この記事はAIによって生成されました。重要な情報は独自に確認してください。

Kimi K3: Moonshot AIの推論モデル

Crypto Wiki|Aug 11, 2026|★★★★★★4.5 (500 件の評価)
Kimi K3Moonshot AI推論モデルLLMベンチマークAIモデルの比較
AI 要約

Kimi K3 review: Moonshot AI's flagship reasoning model with 96.2 AIME score, 128K context, and $0.15/M token pricing. Compare benchmarks vs GPT-4o, Cl...

公開日：2025年7月 | 最終更新日：2025年7月

ムーンショットAIは、フラッグシップの推論型大規模言語モデル「Kimi K3」をリリースし、2025年の最先端AI分野において、GPT-4o、Claude 3.7 Sonnet、DeepSeek V3、Qwen3と直接競合することになります。このモデルは、ムーンショットAIのロングコンテキスト（長文脈）の伝統を基盤としつつ、複雑な数学、ソフトウェアエンジニアリング、科学的問題解決を対象とする推論第一のデザインへと方向転換しています。本ガイドでは、K3のアーキテクチャと技術仕様、5つの主要な評価スイートにおけるベンチマークパフォーマンス、直接的な競合比較、およびKimiアプリまたはKimiアプリケーション・プログラミング・インターフェース（API）を介したK3へのアクセス方法について解説します。

TL;DR：Kimi K3 の概要

  • 開発元： Moonshot AI (月之暗面)、中国・北京
  • リリース日： 2025年7月
  • アーキテクチャ： Mixture of Experts (MoE) Transformer
  • パラメータ： 合計671B、フォワードパスごとに32Bアクティブ（Moonshot AI の技術レポートより）
  • コンテキストウィンドウ： 128Kトークン
  • 主要ベンチマーク（AIME 2025）： 96.2 (pass@1、Moonshot AI の技術レポートより)
  • オープンウェイト： いいえ。API および一般向けアプリからのアクセスのみ。
  • アクセス： kimi.ai の Kimi AI アシスタント / Moonshot AI 開発者プラットフォーム

Kimi K3とは？

Kimi K3は、Moonshot AI（月之暗面）によって開発され、2025年7月にリリースされた大規模言語モデル（LLM）です。数学、ソフトウェアエンジニアリング、および知識集約型の専門的タスクにおける複雑な多段階の問題に取り組むため、拡張型思考連鎖（Extended Chain-of-Thought）処理を利用する、推論を最優先したフラッグシップモデルとして設計されています。大規模言語モデルとは、広範なテキストコーパスでトレーニングされ、自然言語を生成、翻訳、要約、および推論できる深層学習モデルであり、K3はこのクラスのフロンティア層に属し、数千億というパラメータ数を特徴としています。

Kimi K3 のような推論モデルは、最終的な回答を生成する前に、明示的な中間思考ステップを生成します。このアプローチは、複雑な問題に対する精度を向上させますが、標準的な指示追従モデルと比較して応答時間を増加させます。Kimi K3 は、2024年と2025年に推論パラダイムを確立したモデルである OpenAI o3 および DeepSeek R1 と同じ能力クラスに位置します。

K3は、ツールの使用とロングコンテキストの文書処理に特化したエージェンティックモデルとして位置づけられていたMoonshot AIの以前のフラッグシップモデル、Kimi K2の後継です。K2からK3への移行は、エージェント能力から汎用的な推論へと意図的に重点を移したことを示しています。Moonshot AIの公式ブログによると、K3は2025年7月のローンチと同時に、KimiアプリとAPI経由で利用可能になりました。

Moonshot AI：Kimi K3の背後にある企業

Moonshot AI（月之暗面、Yuèzhī Ànmiàn）は、2023年に設立された北京拠点の人工知能（AI）企業です。同社は、大規模言語モデル「Kimi」ファミリーおよび「kimi.ai」のKimi AIアシスタントアプリケーションの開発で最もよく知られています。同社は、BERTと直接競合した初期のTransformerベース言語モデルであるXLNetの共著者であり、清華大学とカーネギーメロン大学の研究者であったYang Zhilin氏によって設立されました。BloombergおよびCrunchbaseの報道によると、Moonshot AIは2025年半ば時点で、約33億ドルの評価額で10億ドル以上の資金調達に成功したと報じられており、中国で最も評価額の高いAIスタートアップの一つとなっています。

