Kimi K3が投げ込んだ2.8兆パラメータ — オープンウェイトはどこまで来たか

Kimi K3 は、中国の Moonshot AI が2026年7月に公開したモデルです。総パラメータ数2.8兆という規模もさることながら、より重要なのはモデルの重みそのものが公開された点にあります。無償で手に入るモデルが、有償の商用最上位と同じ土俵に並びました。

ここで多くの人が抱く期待は「では自分のパソコンで動かせるのか」でしょう。結論を先に書くと、動きません。最も攻めた圧縮をかけても594ギガバイト規模のメモリが要ります。無償で配られていることと、手元で動かせることは別の話です。

この記事では Kimi K3 を、規模・実測性能・価格・ライセンス・実行環境という5つの角度から検証します。とくにライセンスについては、しばしば「オープンソース」と紹介されますが、正確にはそうではありません。その違いが誰にとって問題になるのかまで見ていきます。

2度に分けて公開された経緯

まず時系列です。Kimi K3 は2026年7月16日に発表され、モデルの重みが Hugging Face 上で公開されたのは11日後の7月27日でした。発表日とウェイト公開日が異なるため、日付を引用する際は混同しないよう注意が必要です。

ウェイト公開と同時に、Together AI と Modal が初日からのホスティング提供を表明し、複数のプロバイダを束ねる OpenRouter 経由でも利用可能になりました。つまり「重みが公開された」ことは、自分で動かす選択肢が生まれたと同時に、複数の事業者が競って提供する状態も生んでいます。利用者にとっては、単一のベンダーに縛られない経路が確保されたことになります。

2.8兆という数字の読み方

規模の数字は目を引きますが、そのまま受け取ると誤解します。

Kimi K3 の総パラメータ数は2.8兆ですが、推論時に実際に働くパラメータは1,040億です。これは Mixture-of-Experts と呼ばれる構造によるもので、内部に多数の専門家モジュールを抱え、入力に応じて一部だけを起動する設計になっています。総数は蔵書の冊数、活性パラメータは実際に開く本の冊数に近い比喩で理解できます。

この区別が実務上なぜ重要かというと、計算量と必要メモリが別々に効いてくるからです。1回の推論にかかる計算は活性パラメータの規模に比例するので、2.8兆という総数から想像するほどには重くありません。一方で、どの専門家が呼ばれるか事前にはわからないため、重み全体をメモリに載せておく必要があります。つまり「軽く動くのにメモリは大量に食う」という性質を持ちます。後述する実行環境の話は、ほぼこの一点から導かれます。

この構造は、モデルを大きくしながら実行コストを抑えるための工夫として広く採られるようになりました。すべてのパラメータを毎回動かす従来型の設計では、規模を増やすほど推論も比例して重くなります。専門家を切り替える方式なら、知識の総量を増やしても、一度に使う計算は一定の範囲に収まります。ただし引き換えに、待機している専門家のぶんまでメモリを確保しなければならない。規模の大きさが、計算負荷ではなく設備要件として跳ね返る設計だと言えます。

文脈の長さは1,048,576トークン、約100万トークンです。入力にはテキストと画像を受け付けるネイティブなマルチモーダル対応ですが、出力はテキストのみで、画像を生成するわけではありません。

独立実測で見たKimi K3の位置

Moonshot 自身の主張は後で見るとして、まず独立した測定機関の値を確認します。Artificial Analysis の Intelligence Index で、Kimi K3 は公開時に 57 を記録しました（その後の採点更新を経て、2026年8月時点の値は60です）。

発表直後の2026年7月17日時点では、この57という値は全モデル中3位に相当しました。Claude Fable 5 と GPT-5.6 Sol の下、Claude Opus 4.8 や GPT-5.5 と同水準という位置づけです。ただしその1週間後、7月24日に Claude Opus 5（2026年8月時点で63）が登場したため、8月時点では4位に後退しています。この種の順位は数週間単位で動くという実例です。

