Zijn de Kimi K3 weights open en kan ik het lokaal draaien?

Ja, Moonshot AI heeft de volledige modelweights publiekelijk vrijgegeven, dus je kunt ze downloaden en zelf hosten. Met 2,8 biljoen totale parameters heb je echter aanzienlijke hardware nodig; de meeste mensen zullen het via API gebruiken in plaats van lokaal.

Wat kost Kimi K3 en hoe groot is het contextvenster?

Via de API kost het $0,73 per miljoen input tokens en $10,00 per miljoen output tokens, met een contextvenster van 1.048.576 tokens—net iets meer dan één miljoen.

Hoe verschilt Kimi K3 van andere toonaangevende redeneermodellen?

Het is het eerste openlijk vrijgegeven model in de 3 biljoen parameterklasse, gebruikt een nieuwe KDA- en Attention Residuals-architectuur en is specifiek ontworpen voor langlopende agentische workflows met native visie—in plaats van een algemeen chatmodel met toegevoegde redeneercapaciteit.

▲

23.9%

deze week

Kimi K3

9095°

#llm #moonshotai #visie #video #redeneren #coderen

Voer dit model uit

Aanbiedingen / Advertenties

OpenRouter Terminal / API

Betaal per token

Chat met dit model in de browser of roep het aan vanuit je code met één API-sleutel.

MoonshotAI | 1,048,576 token context | $0.30/M input, $11.94/M output. Kimi K3 is a 2.8T parameter open-weight multimodal reasoning model from Moonshot AI. It is suited for complex coding, knowledge work, and long-horizon agentic workflows, and is particularly strong at navigating large repositories, using tools, debugging, and iterating against images, logs, tests, and runtime feedback. Its architecture uses KDA and Attention Residuals for computational efficiency.

Gidsen voor dit model

Open weights vs open source vs alleen API: wat je eigenlijk mag doen

Hoe kies je een AI-model in oktober 2026: eerst het nieuws over gesloten modellen, dan de open modellen die het downloaden waard zijn

Beste lokale LLM per gebruik (oktober 2026): het juiste open model voor elke klus

Hoeveel VRAM heb ik eigenlijk nodig voor lokale AI?

Hoe Ollama te installeren en een lokale AI te draaien (Windows, Mac, Linux)

Wat is een GGUF-bestand? Uitleg over gekwantiseerde modellen (Q4, Q8, fp8, NF4)

Alle gidsen

Aantekeningen van de kapitein

Geschreven door Captain, de huisredacteur

Aantekeningen van 2026-10-13

Kimi K3 is een multimodaal redeneermodel met open weights van Moonshot AI, gebouwd op een nieuwe KDA- en Attention Residuals-architectuur met 104 miljard geactiveerde parameters per token binnen 2,8 biljoen totale parameters. Het verwerkt tekst, afbeeldingen en video native binnen een contextvenster van één miljoen tokens en is specifiek gericht op langlopende agentische workflows: meervoudige codeersessies, navigatie door grote repositories en tool-intensieve onderzoeksworkflows. Als je een toonaangevend open model zoekt voor serieus engineering- of kenniswerk, is dit de moeite waard om te evalueren.

Bekend om

Ondersteunt lange agentische codeersessies over enorme repositories met minimale supervisie.
Native multimodaal: begrijpt tekst, afbeeldingen en video in één model.
Contextvenster van één miljoen tokens voor diep werk in documenten en codebases.
2,8 biljoen parameter MoE-architectuur die 104 miljard parameters per token activeert voor toonaangevend redeneervermogen.
Open weights uitgebracht door Moonshot AI voor onderzoek en deployment.

Let op

Output kost $10,00 per miljoen tokens—kosten lopen snel op bij lange agentische loops.
Met 2,8 biljoen totale parameters vraagt lokale deployment serieuze hardware; de meeste gebruikers zullen de API gebruiken.
Weights zijn uitgebracht onder de Kimi K3-licentie, geen standaard open-source licentie—controleer de voorwaarden voor commercieel gebruik.