ムーンショットAIの創業時の技術的テーゼは、ロングコンテキストの特化でした。初期のKimiモデルは、競合他社のほとんどが32Kまたは128Kトークンが上限だった当時、100万トークンのコンテキストウィンドウを提供し、ムーンショットAIに独自のプロダクトアイデンティティ（商品としての特徴）を与えました。同社のモデルの進化は、Kimi（2023年、初のロングコンテキストモデル）からKimi K2（2025年半ば、ツール使用が可能なエージェント型MoEモデル）、そしてKimi K3（2025年7月、本ガイドで取り上げるフラッグシップの推論モデル）へと続きます。

K3の登場により、Moonshot AIはロングコンテキストへの特化を超えて、トップクラスの推論ベンチマーク性能を備えるまでポジショニングを拡大しました。これにより、OpenAI、Anthropic、Google DeepMind、DeepSeek、Alibaba Cloudと直接競合する立場となりました。

Moonshot AIの商品スイートおよび企業背景の完全な概要については、Moonshot AI：会社概要およびKimi商品ガイド.

Kimi K3のアーキテクチャと技術仕様

Kimi K3は、総パラメータ数6710億、128Kトークンのコンテキストウィンドウ、および強化学習（RL）ベースの事後学習によって実現された拡張推論能力を備えた、Mixture of Experts（MoE）設計に基づいて構築されています。このアーキテクチャは、Moonshot AIのKimi K3技術レポートで確認されています。

モデルサイズとパラメータ数

Moonshot AIの技術レポートによると、Kimi K3は総パラメータ数6710億、フォワードパスあたり320億のアクティブパラメータを含んでいます。Mixture of Experts（MoE）アーキテクチャ（2017年以降のすべての最新大規模言語モデルの基盤となる設計で、ここではスパース活性化形式で適用されています）では、総パラメータはそのモデルの全エキスパートサブネットワークにわたる総容量を反映し、アクティブパラメータは各推論パスで関与するサブセットのみを反映します。この区別により、推論時に多数の総パラメータ数を計算可能にし、6710億の総パラメータがパスあたり320億として活性化されることで、はるかに小さい密なモデルと同等の推論コストを維持します。

Moonshot AIの以前のモデルであるKimi K2は、合計パラメータ数約1兆、アクティブパラメータ数320億のMoE（混合エキスパート）設計を採用していました。K3は、アクティブパラメータ数を維持しつつ合計パラメータ数を削減しており、Moonshot AIの技術レポートはこの構成をエキスパート・ルーティング効率の向上によるものとしています。K3における合計に対するアクティブの比率（32B/671B）はK2（32B/1T）よりも高く、1回のフォワードパスあたりのエキスパート利用密度が高まっていることを示しています。

コンテキストウィンドウ

Kimi K3は128Kトークンのコンテキストウィンドウをサポートしており、これは1回のやり取りで約96,000語の英語テキスト、または約5,000〜10,000行のコードを処理できることを意味します。コンテキストウィンドウとは、モデルが一度に処理できるテキストの最大量であり、より大きなウィンドウがあれば、情報を見失うことなく、書籍全体、コードベース、または複数文書の研究セットを分析することが可能になります。

比較すると、GPT-4oは128Kトークン、Claude 3.7 Sonnetは200Kトークン、Gemini 2.5 Proは最大1Mトークンをサポートしています。K3はコンテキスト長においてGPT-4oに匹敵しますが、Claude 3.7 SonnetとGemini 2.5 Proの両方には及びません。K2もK3と同等の128Kコンテキストウィンドウを使用していました。K2以前の初期のKimiモデルは1Mトークンウィンドウを提供しており、それがMoonshot AIの設立当初の商品の差別化要因でした。そのロングコンテキストの優位性はK2やK3には引き継がれず、Moonshot AIが公には説明していないトレードオフとなっています。128Kウィンドウ内の実用的なアプリケーションとしては、完全な文書の法的レビュー、中規模リポジトリの完全なコードベース分析、ドキュメントのチャンキングなしでの複数ソースからのリサーチ合成などがあります。

