Kimi K3とは？K2との違い・料金・使い方を解説【2026】

01Kimi K3とは？何ができるモデルか

Kimi K3は、中国のMoonshot AI（月之暗面）が開発した大規模言語モデルで、同社のフラッグシップにあたります。合計パラメータは2.8兆で、内部はMoE（Mixture of Experts、混合エキスパート）構造です。896個のエキスパートのうち1トークンあたり16個だけが発火する設計のため、規模のわりに1トークンあたりの計算量は実効約50B（500億）パラメータ級に抑えられています。巨大なモデルではありますが、毎回すべてを動かすわけではないという点が特徴です。

得意領域は、長時間にわたって走らせるソフトウェア開発、大規模なコードベースの調査と修正、そしてWeb検索や資料分析をまたぐナレッジワークだと説明されています。テキストに加えて画像・動画を扱うマルチモーダルに対応し、ツール呼び出し・ブラウジング・多段の計画といったエージェント的な動作をネイティブに備えます。画面や図を見せながら開発を進める用途を想定した設計です。

提供チャネルは4つあります。Web／モバイルの「Kimi」、デスクトップアプリの「Kimi Work」（WindowsとApple Silicon Mac向け）、ターミナル／IDE向けの「Kimi Code」、そしてAPIです。APIのモデル名はkimi-k3で、OpenAI SDK互換のため、既存のOpenAI向けコードのエンドポイントとモデル名を差し替えるだけで呼び出せます。ターミナルから使うCLIについてはKimi Code CLIの解説記事もあわせて参照してください。

02Kimi K3はKimi K2と何が違う？

変わったのは、中核アーキテクチャとスケーリング効率、そして扱えるモダリティです。単に「新しくなった」ではなく、長文脈の処理の仕方そのものに手が入っています。編集部が公表情報と各一次情報から差分だけを抜き出すと、次のようになります。

スケーリング効率2.5倍は何を意味するか

開発元は、Kimi K2に対して約2.5倍の全体的なスケーリング効率の向上をアーキテクチャと学習の改善で実現したと説明しています。これは「同じ計算量ならより賢く、同じ賢さならより軽く回せる」方向の主張です。数値そのものは開発元の公表値であり、編集部が再現したものではありません。ただし、発火するエキスパートを16個に絞るMoE設計とあわせて考えると、規模の割に運用しやすくする狙いが一貫している点は読み取れます。

03他のオープンモデルやClaudeとの差はどこか

最大の違いは、2.8兆パラメータ級の重みが公開されるという事実そのものです。ClaudeやGPTは重みが非公開のマネージドモデルで、事業者のAPI越しにしか使えません。Kimi K3は重みが公開されるため、自前のサーバーに置いて動かす、社内データで微調整する、中身を監査するといった選択肢が現実的な検討対象になります。

フロンティアの非公開モデルとの距離についても言及が出ています。AI分析メディアのInterconnects（Nathan Lambert氏）は、公開された第三者集計でKimi K3をオープンモデルの中で最上位クラスと位置づけ、非公開のフロンティアモデルとの差がDeepSeek R1以来で最も縮まったと報告しています。これは編集部が測定した数値ではなく、あくまで外部の集計にもとづく報告です。実務上の要点は「順位が何位か」よりも、手元に置けるモデルの上限が一段上がったことにあります。

マネージドで足りるならClaudeやGPTを使い続ける判断も十分に合理的です。両者の位置づけの違いは、Anthropicの最新世代を扱ったClaude Opus 5の解説記事とあわせて読むと整理しやすくなります。

04アウトプットにどんな差が出ると想定されるか

差が出やすいのは「長い文脈をまたぐ作業」と「エージェント的に手を動かす作業」の2点だと想定されます。以下は公表された仕様差から導いた想定であり、編集部が数値で測定した結果ではありません。

いずれも「仕様がこうだから、この工程ではこう変わると考えられる」という筋道で読んでください。実際の当たり外れは、渡すプロンプトと対象コードの素性で変わります。導入する場合は、自分の典型タスクを2〜3件そのまま流して、手元で確かめるのが確実です。

05Kimi K3は自分の環境で動かせる？

重みは公開されますが、個人PCで気軽に動かせる規模ではありません。オープンウェイトという言葉から「無料で手元に落として使える」と読むと、ハードウェアの前提でつまずきます。

この前提から、現実的な使い分けははっきりします。組織として機密を外に出さずに大量に回したいなら自己ホストが選択肢になり、個人や小規模チームはAPI経由、または各推論プロバイダのホスティング経由で使うのが素直です。量子化認識学習を後付けの量子化ではなく微調整段階から行っている点は、量子化版の品質を保ちたいという意図として押さえておくと判断材料になります。

06サイト制作・LP制作でKimi K3を使う手順

サイト制作との相性が良いのは、100万トークンのコンテキストを活かして既存サイト一式をまとめて渡し、横断的に直す使い方です。OpenAI SDK互換なので、aiderやCline／Roo CodeのようなOpenAI互換クライアントの接続先とモデル名をkimi-k3に向けるだけで動かせます。