Het beste voor

Coderen

Agenten en toolgebruik

Redeneren

Visie

Lange context

Prompts om te proberen

Debug een falende test suite

Ik heb een Python-repository waar de integratietests falen na een recente refactor. Hier is het foutlogboek en de relevante bestanden. Identificeer de hoofdoorzaak, traceer deze door de codebase en stel een minimale oplossing voor met uitleg waarom de oorspronkelijke wijziging de tests brak.

Redeneer over systeemontwerp

Ontwerp een rate-limiting service voor een publieke API die 50.000 verzoeken per seconde moet verwerken, per gebruiker en per endpoint limieten ondersteunt, gracieus degradeert bij Redis-fouten en niet meer dan 2 ms p99-latentie toevoegt. Bespreek je architectuurkeuzes en de afwegingen die je bij elke stap maakt.

Analyseer een screenshot op bugs

Ik voeg een screenshot toe van het dashboard van mijn webapp. De grafiek in het rechterbovenpaneel wordt verkeerd weergegeven—de balken overlappen en de aslabels worden afgesneden. Diagnoseer welke CSS- of grafiekbibliotheek-instellingen dit waarschijnlijk veroorzaken en geef me de gecorrigeerde configuratie.

Vergelijk met

Kimi Latest
Alleen API-model
1,048,576 token context · $0.29/M invoer, $24.00/M uitvoer
Kimi K2 Thinking
Model met open gewichten
262,144 token context · $0.60/M invoer, $2.50/M uitvoer
Kimi K2.7 Code
Model met open gewichten
262,144 token context · $0.67/M invoer, $3.35/M uitvoer
Kimi K2.5
Model met open gewichten
262,144 token context · $0.50/M invoer, $2.50/M uitvoer

Meer tekstmodellen van moonshotai

Veelgestelde vragen

Zijn de Kimi K3 weights open en kan ik het lokaal draaien?: Ja, Moonshot AI heeft de volledige modelweights publiekelijk vrijgegeven, dus je kunt ze downloaden en zelf hosten. Met 2,8 biljoen totale parameters heb je echter aanzienlijke hardware nodig; de meeste mensen zullen het via API gebruiken in plaats van lokaal.
Wat kost Kimi K3 en hoe groot is het contextvenster?: Via de API kost het $0,73 per miljoen input tokens en $10,00 per miljoen output tokens, met een contextvenster van 1.048.576 tokens—net iets meer dan één miljoen.
Hoe verschilt Kimi K3 van andere toonaangevende redeneermodellen?: Het is het eerste openlijk vrijgegeven model in de 3 biljoen parameterklasse, gebruikt een nieuwe KDA- en Attention Residuals-architectuur en is specifiek ontworpen voor langlopende agentische workflows met native visie—in plaats van een algemeen chatmodel met toegevoegde redeneercapaciteit.

Oordeel van de kapitein
Het meest capabele open-weight model dat nu beschikbaar is, gebouwd voor agents en serieus engineeringwerk—maar de outputprijs zal lange sessies duur maken.

Modelkaart op Hugging Face

De kapitein schrijft deze aantekeningen op basis van de eigen beschrijving en modelkaart van het model. Prijzen en contextgroottes zijn die van de provider op het moment van schrijven en kunnen veranderen.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Also ranked: #16 Hottest Text / LLM model · #16 Hottest Text / LLM text model

Not this creator?

Get your own badge

Populariteitstrend van Kimi K3

Heat score sinds 16 Jul 2026

Heat score

9,095°

Deze week

▲

23.9%

9,067° toen, 9,095° nu

Deze maand

▲

189%

8,954° toen, 9,095° nu

Afgelopen jaar

n.v.t.

Nog niet uitgebracht/getrackt

7,000°

Basis

De schaal loopt van 0° tot 9.999°. Alles onder 7,000° is gereserveerd voor modellen waar nog geen bron over rapporteert, die daar een tijdelijke waarde krijgen zodat de lijsten compleet blijven. 7,000° is waar gemeten data begint: een model met echte data maar bijna geen downloads zit op de basis, en de metingen vullen de graden erboven. De basis zegt niets over het model; alleen de graden erboven doen dat, en die maken het verschil tussen modellen.