同機関の他の指標も見ておきます。GDPval-AA v2 では1668 Elo で、前世代の Kimi K2.6 が記録した1190から大幅に伸びました。AA-Briefcase では1547 Elo です。効率面では、9つの評価をすべて完了するのに約1億3,200万トークンを消費し、これは前世代比で21パーセント少ない量でした。賢くなりつつ、無駄口が減ったことになります。

エージェント用途では首位を取った

総合指数では4位ですが、領域を絞ると評価が変わります。

AutomationBench-AA という指標において、Kimi K3 は53パーセントで1位を記録しました。この種の指標は、複数の手順を自律的にこなす能力を測るものです。ひとつの質問に一発で答える能力ではなく、道具を使い、結果を見て、次の手を決めるという反復のなかで最後まで到達できるかを問います。

商用の最上位モデルを含めた全体で首位を取ったという事実は、単純な「無償だから性能はそこそこ」という図式が成り立たないことを示しています。総合指数の順位だけを見て判断すると、この領域での強さを見落とすことになります。

なぜ総合順位と自律作業の順位がずれるのでしょうか。総合指数は難問への正答率を多く含みます。ここで問われるのは、一度の思考でどこまで深く到達できるかです。一方で自律的な作業に求められるのは、別種の能力です。途中で失敗しても状況を読んで立て直す、必要な情報が足りなければ自分で取りに行く、手順の途中で目的を見失わない。粘り強さと段取りの正確さが効く領域で、ひらめきの鋭さとは必ずしも一致しません。

裏を返せば、モデル選びで見るべき指標は用途によって変わるという、繰り返し確認してきた原則がここでも当てはまります。自律的に作業を進めさせる用途を考えているなら、総合順位より AutomationBench のような指標のほうが判断材料として近い。逆に、難しい問いに一発で答えてほしい用途なら総合指数のほうが参考になります。

価格 — 商用最上位のおよそ3分の1

価格を並べます。数値は100万トークンあたりの米ドルです。

Kimi K3 は Claude Fable 5 に対して、入力・出力とも約3分の1の水準です。同じ土俵で価格を語るなら、Claude Opus 5 や GPT-5.6 Sol に対しては6割前後という位置になります。最上位との比較で3分の1、実務の主力層との比較で6割、と覚えておくと見当が付けやすいでしょう。キャッシュヒット時の入力単価0.30ドルは、同じ前置きを繰り返し送る用途で9割引が効くことを意味します。

実測のタスク単価も出ています。Artificial Analysis の Intelligence Index で1タスクあたり 0.94ドルでした。同じ指標で Claude Opus 5 が2.03ドル、GPT-5.6 Sol が1.04ドルだったことを踏まえると、性能で数ポイント下回りつつ、費用でも下回るという素直な位置取りです。

「オープンウェイト」であって「オープンソース」ではない

ここが本記事で最も注意を要する箇所です。Kimi K3 はしばしば「オープンソースモデル」と紹介されますが、正確ではありません。

Hugging Face 上のライセンス識別子は、標準的なオープンソースライセンスではなく、独自の Kimi K3 License が指定されています。モデルカードには、コードリポジトリとモデルウェイトの双方をこのライセンスの下で公開する旨が記載されています。

条項を読むと、収益に連動した2つの条件が付いています。

ひとつは、Kimi K3 をホスティングして推論を販売する事業として使う場合です。その用途からの収益が12ヶ月で2,000万ドルを超えると、Moonshot との個別契約が必要になります。もうひとつは、自社製品に組み込む場合で、月間アクティブユーザーが1億人または月間収益が2,000万ドルを超えると「Kimi K3」を明示的に表示する義務が生じます。

これらの条件に触れる読者はまずいないでしょう。個人、スタートアップ、そして大半の企業は、利用も改変もファインチューンも再配布も自由にできます。実害という意味ではほぼゼロです。

それでも区別を強調するのは、「オープンソース」という語が持つ含意が違うからです。一般にオープンソースと呼ばれるライセンスは、利用分野や利用者の規模で差別しないことを条件に含みます。収益規模で条件が変わる時点で、その定義からは外れます。ここを曖昧にしたまま社内の技術選定を進めると、後になって法務が止める、という展開になりかねません。重みが公開されていることと、無条件に使えることは、別の話です。

