Kimi K3 oddaje wagi za darmo i zmusza zamknięte laby, by obroniły zamek

Moonshot AI według publicznych relacji 27 lipca 2026 opublikowała pełne wagi Kimi K3, około jedenaście dni po starcie modelu w aplikacji i API. Checkpoint ma 2,8 biliona parametrów (MoE, ok. 104 miliardy aktywnych na token), około 1,56 TB w 96 shardach safetensors i kontekst do 1 048 576 tokenów. The Verge czyta to jako kolejną presję na OpenAI, Google i Anthropic: mocny open-weight model celuje także w użytkowników z USA i taniej otwiera drogę do własnego stacku.

Open weights to nie open source, a download nie znaczy automatycznego self-hosta

K3 nie jest w pełni open w klasycznym sensie software'owym. Moonshot wypuszcza model weights, podczas gdy dane treningowe, część pipeline i konfiguracja zostają poza czystą definicją open source. Licencja też nie jest MIT: przy przychodzie model-as-a-service powyżej 20 milionów dolarów w 12 miesięcy ma wejść osobna umowa z Moonshot, a przy bardzo dużych produktach obowiązuje attribution.

Równie ważne jest dno sprzętowe. Checkpoint 1,56 TB to nie zabawka na jedną stację roboczą. Self-host ma sens dla labów i zespołów infrastrukturalnych, nie dla każdego developera z laptopem. Przewaga open-weight jest realna głównie tam, gdzie jest już klaster GPU, wymóg compliance na on-prem albo chęć budowania produktu bez vendor lock-in na API.

Dla kupujących rośnie dźwignia wobec closed frontier

Open weights dają developerom więcej kontroli: inspectability, lokalny bieg, customizację i mniejszą zależność od jednego providera. Independent board Artificial Analysis daje K3 wynik 57 na Intelligence Index, najlepszy open-weight rezultat i miejsce tuż za trzema closed liderami. Cennik API Moonshotu w relacjach oscyluje wokół 3 USD za milion tokenów input i 15 USD output, z mocną zniżką na cache.

Dla europejskich zespołów praktyczny podział jest prosty. Albo hostowane inference (szybszy start, mniej ops), albo self-host (dane zostają u was, ale płacicie za klaster i ludzi). W obu przypadkach rośnie dźwignia wobec US closed labów: po co płacić za lock-in, skoro open alternatywa siada blisko szczytu na coding i agentic benchach?

Marketing wolnych wag maskuje strategię ekosystemu

Powód, dla którego lab inwestuje ogromny trening, a potem puszcza wagi, to nie filantropia. The Verge i pokrewne analizy powtarzają znaną logikę open-weight wyścigu: standaryzacja wokół waszego modelu, presja na cenę konkurencji, eksport soft power i zbieranie adopcji, zanim closed lab zdąży obronić zamek. Moonshot dodatkowo celuje w publiczność z USA, co jest sygnałem strategicznym, nie efektem ubocznym.

Limity zostają twarde. Vendor benchmarki trzeba czytać ostrożnie. Licencja ma revenue gate. Runtime jest drogi. A open weights nie rozwiązują governance, evals ani ryzyka supply-chain wokół datasetów i agent harnessów. Closed laby mogą odpowiedzieć tańszym API, dłuższym kontekstem, lepszym safety stackiem albo własną linią open. Na razie szybciej przepisują storytelling niż cenniki.

Pokaże to adopcja poza chińskim obiegiem marketingowym

Dalej warto śledzić trzy rzeczy. Po pierwsze, ile poważnych zachodnich produktów stanie na K3 self-host albo third-party hostingu, a nie tylko na demo notebooku. Po drugie, czy licencja i koszty runtime nie odetną właśnie tych firm, które inaczej uciekłyby z closed API. Po trzecie, czy OpenAI, Anthropic i Google odpowiedzą realną ceną i otwartością, czy tylko retoryką o bezpieczeństwie.

Kimi K3 to więcej niż kolejny wiersz na leaderboardzie. To rachunek za strategię wag na zewnątrz i ekosystemu do środka, która zmusza zamknięte laby, by obroniły, dlaczego ich zamek nadal jest wart premium.

Werdykt Lilith

Moonshot nie rozdaje prezentów pod choinkę. Kładzie na stół 1,56 TB wag i pyta każdy closed lab, czy jego zamek nadal unosi cenę, gdy klient może zabrać model do domu.