トレーニング方法論

Moonshot AIの技術レポートでは、標準的な大規模事前学習フェーズと、それに続く推論性能を向上させるための強化学習（RL）ベースの事後学習について説明されています。Moonshot AIは、公開された技術レポートの中でKimi K3の総事前学習データ規模（トークン数）を明らかにしていません。また、使用された具体的なRLのバリエーション（GRPO、PPO、またはその他の手法）についても、公開ドキュメントでは確認されていません。

Chain-of-thought（CoT）推論は、モデルが最終的な回答に到達する前に明示的な中間推論ステップを生成し、複雑な多段階の問題における精度を向上させるテクニックです。このポストトレーニング手法は、DeepSeek R1およびOpenAIのoシリーズモデルによって、推論モデルのパフォーマンス向上における主要因として確立されました。2025年7月現在、Moonshot AIはK3のトレーニングデータ知識カットオフ日を公に確認していません。この数値を必要とする読者は、Moonshot AIの公式ドキュメントを直接参照してください。

Kimi K3 vs. Kimi K2: 何が変わったか

Kimi K3は、Kimi K2のエージェント・ファーストのポジショニングから、推論ファーストの汎用フラッグシップ・デザインへの戦略的な転換を象徴しています。

属性Kimi K2Kimi K3
アーキテクチャMoEMoE
総パラメータ数約1兆6,710億
アクティブパラメータ数約320億320億
コンテキストウィンドウ128K トークン128K トークン
主な位置付けエージェント型 / ツール利用推論 / フラッグシップ
AIME 2025 (pass@1)報告なし96.2 (Moonshot AI発表による)
MMLU Pro報告なし80.5% (Moonshot AI発表による)
LiveCodeBench報告なし65.8% (Moonshot AI発表による)
リリース日2025年中期2025年7月
オープンウェイトの状態いいえいいえ

K2からK3への最も重要な変更点は、ポジショニングのシフト、すなわちエージェント的なツール利用から汎用推論への移行であり、これは大幅に向上したベンチマークスコアによって裏付けられています。総パラメータ数は約1兆から6710億に減少した一方、アクティブパラメータは320億で維持されました。既存のK2ユーザーにとって、K3は同じコンテキストウィンドウとアクセスモデルを維持しつつ、マルチステップ推論タスクにおいて測定可能なほど優れたパフォーマンスをもたらします。

Kimi K2のアーキテクチャ、オープンウェイトのアクセスモデル、およびエージェント機能の詳細については、What Is Kimi K2? Moonshot AI's Open-Weight Thinking Model.)をご覧ください。

Kimi K3 の主要な特徴

  • 拡張された推論能力： Kimi K3は思考の連鎖（CoT）推論を適用し、数学、コーディング、論理学の複雑な問題における精度を向上させる明示的な中間ステップを生成します。これにより、OpenAI o3やDeepSeek R1と同じ推論モデルのクラスに位置づけられます。
  • 128Kトークンのコンテキストウィンドウ： チャンク分割を必要とせず、単一のプロンプト内でフルレングスの法的契約書、完全な中規模コードベース、または複数のドキュメントからなる研究セットの処理をサポートします。
  • MoEアーキテクチャ： Mixture of Experts（混合専門家）Transformerデザインに基づいて構築されており、総パラメータ数は671B、推論パスごとのアクティブパラメータ数は32Bです。これにより、大規模なモデル容量と管理可能な推論計算コストのバランスを取っています。
  • 強力なベンチマークパフォーマンス： Moonshot AIのテクニカルレポートによると、AIME 2025で96.2、MMLU Proで80.5%を記録しており、数学的推論において公に評価されているフロンティアモデルのトップティアに位置しています。
  • 多言語サポート： 公式に中国語と英語をサポートしています。追加の言語サポートについては、公式ドキュメントで確認されていません。
  • APIおよびコンシューマー向けアプリのアクセス： Moonshot AIの開発者プラットフォームのKimi API、およびkimi.aiのコンシューマー向けアプリを通じて利用可能です。
  • マルチモーダル機能： リリースの時点では、Moonshot AIはKimi K3のネイティブなマルチモーダル（視覚/画像）機能を確認していません。Kimiアプリのインターフェースはドキュメントのアップロード（PDF）をサポートしていますが、ベースモデルの機能としての画像理解はK3では公式に確認されていません。