自宅で動くのか — 594GBという下限

読者の多くが知りたいのは、この一点でしょう。実数で答えます。

ウェイトのファイルサイズは1.56テラバイトです。ダウンロードだけでもそれなりの覚悟が要ります。

そして動かすには、重み全体をメモリに載せる必要があります。vLLM という推論基盤の公式メタデータでは、必要なVRAMの下限を約1.68テラバイトと見積もっています。

ここで量子化という手法に触れておきます。モデルの重みは本来、ひとつひとつが細かい精度の数値として保存されています。量子化とは、その精度をあえて粗くして容量を減らす技術です。小数点以下を大胆に丸めるようなもので、当然ながら回答の質は少しずつ落ちます。どこまで落とすかは、必要なメモリと許容できる劣化の綱引きで決まります。

その量子化を使っても、削れる量には限界があります。INT4 と呼ばれる水準まで落として約1,515ギガバイト。最も攻めた1ビット量子化を用いた配布形式でさえ、594ギガバイトが必要です。フル精度から62パーセント削ってなお、この水準です。

比較のために書くと、高性能な民生向けグラフィックスカードの搭載メモリは、上位機種でも数十ギガバイトの範囲です。594ギガバイトはその20倍前後にあたります。Moonshot 自身のデプロイ推奨も、64基以上のアクセラレータを備えた大規模構成を前提としています。

Kimi K3 はオープンウェイトですが、デスクトップで動くモデルではありません。「ローカルで動かす」が成立するのは、その「ローカル」が自社管理下の大規模計算基盤を指す場合に限られます。クラウドでGPUを時間借りする選択肢もありますが、この規模だと時間あたり数十ドル規模の費用感になり、常時稼働させる用途では API のほうが安く付く可能性が高い。

自宅環境でのローカル実行という文脈では、はるかに小さいモデルを対象にしたオープンソース 3D生成 実践 2026 (2026-07-08 公開)で扱った規模感が、個人にとっての現実的な上限に近いところです。

現実的な使い方はAPIかホスティング

では重みの公開に意味がないかというと、そうではありません。意味は3つあります。

第一に、提供事業者の競争が生まれます。Together AI や Modal をはじめ複数のプロバイダが同じモデルを提供するため、価格やレイテンシで選べます。単一ベンダーの値上げや提供停止に対して、乗り換え先が構造的に存在します。7月には提供停止や規制が可用性に影響した例が複数あっただけに、この性質は軽くありません。供給リスクへの備えという観点はAIへの依存リスクが現実になった日 (2026-07-29 公開)で整理したとおりです。

第二に、機密を外に出せない組織にとっての選択肢になります。自前の計算基盤を持つ規模の企業なら、データを社外に送らずに最上位クラスの性能を使えます。これは商用クローズドモデルでは原理的に代替できません。

第三に、研究と派生開発の土台になります。ファインチューンして特定用途に寄せる、量子化手法を試す、内部構造を調べる。こうした活動は重みが手元にないと始まりません。

つまり大半の個人利用者にとっての実際の窓口は API かホスティング事業者ですが、重みが公開されていること自体が、その API の価格と選択肢に効いているという構図です。

オープンウェイト勢の中での位置

同じく重みが公開されているモデル同士で比べると、Kimi K3 の位置はより鮮明になります。

Artificial Analysis の総合指数で、GLM-5.2 は51（パラメータ7,530億）、DeepSeek V4 Pro は44（同1.6兆）です。Kimi K3 の60はこれらを明確に上回ります。重みが手に入るモデルの中では頭ひとつ抜けた位置にあり、しかも規模も最大です。

なお、Moonshot 自身がモデルカードに掲載しているベンチマークもあります。同カードによれば GPQA Diamond で93.5、DeepSWE で67.5、Terminal-Bench 2.1 で88.3 とされています。ただしこれは自社が選んだ土俵での結果であり、比較の骨格には独立実測を置くべきです。前世代との比較を含む中国勢の動向はDeepSeek V4 vs. Claude 4.5 (2026-02-01 公開)で扱った時期から、状況が大きく進んだことがわかります。

