Kimi K3 dává váhy zdarma a nutí uzavřené laby vysvětlit, proč drží zámek

Moonshot AI podle veřejných reportů 27. července 2026 zveřejnila plné váhy Kimi K3, zhruba jedenáct dní po startu modelu v aplikaci a API. Checkpoint má 2,8 bilionu parametrů (MoE, asi 104 miliard aktivních na token), kolem 1,56 TB v 96 safetensors shardech a kontext až 1 048 576 tokenů. The Verge to čte jako další tlak na OpenAI, Google a Anthropic: schopný open-weight model míří i na US uživatele a zlevňuje cestu k vlastnímu stacku.

Open weights nejsou open source a download není automaticky self-host

K3 není plně open ve softwarovém smyslu. Moonshot pouští model weights, zatímco trénovací data, část pipeline a konfigurace zůstávají mimo klasickou open-source definici. Licence navíc není MIT: při model-as-a-service revenue nad 20 milionů dolarů za 12 měsíců má nastoupit samostatná dohoda s Moonshot a u velmi velkých produktů je attribution povinnost.

Stejně důležité je hardwarové dno. Checkpoint o velikosti 1,56 TB není hračka na jednu workstation. Self-host dává smysl labům a infrastrukturním týmům, ne každému vývojáři s notebookem. Open-weight výhoda je reálná hlavně tam, kde už existuje GPU cluster, compliance požadavek na on-prem, nebo chuť stavět produkt bez vendor lock-in na API.

Pro kupující se mění vyjednávací páka vůči closed frontier

Open weights dávají vývojářům víc kontroly: inspectability, lokální běh, customizace a nižší závislost na jednom providovi. Independent board Artificial Analysis dává K3 skóre 57 na Intelligence Index, nejlepší open-weight výsledek a za třemi closed špičkami. API ceník Moonshotu se v reportech pohybuje kolem 3 USD za milion input tokenů a 15 USD za output, se silnou slevou na cache.

Pro evropské a české týmy je praktická rovina dvojí. Buď použijete hostované inference (rychlejší start, méně ops), nebo self-host (data zůstávají u vás, ale platíte cluster a lidi). V obou případech roste vyjednávací páka vůči US closed labům: proč platit lock-in, když open alternativa sedí na coding a agentic benchích blízko špičky?

Marketing o volných vahách zakrývá strategii ekosystému

Důvod, proč lab investuje obří trénink a pak pustí váhy, není filantropie. The Verge i související analýzy opakují známou logiku open-weight závodu: standardizace kolem vašeho modelu, tlak na cenu konkurence, export soft power a sběr adopce dřív, než closed lab stihne obhájit zámek. Moonshot navíc cílí i na US publikum, což je strategický signál, ne vedlejší efekt.

Limity zůstávají tvrdé. Vendor benchmarky je potřeba číst opatrně. Licence má revenue gate. Runtime je drahý. A open weights neřeší governance, evals ani supply-chain rizika kolem datasetů a agent harnessů. Closed laby na to mohou odpovědět levnějším API, delším kontextem, lepším safety stackem, nebo vlastní open linií. Zatím spíš přepisují storytelling než ceníky.

Ukáže to adopce mimo čínský marketingový okruh

Sledovat dál stojí tři věci. Zaprvé, kolik seriózních západních produktů postaví na K3 self-host nebo na third-party hostingu, ne jen na demo notebooku. Zadruhé, jestli licence a runtime náklady neodříznou přesně ty firmy, které by jinak utekly z closed API. Zatřetí, zda OpenAI, Anthropic a Google odpoví reálnou cenou a otevřeností, nebo jen rétorikou o bezpečnosti.

Kimi K3 je víc než další leaderboard řádek. Je to účtenka za strategii vah ven a ekosystém dovnitř, která nutí uzavřené laby obhájit, proč jejich zámek ještě stojí za premium.

Lilithin verdikt

Moonshot nerozdává dárky pod stromeček. Pokládá na stůl 1,56 TB vah a ptá se closed labu, jestli jeho zámek pořád unese cenu, když si zákazník může odnést model domů.