K3は、推論ベンチマークがフロンティアモデル間の主要な差別化要因となっている競争の激しい分野に参入します。強力なAIMEパフォーマンスと、同等サイズのデンスモデルよりも推論コストを低く抑えるMoEアーキテクチャの組み合わせにより、K3は研究レベルの推論タスクと、コスト意識の高いプロダクションAPIデプロイメントの両方において有力な候補となります。

--- ## Kimi K3 ベンチマーク性能

Moonshot AIの技術レポートによると、Kimi K3はAIME 2025（pass@1）で96.2、MMLU Proで80.5%、LiveCodeBenchで65.8%を記録し、数学的推論ベンチマークではGPT-4oを上回り、コアとなるフロンティアモデル評価スイート全体でDeepSeek V3およびQwen3と競合する性能を示しました。

（本セクションで引用されているすべてのベンチマークスコアは、2025年7月現在のMoonshot AIの公式技術レポートおよび／またはPapers With Code AIME 2025リーダーボードから取得されたものです。ベンチマークのランキングは頻繁に変動します。最新の比較のために、Papers With CodeおよびLMSYS Chatbot Arenaで現在の順位を確認することをお勧めします。）

数学と推論：AIMEおよびMATH-500

Moonshot AIの技術レポートによると、Kimi K3はAIME 2025（pass@1）で96.2を記録しました。これは、推論能力を評価しない条件下でGPT-4oが報告した約62%というスコアと比較したものです。AIME（アメリカ数学競技会）は、15問からなる難易度の高い高校数学の競技試験であり、AIのスコアが80%を超える場合は高度な数学的推論能力を示しますが、人間の競技者のスコアは通常20〜47%（3〜7/15問）の範囲です。複数の難易度レベルにわたる500問の競技レベル問題のベンチマークであるMATH-500では、Moonshot AIの技術レポートによると、Kimi K3はGPT-4oの約76.6%、DeepSeek V3の報告値90.2%と比較して97.4%を達成しました。

標準モデルが多段階の代数問題で推測したり切り捨てたりするのに対し、K3のような推論モデルは中間ステップを生成し、各段階でのエラー伝播を削減します。これらのスコアは、K3が多段階の微分積分、組み合わせ論、代数問題を95%を超える割合で正しく解決しており、そのようなタスクにおいて推論能力のないモデルを大幅に上回ることを示しています。これにより、K3は科学技術計算支援、定量研究サポート、およびステップごとの数学的説明を必要とするチューターリングアプリケーションに最適です。

一般知識：MMLU Pro

各公式テクニカルレポートによると、Kimi K3はMMLU Proにおいて80.5%を達成し、GPT-4o（約72.6%）を上回り、Qwen3-235B（約79.8%）と同等の水準に達しています。MMLU Pro（Massive Multitask Language Understanding Pro）は、57のアカデミックおよびプロフェッショナルな領域における知識と多段階の推論をテストするMMLUベンチマークの強化版であり、オリジナルのMMLUスコアが飽和状態に近づいているフロンティアモデル間の性能差を判別するために設計されています。高いMMLU Proスコアは、法的調査、医学的質疑応答、科学文献のレビューなど、知識集約型のタスクにおける信頼性の高いパフォーマンスと相関しています。

コーディング：LiveCodeBenchおよびSWE-bench Verified

Moonshot AIのテクニカルレポートによると、LiveCodeBenchにおいてKimi K3は65.8%を記録しており、GPT-4oの約39.3%やDeepSeek V3の約59.4%を上回っています。LiveCodeBenchは、モデル学習のカットオフ以降にLeetCodeやCodeforcesから継続的に収集された競技プログラミングの問題でモデルを評価します。これにより、学習データの汚染リスクが軽減され、静的なベンチマークよりも真のコーディング能力を示すより信頼性の高い指標となっています。