+1,767°

OpenRouter tokens

7,787,431,365,488 tokens heeft dit model in de afgelopen 30 dagen verwerkt via OpenRouter, prompts en antwoorden samen. Elke 10,000,000 tokens telt als één download in de downloadterm, in totaal 778,743; de tokens van de laatste dag tellen mee voor het adoptiecijfer. Bron: OpenRouter (openrouter.ai/rankings).

+328°

Adoptiesnelheid

Ongeveer 23,609 downloads per dag, gemeten tussen twee metingen van de bronnen, nooit geschat op een levenslange gemiddelde. Snelheid weegt een kwart van de downloadterm, zodat een verse piek zichtbaar is zonder dat een dagpiek jaren gebruik overstemt.

Toon gedetailleerde uitsplitsing

Elk getal op deze site is te controleren. De heat-score van dit model is 9,095°, en hier wordt die stap voor stap opgebouwd, met de tussentijdse totalen na elke stap: de basis, de graden die elke bron toevoegt, de bonus voor het type model en wat de leeftijd van de gewichten eraf haalt. De kleuren zijn de banden van de grafiek hierboven. De woordenlijst achteraan legt elke term uit.

1
Begin bij de basis.
Waarom 7,000° en niet nul: de schaal loopt van 0° tot 9.999°, en het deel onder 7,000° is gereserveerd voor modellen waar nog geen bron over rapporteert, die daar een tijdelijke waarde krijgen zodat de lijsten compleet blijven en nooit hoger staan dan een model met data. 7,000° is waar gemeten data begint. Een model met echte data maar bijna geen downloads zit hier; alles wat volgt is meting, en de ruimte boven de basis bevat tien stappen van tien keer zoveel downloads, elk 300° waard. De basis is voor elk model hetzelfde, dus die zegt niets; de graden erboven wel.
7,000°
lopende totaal
2
Voeg de downloads toe.
778,743 download-equivalenten in totaal, van OpenRouter tokens. Tien keer de downloads voegt dezelfde 300° toe, dus grootte telt mee maar bepaalt niet alles.
+1,767°
8,767°
lopende totaal
3
Voeg de adoptiesnelheid toe.
Ongeveer 23,609 downloads per dag op dit moment, gemeten tussen twee metingen, met een kwart van het gewicht.
+328°
9,095°
lopende totaal
=
De heat-score.
Waar dit model staat op elke lijst van deze site. Niets anders beïnvloedt dit.
9,095°

