K3 能原生支持 100 万 token 上下文，关键在 Kimi Delta Attention（KDA）——一种混合线性注意力机制。传统 Transformer 注意力复杂度随序列长度平方增长，KDA 用固定大小的循环状态和每通道遗忘门把复杂度降至线性，93 层中有 69 层使用 KDA。这解决了超大模型跑长上下文时 KV Cache 爆炸的工程难题，使 1M 上下文窗口成为可能，也让 K3 能在同等算力下「读更长、干更复杂的事」。

K3 的 1.56TB 权重文件并非 post-training 量化产物，而是从 SFT 阶段就用量化感知训练（QAT）让模型原生适应 MXFP4 精度。MXFP4 是 OCP 定义的 4 位微缩浮点格式：每 32 个权重共享一个 8 位缩放因子，每参数仅约 4.25 bit。这套方案最早由 OpenAI 在 GPT-OSS 中验证，能将 1200 亿参数模型塞进 80GB 单卡。但 K3 的 2.8T 参数即便压缩到 4 位，权重仍达 1.56TB——单机 8 卡 H200 的 1128GB 显存连权重都装不下，多机推理成为必选项。

K3 开源后，OpenAI 战略未来负责人 Dean Ball 公开称开放权重模型是「减速主义力量」——它削弱前沿模型的商业回报，降低企业继续投入数百亿美元训练下一代模型的动力，最终 AI 可能演变为国家提供的「数字公共基础设施」。他还预测美国不会直接限制开源，而是通过安全审查和监管指引制造合规障碍。硅谷多方驳斥，认为这是用政治话术包装商业保护主义；开源社区则用 48 小时在消费级笔记本上跑通 K3 来回应。

K3 的 API 定价直接对标 Claude Sonnet 5（输入 3 美元、输出 15 美元每百万 token），一反中国模型「低价换量」的传统。月之暗面企业业务负责人明确表示「开源模型不该被贴上低价标签」。高盛研报将此举视为中国模型争夺定价权的标志性节点。当下能看到的关键变量是：K3 的 API 调用量能否支撑商业模式从「投资驱动」转向「收入驱动」；以及海外开发者是否会因成本优势大规模迁移。焦点在 2026 年 Q4 的财报数据。

文章给出 K3 私有化部署最低 730 万、推荐 3000 万的账单，但没算 API 方案。Kimi 官方 API 定价（缓存命中每百万 token 0.3 美元）与 Claude Sonnet 5 持平，且编程场景缓存命中率超 90%。真正值得追问的是：什么场景下 3000 万买硬件比按量付费合算？安全合规要求多高才值得多机 RDMA 网络开销？以及——GPU 服务器 2026 年交付周期已延至 2027 年，等硬件到齐，K3 会不会已被下一代模型替代？