SWE-bench Verifiedにおいて、Moonshot AIの技術レポートによると、Kimi K3は63.9%を達成しました。これはClaude 3.7 Sonnetの報告値70.3%（拡張思考あり）を下回るものの、GPT-4oの約38.7%を上回っています。SWE-bench Verifiedは、コードベースの理解、バグの特定、パッチ生成といった能力を要求される、実際のGitHubにおけるソフトウェアエンジニアリング課題の自動解決をテストします。これらの能力はAI支援型ソフトウェア開発において不可欠です。63.9%というスコアは、K3が現実世界のGitHubの課題100件中約64件を自律的に解決できることを意味し、これは自動コードレビューやバグ修正ワークフローに適用可能な能力です。

主要ベンチマーク比較表

以下の表は、主要なベンチマークカテゴリにおいて、Kimi K3を5つのフロンティアモデルと比較したものです（すべてのスコアは、2025年7月時点の公式モデルテクニカルレポートまたは検証済みリーダーボードに基づいています）。

モデルAIME 2025MATH-500MMLU ProLiveCodeBenchSWE-bench Verifiedコンテキストウィンドウ
Kimi K396.297.4%80.5%65.8%63.9%128K
GPT-4o~62.0~76.6%~72.6%~39.3%~38.7%128K
Claude 3.7 Sonnet~86.7~92.3%~78.0%~56.0%~70.3%*200K
DeepSeek V3~90.6~90.2%~75.9%~59.4%~49.2%128K
Qwen3-235B~92.8~94.0%~79.8%~66.2%~46.7%128K
Gemini 2.5 Pro~92.0~97.1%~81.3%~64.0%~63.8%1M+

注記：AIME 2025のスコアは、特記がない限り正答率（pass@1）として報告されています。Claude 3.7のSWE-benchスコアには拡張思考モードが使用されています。競合他社のスコアは、2025年7月時点の各社公式テクニカルレポートおよびPapers With Codeリーダーボードのエントリーから引用したものです。~印の付いたスコアは公式レポートに基づく概算値であり、評価設定によって変動する可能性があります。最新の順位については、Papers With CodeのAIME 2025リーダーボードでご確認ください。

Kimi K3 対 競合

Kimi K3は、GPT-4o、Claude 3.7 Sonnet、DeepSeek V3、Qwen3、Gemini 2.5 Proなどと共に、大規模言語モデル（LLM）の最先端層で競合しています。以下では、各モデルのパフォーマンスプロファイルと、それぞれの強みを持つユースケースについて比較します。

Kimi K3 vs. GPT-4o。

Kimi K3は、主要な推論およびコーディングベンチマークのすべてでGPT-4oを上回っています：AIME 2025で96.2 vs. 約62、MATH-500で97.4% vs. 約76.6%、MMLU Proで80.5% vs. 約72.6%、LiveCodeBenchで65.8% vs. 約39.3%、およびSWE-bench Verifiedで63.9% vs. 約38.7%です。

GPT-4oは、マルチモーダル機能（確認済みのビジョン、オーディオ、画像生成連携）、より広範なサードパーティ製ツール、および本番環境でのより長い実績において優位性を維持しています。数学、科学的推論、および複雑な問題に対する正確性が優先されるコーディングタスクにおいては、K3がより強力なベンチマークケースとなります。マルチモーダル入力、確立されたベンダー関係、またはSLA（サービスレベルアグリーメント）保証を必要とするチームにとっては、GPT-4oがより導入しやすい選択肢となるでしょう。

API価格もK3に大幅に有利です：100万入力トークンあたり0.15ドルに対し、GPT-4oは約5.00ドルです。

**Kimi K3 vs. DeepSeek V3。どちらも中国開発の最先端LLMですが、アーキテクチャとアクセスモデルで異なります。DeepSeek V3は671Bパラメータの密なモデルで、DeepSeekのモデルライセンスに基づきオープンウェイトで提供されており、開発者はダウンロードして自己ホストできます。K3はMoEを採用し、1パスあたり32Bのアクティブパラメータを持ち、API経由でのみ利用可能です。ベンチマークでは、K3はAIME 2025（96.2 vs. 約90.6）とSWE-bench Verified（63.9% vs. 約49.2%）でリードし、DeepSeek V3はLiveCodeBench（K3の65.8%に対し59.4%）で互角です。ローカルデプロイ、ファインチューニング、または重みへのアクセスが必要なチームはDeepSeek V3を選択すべきです。API経由での推論ベンチマーク性能を優先するチームは、数学中心のタスクでK3の方が強力だと感じるでしょう。

