Kimi K3 มาแล้ว: โมเดลเปิดระดับ 3T ตัวแรก พร้อมใช้บน MuiRouter

เมื่อวันที่ 17 กรกฎาคม 2026 Kimi เปิดตัวเรือธงรุ่นใหม่ Kimi K3 จุดเด่นที่สะดุดตาที่สุดย่อมเป็น พารามิเตอร์ 2.8 ล้านล้านตัว ซึ่ง Kimi ระบุว่าเป็นโมเดลเปิดตัวแรกของโลกที่ก้าวเข้าสู่ระดับ 3T พลังจากขนาดมหาศาลย่อมช่วยได้ และการเพิ่มพารามิเตอร์ก็มีประโยชน์แน่นอน แต่ถ้ามีเพียงขนาดอย่างเดียว การเปิดตัวครั้งนี้คงไม่สร้างแรงสั่นสะเทือนในวงการได้มากขนาดนี้

เมื่อคืน ผู้เชี่ยวชาญคนหนึ่งในกลุ่มของผมลองใช้ Kimi K3 แล้วกลายเป็นผู้ช่วยประชาสัมพันธ์แบบไม่รับค่าจ้างทันที คำพูดของเขาคือ:

ลองแล้ว แรงมาก อัปเกรดเป็นแพ็กเกจ ¥199 แล้ว มีแค่แพ็กเกจนี้ที่รองรับ 1M พอใช้แล้ว รู้สึกว่า GPT ดูโง่ไปเลย (ในงาน frontend)

คนอื่นในกลุ่มได้รับอิทธิพลจากเขา จึงเริ่มทดลองและสมัครแพ็กเกจ ¥199 ตามกันไป พอเปิดโซเชียลมีเดียเช้าวันนี้ K3 ก็เต็มฟีดไปหมดแล้ว

ครั้งนี้ Kimi รวม context 1M, vision แบบ native, การเขียนโค้ดระยะยาว, tool calling และงานความรู้ไว้ใน K3 ขณะเดียวกัน ราคา API ก็รุกหนัก โดยอยู่ที่ประมาณ 60% ของ GPT-5.6 Kimi ไม่ได้ต้องการสร้างโมเดลไว้คุยเล่นกับผู้ใช้ แต่ต้องการโมเดล agent ที่ทำงานด้วยตัวเองเป็นเวลานานและทำภารกิจให้เสร็จได้

เราเพิ่ม kimi-k3 เข้า MuiRouter เรียบร้อยแล้ว คุณใช้ API Key เดิมและ /v1/chat/completions ต่อได้ เพียงเปลี่ยนชื่อ model ก็เริ่มทดสอบได้ทันที Playground ยังรองรับการส่งรูปภาพ แยกแสดงกระบวนการคิดออกจากคำตอบสุดท้าย และแสดงจำนวน token ที่ cache hit

Kimi K3 คืออะไรกันแน่

จาก บทความเปิดตัว Kimi K3 อย่างเป็นทางการ และ คู่มือ API สเปกหลักของรุ่นนี้มีดังนี้:

KDA และ AttnRes คือแกนสำคัญของการปรับสถาปัตยกรรมครั้งนี้ อย่างแรกใช้กลไก attention ที่มีประสิทธิภาพมากขึ้นเพื่อรองรับ context ยาว ส่วนอย่างหลังช่วยให้โมเดลดึงข้อมูลข้ามระดับความลึกของเครือข่ายได้อย่างเลือกสรร เมื่อรวมกับ MoE ที่เบาบางกว่าเดิม Kimi ระบุว่า K3 มี scaling efficiency โดยรวมดีขึ้นประมาณ 2.5 เท่าเมื่อเทียบกับ K2

จำนวนพารามิเตอร์และสถาปัตยกรรมสำคัญ แต่สำหรับนักพัฒนา คำถามที่ตรงกว่าคือคุ้มค่าหรือไม่ และซื้อใช้งานได้สะดวกแค่ไหน เพราะตอนนี้แม้แต่ coding plan ของ GLM-5.2 ก็ยังต้องแย่งกันซื้อ

ความสามารถสี่ด้านที่น่าจับตาที่สุด

1. การเขียนโค้ดระยะยาว

Kimi วาง long-horizon coding เป็นสนามหลักอันดับแรกของ K3 ตัวอย่างทางการไม่ได้หยุดอยู่ที่การสร้างฟังก์ชันหนึ่งตัว แต่ให้โมเดลควบคุม terminal เป็นเวลานาน ทำความเข้าใจ repository ขนาดใหญ่ รันและแก้โค้ดซ้ำ ๆ สร้างระบบ compiler สำหรับ GPU ตั้งแต่ศูนย์ ปรับแต่ง kernel และถึงขั้นทำภารกิจออกแบบชิปต่อเนื่อง 48 ชั่วโมงจนเสร็จ

