Kimi K3 모델이 2.8조 파라미터 규모로 출시되어 최첨단 AI 모델 성능에 도전함
GDPval-AA v2, AA-Briefcase 벤치마크에서 GPT-5.6 Sol, Claude Fable 5에 이어 높은 순위를 기록함
1M 토큰당 $3/$15의 가격 정책은 경쟁 모델 대비 높다는 평가와 함께, 성능을 고려하면 합리적이라는 의견이 공존함
오픈 가중치(Open-weight) 공개 여부에 대한 불확실성과 함께, 실제 사용 시 추론 효율성(Reasoning Efficiency)이 중요 변수로 언급됨
커뮤니티에서는 Kimi K3가 2.8조(2.8T) 파라미터를 가진 것으로 추정되며, 이는 현재 공개된 모델 중 가장 큰 규모임을 지적합니다. 특히 Mixture of Experts (MoE) 아키텍처를 활용하여 Stable LatentMoE 프레임워크 하에서 896개 중 16개의 전문가(Expert)만 활성화한다고 합니다. 이는 계산 효율성(Computational Efficiency)을 크게 높여 K2 대비 약 2.5배의 스케일링 효율성을 달성했다고 평가됩니다. 다만, 활성화된 파라미터 수만으로 약 500억 개에 달할 것으로 예상되어, 이를 구동하기 위한 막대한 인프라 비용이 수반될 것으로 보입니다.
Kimi K3는 GDPval-AA v2에서 1687점, AA-Briefcase에서 1527점을 기록하며 Claude Fable 5와 GPT-5.6 Sol에 이어 최상위권 성능을 보여줍니다. 그러나 추론 효율성(Reasoning Efficiency)이 실제 비용에 직접적인 영향을 미친다는 점이 강조됩니다. 예를 들어, 동일한 작업을 수행하더라도 Kimi K3가 더 많은 추론 토큰을 소모한다면, GPT 모델 대비 비용 효율성이 떨어질 수 있다는 분석입니다. 따라서 1M 토큰당 $3/$15라는 가격이 단순히 높다기보다는, 실제 사용 시나리오에서의 토큰당 비용(Cost per Token)을 고려해야 한다는 의견이 지배적입니다.
초기 정보와 달리 Kimi K3가 오픈 가중치(Open-weight)로 공개될지에 대한 불확실성이 제기되고 있습니다. 일부 사용자는 가격 정책이 높다는 점에서 오픈 모델이 아닐 가능성을 제기하며, 활성 파라미터 수에 대한 정보 부재도 이러한 의구심을 증폭시킵니다. 만약 오픈 가중치로 공개된다면, 이는 최첨단 모델(State-of-the-art Models)의 접근성을 높이는 데 기여하겠지만, 현재로서는 가격과 성능 면에서 클로즈드 모델과의 경쟁을 염두에 둔 전략으로 보입니다.
단편적인 사용자 경험에 따르면, Kimi K3는 Fable 5가 해결하지 못한 버그의 근본 원인을 찾아내는 등 강력한 문제 해결 능력(Problem-Solving Capability)을 보여주었습니다. 또한, K2 시리즈의 창의적 글쓰기 능력도 유지하고 있다는 평가가 있습니다. 하지만 현재 추론 노력(Reasoning Effort) 설정이 'max'로 고정되어 있고, 온도(Temperature) 및 Top-p와 같은 파라미터 조정이 제한적이라는 점은 아쉬운 부분으로 지적됩니다. 또한, 비전 입력 시 공개 이미지 URL을 지원하지 않는 등 사용성 측면의 제약(Usability Constraints)도 존재합니다.
일부 사용자는 AI 관련 게시물이 너무 많아 피로감을 느끼며, HN(Hacker News)에 AI 관련 콘텐츠 필터링 기능을 요청하기도 합니다. 또한, Gemini 3.5 Pro와 같은 다른 최신 모델과의 성능 비교에 대한 기대감도 나타납니다. 특히 코딩 중심의 최신 모델들과 달리, Gemini의 강점인 수학 및 멀티모달 지능과의 비교가 흥미로운 지점이 될 수 있습니다. DeepSeek의 신규 릴리스에 대한 기대감도 함께 언급되며, AI 모델 경쟁이 더욱 치열해지고 있음을 보여줍니다.