Kimi K3 vs. Claude 3.7 Sonnet。SWE-bench Verifiedの差が、ここでの最も重要な差別化要因です。Claude 3.7 Sonnetは70.3%（思考時間延長時）を記録したのに対し、K3は63.9%であり、自動ソフトウェアエンジニアリングにおいて6.4ポイントの優位性があります。また、Claudeはより大きなコンテキストウィンドウ（200K vs. 128Kトークン）をサポートしています。一方、K3はAIME 2025（96.2 vs. ~86.7）およびMATH-500（97.4% vs. ~92.3%）においてClaudeを上回っています。両モデルともに、機能的に同等な思考延長アプローチを備えた推論モードを提供しています。エージェントによるコーディングやソフトウェアエンジニアリングのワークフローにおいては、Claude 3.7 Sonnetが引き続き強力な選択肢となります。純粋な数学的推論や定量的研究タスクにおいては、K3が明確なベンチマークのリードを保っています。

Kimi K3 vs. Qwen3 (Alibaba). Alibaba Cloudのフラッグシップ2025年モデルであるQwen3-235Bは、AIME 2025（92.8対96.2）およびMMLU Pro（79.8％対80.5％）ではK3に後れを取っていますが、LiveCodeBench（66.2％対65.8％）ではわずかにリードしています。Qwen3はQwenLM GitHubリポジトリでオープンウェイト版が公開されており、K3のAPIのみのアクセスとは対照的です。中国語タスクにおいては、Qwen3はAlibaba Cloudのエンタープライズインフラストラクチャと多言語トレーニングデータから恩恵を受けていますが、K3とQwen3の独立したC-EvalまたはCMMLUの比較は、現時点では公開されていません。Alibaba Cloudエコシステム内のチームはQwen3の方が統合されていると感じるでしょう。数学的推論ベンチマークで評価するチームは、K3の方がわずかに強力であると判断するでしょう。

Kimi K3 vs. Gemini 2.5 Pro。 コンテキストウィンドウの差が決定的な違いです。Gemini 2.5 Proは、K3の128Kトークンに対し最大1Mトークンをサポートしており、非常にロングなドキュメントを扱うタスクにおいて8倍の優位性があります。ベンチマークでは、両モデルは僅差で並んでいます。Gemini 2.5 ProはMMLU Pro（81.3%対80.5%）およびMATH-500（97.1%対K3の97.4%）でわずかにリードしていますが、K3はAIME 2025（96.2対約92.0）でリードしています。複数のドキュメントにわたる研究の合成、書籍レベルの分析、または128Kトークンを超える大規模なコードベースのインデックス作成において、Gemini 2.5 Proは技術的に強力な選択肢となります。128Kトークン以内に収まり、より低いAPIコストで数学的推論を優先するタスクについては、K3に利点があります。

2025年の中国のAIの状況。中国の最先端モデルの中では、Kimi K3（Moonshot AI）、DeepSeek V3（DeepSeek）、Qwen3（Alibaba Cloud）が、それぞれ異なるポジショニングを持つ3つの主要なオプションです。DeepSeekは、開発者が推論コストなしで自己ホストできるオープンウェイトモデルのリリースによって差別化を図っています。Qwen3は、Alibaba Cloudのエンタープライズエコシステムとオープンウェイトの利用可能性から恩恵を受けています。K3は、推論ベンチマークにおけるリーダーシップを中心にポジショニングしています。ベンチマークデータは、すべてのタスクにおいて単一のモデルを決定的に最高と名付けることを支持していません。正しい選択は、ユースケースがオープンウェイトへのアクセス（DeepSeek、Qwen3）、エンタープライズエコシステムの深さ（Qwen3）、あるいは純粋な推論ベンチマークパフォーマンス（K3、特に数学中心のアプリケーションの場合）のいずれを優先するかによって決まります。

