Kimi K3: открытые веса, рост выручки и технические риски

Moonshot AI представила модель Kimi K3 16 июля 2026 года, а публичную публикацию весов завершила 27 июля. Модель заявлена как LLM с 2,8 трлн параметров. Компания готовится к финальному раунду перед IPO в Гонконге с целевой оценкой до $50 млрд.

По данным компании и отраслевых источников, оценка Moonshot AI выросла с $4,3 млрд в конце 2025 года до примерно $35 млрд к концу июля 2026-го. Годовая регулярная выручка (ARR) удвоилась до $200 млн весной 2026 года и по итогам июня достигла около $300 млн. Более 70% доходов поступают от прямых продаж доступа к API корпоративным клиентам и сторонним разработчикам, остальная часть — платные подписки на сервис Kimi.

Цены на услугу для K3 указаны на уровне около $3 за 1 млн входящих токенов и $15 за исходящие. По этим тарифам модель сопоставима по стоимости с некоторыми западными аналогами, одновременно оставаясь дешевле ряда наиболее дорогих предложений. Через 48 часов после релиза компания приостановила подключение новых пользователей из‑за нехватки вычислительных мощностей.

Независимые тестирования показали, что K3 заняла высокие позиции в задачах по генерации кода и прикладным тестам. Вместе с тем в сравнении с предыдущей версией K2.6 зафиксирован рост доли неверных ответов: уровень «галлюцинаций» в образцах тестирования вырос примерно до 51% против 39% у K2.6.

Линейка Kimi изначально разрабатывалась как закрытый продукт. Публикация весов последовала после волны интереса к открытым моделям на рынке. Moonshot AI объяснила решение публиковать веса необходимостью привлечь разработчиков и обеспечить присутствие на глобальном рынке, где доступ к закрытым западным моделям ограничен внутри Китая.

Требования K3 к памяти делают локальный запуск сложным. Для квантования до 4‑bit без серьёзной потери качества требуется около 1,6 ТБ оперативной памяти; более агрессивное квантование сжимает модель до примерно 700 ГБ. Запуск на обычных настольных системах приводит к значительному снижению скорости генерации, поэтому использование модели остаётся в основном серверным.

На развитие компании повлияли экспортные ограничения на поставки передового оборудования, включая чипы и память с высокой пропускной способностью. Некоторые компании арендуют вычислительные мощности за рубежом или используют иностранные дочерние структуры. В инженерных решениях Moonshot использовала методы оптимизации: жёсткое кэширование контекста, гибридные схемы внимания и оптимизацию генерации токенов для снижения потребности в дорогостоящем оборудовании.

Ян Чжилинь сохраняет контроль над компанией, владея около 51,8% акций. В числе инвесторов присутствуют частные технологические группы и структуры с государственным участием, включая национальный фонд социального страхования. Перед подготовкой к листингу в Гонконге компания отказалась от офшорной VIE‑структуры и привела корпоративную структуру в соответствие с требованиями регулирования о зарубежном листинге.

В зарубежной реакции представители власти и исследовательских лабораторий выдвинули предположения о возможном использовании данных из внешних систем при обучении модели; Moonshot отвергла эти обвинения и назвала публикацию весов коммерческим и стратегическим решением. Группа крупных технологических компаний опубликовала обращение к властям США с предупреждением, что запреты на модели с открытыми весами повлияют на рыночную структуру.

Руслан Салахутдинов, научный руководитель, охарактеризовал Яна Чжилиня как «абсолютно блестящего». Регуляторы и компании продолжают обсуждать правовые и технические рамки использования больших открытых моделей.