Woordenlijst: de gebruikte termen

Heat-score: Één getal voor hoe veel een model nu gebruikt en gewenst wordt, van 0° tot 9.999°. Elke lijst op deze site die zegt heetste is gesorteerd op deze score en niets anders.
Vloer: De 7.000° waar elk model met echte data mee begint. De schaal loopt van 0° tot 9.999°; het deel onder de vloer is gereserveerd voor plaatsvervangers (modellen zonder data), zodat een model met data altijd hoger scoort dan een zonder. De vloer is voor iedereen gelijk en beslist niets; de graden erboven zijn de meting.
Download-equivalenten: Alles wat de score als een download telt, bij elkaar opgeteld: downloads zelf, elke torrent seeder als 1.000, elke AI Horde-afbeelding en elke run op een generatie-site als één.
Logaritmische schaal: Tellen per tien, niet per één: van 1.000 naar 10.000 downloads voegt evenveel graden toe als van 10.000 naar 100.000. Zo verdringen grote spelers niet alles.
Likes: Duimen omhoog en likes van elke bron, elk de helft van een download waard op de log-schaal.
Adoptiesnelheid: Hoeveel downloads een model nu per dag krijgt, uit het verschil tussen twee metingen van een bron. Een kwart van het gewicht van de downloadterm.
Gemeten en geschat: Gemeten betekent dat er twee metingen van een bron zijn en het verschil echt is. Geschat betekent dat alleen het totaal van vandaag bekend is en het verleden over de levensduur van het model wordt verdeeld; de site geeft aan welke het toont.
Seeder: Iemand die een kopie van de gewichten online houdt zodat anderen die via een torrent kunnen downloaden, of een gehoste mirror die hetzelfde doet. Elk telt als 1.000 downloads.
AI Horde: Een vrijwilligersnetwerk dat gratis beelden genereert op gedoneerde computers. Het aantal beelden dat het met een model heeft gemaakt is openbaar, en elk telt als één download.
Generatiesites: Sites die hun eigen kopieën van een model hosten en mensen laten genereren, zoals PixAI, SeaArt en Yodayo. Hun downloads tellen net als die van Civitai en elke generatie telt als één download.
OpenRouter tokens: Een tekstmodel dat via een API wordt aangeboden, zoals Claude of GPT, heeft geen gewichten om te downloaden, dus het gebruik wordt gemeten in tokens: de tekststukken die het las en schreef via OpenRouter, een gateway die veel apps gebruiken, in de afgelopen 30 dagen. Elke 10,000,000 tokens telt als één download. Bron: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Volledig model (checkpoint): De gewichten zelf, het bestand dat zelfstandig genereert. Het krijgt een bonus omdat add-ons ervan afhangen.
LoRA en embedding: Kleine add-on bestanden die iemands gewichten sturen naar een stijl, een personage of een concept. Ze kunnen niet zelfstandig draaien.
Familie en gewichten: De basis waarop een model is gebouwd, zoals SD 1.5, SDXL, Flux of Wan. Elk model erft de releasedatum van de gewichten van zijn familie.
Leeftijd: Graden afgetrokken voor hoe lang geleden de gewichten van de familie uitkwamen: 150° per jaar, tot 750°. Het houdt oude downloads die jaren hadden om op te lopen door de top van de lijst te bevriezen.
Familie boost: Een kleine, begrensde duw voor LoRA's van een familie die deze site nu naar voren schuift, altijd vermeld in de uitsplitsing.
Stand-in score: Een stabiel getal onder de vloer gegeven aan een model waar nog geen bron over rapporteert, zodat lijsten compleet blijven. Het staat nooit hoger dan een model met data.
Nieuw! (gratieperiode): Een model dat minder dan 7 dagen oud is, toont Nieuw! in plaats van een score en neemt geen plaats in de ranglijst in. De score wordt vanaf dag één berekend, maar een model van één dag oud groeit sneller dan wat dan ook, dus zonder de wachttijd zou de #1 van de week altijd het model zijn dat gisteren uitkwam in plaats van wat een week standhield.
Trend: Hoe de groei van een model over een periode zich verhoudt tot de typische groei van een model over dezelfde periode. Sneller dan typisch betekent stijging, langzamer betekent daling.
Typisch model: Het midden van de catalogus: de helft van de modellen met een cijfer groeide sneller over de periode, de andere helft langzamer.

Hoe de populariteit van dit model zich verhoudt tot de rest van de catalogus: de groei in downloads, likes en gebruik per periode, gemeten ten opzichte van de typische groei van modellen in dezelfde periode, met de heat score op dat moment. Boven de typische groei betekent stijging, eronder daling. Het verleden wordt herbouwd vanuit de huidige totalen, de eerste dag van het model en de gemeten downloadsnelheid als er twee metingen zijn; een model dat er aan het begin van een periode nog niet was, toont n.v.t.

Vergelijkbare modellen

Qwen3 VL 30B A3B Thinking

TEXT / LLM

Meta Llama 3 70B Instruct

AI-modellen voor het genereren van afbeeldingen, video en tekst

Kimi K3 is een tekstmodel voor de Text / LLM-familie, vermeld op ModelTrends.ai, een alleen-lezen catalogus van open source AI-modellen voor afbeeldingen, video en tekst. Vergelijk het met andere Text / LLM-modellen en bekijk de populariteitsscore om de trend te zien.

Meer Text / LLM-modellen Meer Text / LLM Tekst / LLM llm moonshotai visie video redeneren coderen agenten lange context

Bladeren op modelfamilie