Kimi K3へのアクセス方法

Kimi K3はオープンウェイトではありません。開発者はKimi APIを通じて、非開発者のユーザーはkimi.aiのKimiコンシューマーアプリを通じてアクセス可能です。執筆時点ではモデルウェイトは公開されていません。同等のパフォーマンスレベルを持つオープンウェイトの代替案としては、DeepSeek V3やQwen3がローカル環境でのデプロイメントオプションを提供しています。

BybitでのMOONSHOTトークンの取引： Moonshot AIの成長は暗号資産トレーダーの注目を集めています。Bybitでは、MOONSHOTトークンの取引に興味がある方向けにMOONSHOTUSDT無期限先物を提供しています。トークン自体の背景については、MOONSHOT USDTとは？完全ガイド.をご覧ください。

Kimiアプリ（一般ユーザー向けアクセス）

Kimiアプリは、Moonshot AIによる消費者向けAIアシスタント商品です。kimi.aiおよびiOS、Androidのモバイルアプリでご利用いただけます。消費者向けアプリ経由でK3の使用を開始するには：

  1. kimi.ai にアクセスするか、App Store または Google Play から Kimi モバイルアプリをダウンロードしてください。
  2. メールアドレスまたは電話番号を使用して無料アカウントを作成するか、既存のアカウントでログインしてください。
  3. Kimi K3 がデフォルトで現在の Kimi アプリインターフェースを担っています。Moonshot AI が将来のアップデートでモデルセレクターを追加しない限り、モデル選択のステップは不要です。
  4. チャットを開始してください。このアプリは、ドキュメント（PDF およびテキストファイル）のアップロードとウェブ検索との統合をサポートしています。

Kimiアプリは、米国やヨーロッパのユーザーを含む世界中で利用可能です。無料プランでは、日ごとの利用制限付きでK3へのアクセスが提供されます。Moonshot AIは、メッセージ上限の引き上げと、トラフィックが多い時間帯の優先アクセスが可能な有料サブスクリプション（Kimi Pro）を提供しています。サブスクリプションを申し込む前に、kimi.aiで現在のプラン制限を確認してください。これらの制限は頻繁に変更されるためです。

Kimi API（開発者向けアクセス）

  1. Moonshot AIの開発者プラットフォームで、Moonshot AI開発者アカウントを作成します。
  2. アカウントダッシュボードの「APIキー」からAPIキーを生成します。
  3. Kimi APIはOpenAI互換のスキーマを使用しているため、ベースURLとモデル識別子文字列を既存のOpenAI SDKコードに置き換えるだけで、最小限の変更で利用可能です。
  4. Moonshot AIのAPIドキュメントで確認されているKimi K3モデル識別子「kimi-k3」を使用して、最初のAPIコールを実行します。
from openai import OpenAI

# Moonshot AIのベースURLを使用してクライアントを初期化
client = OpenAI(
    api_key="YOUR_MOONSHOT_API_KEY",  # platform.moonshot.cnから取得したAPIキー
    base_url="https://api.moonshot.cn/v1",
)

# K3モデル識別子を使用してコンプリーションリクエストを作成
response = client.chat.completions.create(
    model="kimi-k3",  # Kimi K3の確定済みモデル識別子
    messages=[
        {"role": "system", "content": "あなたは親切なアシスタントです。"},
        {"role": "user", "content": "次の問題をステップバイステップで解いてください：最初の100個の素数の合計は何ですか？"},
    ],
    temperature=0.6,
)```

print(response.choices[0].message.content)

2025年7月現在、Moonshot AIの公式価格ページによると、Kimi K3 APIの価格は入力トークン100万件あたり0.15ドル、出力トークン100万件あたり0.60ドルです。比較のため、GPT-4oは入力トークン100万件あたり約5.00ドル、出力トークン100万件あたり約15.00ドル、Claude 3.7 Sonnetは入力トークン100万件あたり約3.00ドル、出力トークン100万件あたり約15.00ドルとされています。K3は、同等の複雑さの推論タスクにおいて、両者の西側競合他社よりもトークンあたりのコストが大幅に低くなっています。

Moonshot AIは、新しい開発者アカウント向けに月間トークン割り当て制限のある無料APIティアを提供しています。これらの数値は頻繁に変更されるため、本番環境での利用を計画する前に、Moonshot AI APIの価格ページで現在の無料ティアの制限を確認してください。