ตัวอย่างเหล่านี้มาจาก Kimi เอง จึงไม่อาจถือว่าให้ผลแบบเดียวกับโปรเจกต์จริงของเราโดยตรง แต่อย่างน้อยก็แสดงให้เห็นว่า Kimi K3 ให้ความสำคัญกับ workflow การพัฒนาในโลกจริง เพราะงานประจำวันของเราไม่ใช่การเขียน bubble sort แต่เป็นการจัดการกระบวนการซับซ้อนและทำ business logic ที่ยุ่งยากให้สำเร็จ

2. Vision in the loop

K3 ไม่เดินตามรอย DeepSeek, MiMo และ GLM ด้วยการต่อระบบ OCR แยกเข้ามา Kimi เน้นว่า vision ของมันคือ vision in the loop: โมเดลเขียนโค้ด ดูภาพหน้าจอจริง แล้วปรับงานต่อจากสิ่งที่เห็น วิธีนี้มีประโยชน์กับ frontend เกม CAD การทำ data visualization และทุก workflow ที่เป็นแบบ “ทำออกมา—ดูสักครั้ง—แก้ต่อ” ผลงานเมื่อคืนก็แสดงจุดนี้ได้ชัดเจน ใครมีงาน frontend ผมแนะนำให้ลอง

ใน MuiRouter Playground คุณอัปโหลดไฟล์ PNG, JPEG, WebP หรือ GIF แล้วส่งรูปพร้อมข้อความใน message เดียวกันได้ เรายังไม่ได้เปิดให้อัปโหลดวิดีโอ แต่ถ้าต้องการทดสอบความเข้าใจ screenshot การวิเคราะห์ UI หรือถามตอบจากภาพและข้อความ การรับรูปภาพที่มีอยู่ก็เพียงพอแล้ว

3. Context 1M และ Prompt caching

Context 1M หมายความว่าโมเดลอ่าน code repository ที่ใหญ่ขึ้น เอกสารจำนวนมากขึ้น หรือข้อมูลวิจัยที่ยาวขึ้นได้ในครั้งเดียว ที่สำคัญกว่านั้น Kimi ออกแบบระบบ cache อัตโนมัติควบคู่กับ context ยาว เมื่อส่ง prefix เดิมซ้ำและ cache hit token ส่วนนั้นจะคิดในราคาที่ต่ำกว่ามาก

สิ่งนี้สำคัญกับ coding agent ใน session ยาว system instruction, ข้อมูลของ repository และประวัติข้อความจะถูกส่งซ้ำอยู่เสมอ หากอัตรา cache hit สูงพอ เนื้อหาใหม่เพียงส่วนน้อยเท่านั้นที่ต้องจ่ายราคา input เต็ม Kimi ระบุว่า API อย่างเป็นทางการสามารถมีอัตรา cache hit มากกว่า 90% ใน coding workload อย่างไรก็ตาม ตัวเลขจริงยังขึ้นอยู่กับโครงสร้าง prompt และวิธีจัดการ session ของคุณ

4. Tool calling และ Structured Output

K3 รองรับ custom tools, tool_choice, JSON Mode และ Structured Output ทั้งหมดนี้เป็นความสามารถแบบ agentic ที่โมเดลยุคนี้ขาดไม่ได้: เลือกว่าจะเรียกเครื่องมือใด สร้างพารามิเตอร์ อ่านผลลัพธ์ แล้ว reasoning ต่อ

สิ่งที่ต้องใส่ใจเป็นพิเศษคือ K3 ต้องใช้ thinking history ที่ครบถ้วน ในการเรียกเครื่องมือหลายรอบที่ซับซ้อน agent harness ควรส่ง reasoning_content จากรอบก่อนกลับไปแบบเดิม การสลับจากโมเดลอื่นมาเป็น K3 กลาง session ก็อาจทำให้พฤติกรรมไม่เสถียร การแชตธรรมดาไม่ต้องกังวลเรื่องนี้ แต่ถ้าจะสร้าง agent ที่ทำงานเป็นเวลานาน รายละเอียดด้าน compatibility นี้ข้ามไม่ได้