メイカーの実務にどう効くか

3Dプリントや設計の作業では、Kimi K3 はどう使えるでしょうか。

まず現実的な結論として、手元で動かす計画は立てないほうがよいです。594ギガバイトという下限は、個人の工房や小規模事業者が用意できる水準を大きく超えています。使うなら API かホスティング経由になります。

そのうえで、実際に効きそうな用途が2つあります。ひとつは、画像を入力できる点を活かした失敗診断です。印刷の失敗写真を渡して原因の候補を挙げさせる、造形物の表面状態から設定の当たりを付ける、といった作業です。入力3ドルという単価なら、大量の写真を機械的に仕分ける運用が現実的な費用に収まります。

もうひとつはキャッシュを効かせた反復利用です。自機のプロファイル、使用中のフィラメントの物性表、過去の失敗記録といった固定的な前置きを毎回渡す運用では、キャッシュヒット時の0.30ドルという単価が効きます。前置きを充実させるほど回答の精度は上がりますが、従来は毎回その全文に課金されていました。ここが9割引になる意味は小さくありません。

画像を扱える点については、期待の範囲を正しく設定しておく必要があります。入力として画像を受け取れるだけで、出力はテキストのみです。図面を描かせたり、造形物の完成予想図を生成させたりはできません。写真を見て言葉で答える、という一方向の使い方に限られます。この区別を曖昧にしたまま導入すると、期待した機能がないことに後から気づくことになります。

一方で注意点もあります。日本語での応答品質や、日本国内で流通する材料・機材についての知識は、独立した指標では測られていません。総合指数が高いことと、自分の使う日本語の文脈で役に立つことは別です。海外製のフィラメントや工具については十分な知識を持っていても、国内メーカーの型番や日本語の商品名で尋ねたときに同じ精度が出るとは限りません。採用を検討するなら、自分の頻出タスクを3つ選んで実際に投げてみる。数字を眺めるより確実です。工程ごとのAI活用の全体像はAI 3D設計 完全ガイド 2026 (2026-07-19 公開)にまとめてあります。

まとめ — 無償で手に入るものが変えた基準

Kimi K3 について確認できたことを整理します。

総パラメータ2.8兆に対して活性は1,040億で、軽く動くがメモリは大量に食うという性質を持ちます。独立実測の総合指数は公開時57・2026年8月時点で60、順位は発表時の3位から、Claude Opus 5 の登場により8月時点では4位です。ただし AutomationBench-AA では商用モデルを含めて1位を取りました。価格は入力3ドル・出力15ドルで、キャッシュヒット時は入力が0.30ドルまで下がります。

ライセンスはオープンウェイトであって、オープンソースではありません。収益連動の条件が2つ付きます。大半の利用者に実害はありませんが、語の使い分けは正確にしておくべきです。

そしてローカル実行は、最も攻めた量子化でも594ギガバイトが下限です。重みが無償で配られていることと、手元で動くことは別だという事実は、この数字ひとつで足ります。

それでも、重みの公開が変えたものはあります。同じモデルを複数の事業者が提供する構造が生まれ、機密を外に出せない組織に選択肢ができ、派生開発の土台ができました。有償の最上位に迫る性能が無償で配られたことで、商用モデルが価格に見合う価値を示す責任は以前より重くなっています。競争の圧力は、使う側に還ってきます。

個人の利用者が今日から取れる行動は、ひとつだけです。手元でよく投げる質問を3つ選び、いま使っているモデルと同じ内容を投げて答えを見比べてみる。順位表を眺めるより、その5分のほうが自分にとっての正解に近づきます。

ブラウザだけでできる本格的なAI画像生成【ConoHa AI Canvas】

swiftwand

X

AIを使って、毎日の生活をもっと快適にするアイデアや将来像を発信しています。 初心者にもわかりやすく、すぐに取り入れられる実践的な情報をお届けします。 Sharing ideas and visions for a better daily life with AI. Practical tips that anyone can start using right away.