vocab_size163840