例えばaiderでLPを触るなら、次のように接続先とキーを渡して起動します。エンドポイントとキーの値は、使う推論プロバイダやMoonshotの公式ドキュメントに記載の値へ置き換えてください。

export OPENAI_API_KEY="発行したAPIキー"
export OPENAI_API_BASE="公式ドキュメント記載のOpenAI互換エンドポイント"
aider --model openai/kimi-k3 index.html style.css script.js

起動後は、日本語でそのまま指示します。たとえば「このLPのファーストビューをスマホ幅（375px）で崩れないように直して。既存のクラス名と配色コードは変えないで」と書くと、変更が差分で提示されるので、内容を確認してから適用します。既存のクラス名を保持させる一文を必ず添えるのが、レイアウトを壊さないコツです。

もう一つ相性が良いのが、全ページのメタ情報の一括点検です。複数ページのHTMLをまとめて渡し、「各ページのtitle・meta description・OGPを一覧化して、重複や未設定を指摘して」と指示すると、100万トークンのコンテキストで横断チェックができます。手作業でページを行き来する確認が一度で済みます。

07自社ツール開発でのKimi K3の使い方

自社ツール開発では、ネイティブのツール呼び出しを使って「情報取得→整形→登録」を一つの流れで自動化する用途に向きます。OpenAI SDK互換なので、Python公式SDKの接続先を差し替えるだけで書けます。

from openai import OpenAI

client = OpenAI(
    api_key="発行したAPIキー",
    base_url="公式ドキュメント記載のOpenAI互換エンドポイント",
)

resp = client.chat.completions.create(
    model="kimi-k3",
    messages=[{"role": "user", "content": "指定URLの本文から会社名と料金を抜き出しJSONで返して"}],
    tools=[{
        "type": "function",
        "function": {
            "name": "fetch_url",
            "description": "URLの本文テキストを取得する",
            "parameters": {
                "type": "object",
                "properties": {"url": {"type": "string"}},
                "required": ["url"],
            },
        },
    }],
)
print(resp.choices[0].message.tool_calls)

モデルがtool_callsで「このURLを取得したい」と返してくるので、こちら側で実際の取得処理を実行し、結果をメッセージに戻して続きを生成させます。この往復を回すことで、競合ページの定点取得から社内ダッシュボードへの蓄積までを一本のスクリプトにまとめられます。100万トークンのコンテキストがあるため、長いログや複数記事をまとめて要約させる後処理も同じ枠組みで組めます。

API接続をツールごとに書き分けるのが面倒になってきたら、接続の口を標準化するMCP（Model Context Protocol）と組み合わせる手もあります。なお、APIキーやトークンは必ず環境変数で渡し、公開リポジトリには置かないでください。自動投稿やスクレイピングを組む際は、対象サイトの利用規約と取得間隔にも配慮が必要です。

08Kimi K3の料金プランと使える場所

APIの公表単価は、使った分だけ支払う従量課金です。Moonshot AIが公表しているグローバル価格は次のとおりです。

使える場所は、Web／モバイルのKimi、デスクトップのKimi Work、ターミナル／IDEのKimi Code、そしてAPIの4つです。加えて、オープンウェイトとして重みが公開されるため、自前のインフラや各推論プロバイダ経由でも動かせます。重み自体の入手に課金はありませんが、動かすためのGPUインフラの費用は別に発生します。学習データやコードは非公開のため、正確には完全なオープンソースではなくオープンウェイトという位置づけです。単価はドル建てのため、為替の影響を受ける点も見込んでおくと安全です。

09Kimi K3が向いている人・向かない人

向いているかは「重みを自前で抱える必要があるか」で切り分けると分かりやすくなります。機密を外部APIに出せない大規模チームや研究組織で、かつGPUクラスタを用意できるなら、2.8兆パラメータ級を手元に置ける意味は大きいといえます。長時間のエージェント作業やリポジトリ規模のコード修正を多く回す開発者にも噛み合います。

一方で、個人や小規模チームがマネージドの品質と安定で足りているなら、無理に乗り換える必要はありません。その場合はAPI経由で必要なときだけ呼ぶ、あるいは既存のClaudeやGPTを使い続ける判断が現実的です。多言語対応をうたっており、日本語での入出力は問題なく行えるため、言語面での不安は小さいといえます。

10Kimi K3のよくある質問

11まとめ｜Kimi K3を試すかの判断基準

Kimi K3を使うかは、重みを自前で抱える必要があるかどうかで判断するのが分かりやすい進め方です。機密を外に出さずに大規模に回したい組織にとっては、2.8兆パラメータ級を手元に置ける選択肢が現実になった意味が大きく、そうでなければAPI経由で必要なときに呼ぶのが失敗しにくい入り方です。まずは自分の典型タスクを2〜3件、kimi-k3のAPIにそのまま流し、出力の当たり方が手に馴染むかを確かめるところから始めるのがおすすめです。

ターミナルから使う具体的な手順はKimi Code CLIの解説、マネージドの最新世代との比較はClaude Opus 5の解説でまとめています。

12出典