คะแนน benchmark ก็ดูไว้ แต่อย่าเพิ่งเชื่อทั้งหมด

ผลที่ Kimi เผยแพร่ทำให้ K3 เข้าไปอยู่ในช่วงของ frontier model และในบางการทดสอบด้าน coding กับงานความรู้ K3 เข้าใกล้หรือทำได้ดีกว่าโมเดลปิดที่แพงกว่า แต่ตัวเลขส่วนใหญ่มาจากการประเมินของ Kimi เอง ในบทความเปิดตัว Kimi ก็พูดตรง ๆ ว่าประสบการณ์โดยรวมของ K3 ยังตามหลัง Claude Fable 5 และ GPT-5.6 Sol นอกจากนี้ยังระบุข้อจำกัดสองข้อด้วยตนเอง: K3 ไวต่อ thinking history และในภารกิจระยะยาวอาจกระตือรือร้นเกินไปจนตัดสินใจแทนผู้ใช้โดยไม่ได้รับอนุญาตอย่างชัดเจน

ราคา API

ราคาอย่างเป็นทางการ ของ Moonshot AI สำหรับ Kimi K3 คือ:

ราคา input ที่ cache hit มีเพียงหนึ่งในสิบของ input ปกติ นี่คือจุดที่ควรใช้ให้คุ้มที่สุดในโครงสร้างต้นทุนของ K3 ขณะเดียวกัน K3 ใช้ thinking effort สูงสุดอยู่เสมอ งานง่าย ๆ จึงอาจสร้าง reasoning token จำนวนมากได้ มันเหมาะกับงานที่ต้องใช้ reasoning, context ยาว หรือการทำหลายขั้นตอนจริง ๆ มากกว่าการใช้แทนโมเดลเล็กราคาถูกทุกตัว

MuiRouter รองรับอะไรแล้วบ้าง

kimi-k3 บน MuiRouter รองรับแล้วดังนี้:

• Context window 1M tokens;
• รูปภาพ PNG, JPEG, WebP และ GIF;
• max thinking ที่เปิดตลอดเวลา;
• Streaming output พร้อมแยกแสดงกระบวนการคิดและคำตอบสุดท้าย;
• Custom tools, tool_choice และ response_format;
• Prompt caching พร้อมแสดงจำนวน input ทั้งหมด, cached input และ output tokens ใน Playground;
• API /v1/chat/completions ที่เข้ากันได้กับ OpenAI

kimi-k2.6 เดิมยังคงอยู่เป็นตัวเลือกแยกที่มีต้นทุนต่ำกว่า K3 เหมาะกับงานยาก งานยาว และงานภาพมากกว่า หากคุณไม่ต้องการ deep reasoning ก็ไม่จำเป็นต้องอัปเกรดเพียงเพราะเป็นรุ่นใหม่

วิธีเรียกที่ง่ายที่สุดมีดังนี้:

curl https://api.muirouter.com/v1/chat/completions \
  -H "Authorization: Bearer $MUI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "kimi-k3",
    "messages": [
      {"role": "user", "content": "วิเคราะห์โปรเจกต์นี้และเสนอแผนการพัฒนาขั้นต่อไป"}
    ],
    "reasoning_effort": "max",
    "max_completion_tokens": 16384,
    "stream": true
  }'

หากคุณใช้ OpenAI SDK อยู่แล้ว เพียงตั้ง Base URL เป็น https://api.muirouter.com/v1 แล้วเปลี่ยน model เป็น kimi-k3 การส่งรูปยังใช้ content part แบบมาตรฐาน image_url จึงไม่ต้องเรียนรู้ API ใหม่

บทสรุป

เป็นเรื่องน่ายินดีที่ในช่วงเวลานี้ โมเดลจากจีนยังพัฒนาต่อ และโมเดลเปิดยังผลักขอบเขตให้ไกลขึ้น Kimi K3 เป็นครั้งแรกที่นำโมเดลเปิดระดับ 3T, context 1M, vision แบบ native และความสามารถของ agent ระยะยาวมารวมไว้ในโมเดลเดียวที่แข่งขันได้ เชื่อว่าอีกไม่นานจะมีผู้ให้บริการจำนวนมากขึ้นเปิดให้ใช้ K3

แน่นอนว่า Kimi K3 อาจยังแทน Claude Fable 5 หรือ GPT-5.6 Sol ไม่ได้ทั้งหมด Kimi ยอมรับว่าประสบการณ์โดยรวมยังมีช่องว่าง max thinking เพิ่มทั้ง latency และค่า output และ agent ที่ซับซ้อนต้องเก็บ thinking history ให้ถูกต้อง แต่เรื่องเหล่านี้ไม่ได้ขัดขวางการย้ายงานบางส่วนมาใช้ K3 โดยเฉพาะงาน frontend

ตอนนี้คุณเลือก Kimi K3 ใน MuiRouter Playground แล้วทดสอบด้วยโค้ด รูปภาพ และงานจริงของตัวเองได้เลย ยังคงใช้ API Key เดียวและรูปแบบ request เดิม เพียงเปลี่ยนชื่อ model เท่านั้น