*(APIの価格は変更される場合があります。すべての数値は2025年7月時点のレートを反映しています。商用利用の判断を行う前に、Moonshot AI APIの価格ページで最新の価格をご確認ください。)*

| モデル | 入力 $/100万トークン | 出力 $/100万トークン | コンテキストウィンドウ |
|---|---|---|---|
| Kimi K3 | $0.15 | $0.60 | 128K |
| GPT-4o | ~$5.00 | ~$15.00 | 128K |
| Claude 3.7 Sonnet | ~$3.00 | ~$15.00 | 200K |
| DeepSeek V3 (API) | ~$0.27 | ~$1.10 | 128K |
| Qwen3-235B (API) | ~$0.14 | ~$0.60 | 128K |

APIティア、トークン価格、およびコスト最適化のヒントの完全な内訳については、[Moonshot Kimi API価格2026：プランとコストガイド](https://www.bybit.com/en/wiki/article/kimi-api-pricing-2026-plans-cost-guide/).)をご覧ください。

Kimi APIは、世界中の開発者が利用可能です。Moonshot AIは、2025年7月現在、APIアクセスに関する地理的制限を発表していません。APIに依存しないローカルデプロイメントの場合、K3は選択肢ではありません。代わりにDeepSeek V3またはQwen3のオープンウェイトリリースを検討してください。

Kimi K3のユースケース

Kimi K3は、高度な推論、大規模なコンテキスト処理、および強力なコーディング能力を必要とするタスクに最適です。

["**高度な数学および科学的推論:** K3のAIME 2025スコア96.2およびMATH-500スコア97.4%は、中間ステップの精度が重要となる競技レベルの問題解決、物理学および工学計算、統計分析、定量的リサーチ支援において、強力な候補となります。","**コード生成およびデバッグ:** LiveCodeBenchスコア65.8%により、K3はPython、JavaScript、SQL、その他の主要言語で構文的にも機能的にも正確なコードを生成し、単一のプロンプトセッション内で複数ステップの論理エラーをデバッグできます。","**ソフトウェアエンジニアリング支援:** SWE-bench Verifiedスコア63.9%は、K3が約100件中64件の実際のGitHubイシューを自律的に解決できることを意味し、自動コードレビュー、リファクタリング提案、イシューのトリアージワークフローへの適用が可能です。","**ロングドキュメント分析:** 128Kトークンのコンテキストウィンドウは、チャンキングや要約の損失なしに、完全な契約書、学術論文、財務報告書、複数章の技術文書の処理をサポートします。","**複数ステップのリサーチ合成:** K3は、コンテキストウィンドウ内の複数のドキュメントを相互参照し、矛盾する主張を抽出し、文献レビュー、デューデリジェンス調査、ポリシー分析のための構造化された比較要約を作成できます。","**中国語および英語のバイリンガルタスク:** K3は中国語と英語の両方を公式にサポートしており、Moonshot AIのコンシューマー商品は発売当初から中国市場向けに設計されています。独立した中国語ベンチマーク比較（C-Eval、CMMLU）は、執筆時点では公開されていません。"]

Kimi K3 は誰が使うべきか： K3 は、数学中心の推論、定量リサーチのサポート、コスト重視のコーディングアプリケーション（入力トークン100万あたり0.15ドル）において、現在利用可能な API オプションの中で最も強力です。推論タスクで GPT-4o を使用しているチームは、K3 が API コストのわずかな割合で、大幅に優れたベンチマークパフォーマンスを発揮することを発見するでしょう。SWE-bench パフォーマンスが主要な指標となるエージェント型コーディングワークフローの場合は、Claude 3.7 Sonnet が優位性を維持します。128K トークンを超えるコンテキストが必要なユースケースでは、Gemini 2.5 Pro がより適しています。オープンウェイトのローカルデプロイメントを必要とするチームには、DeepSeek V3 または Qwen3 が適切な代替手段となります。

## 制限と注意点

Kimi K3には、ユーザーや法人バイヤーが導入前に評価すべき重要な制限事項がいくつかあります。

**SWE-benchにおけるベンチマークの遅れ**。SWE-bench Verifiedにおいて、K3のスコアは63.9%であり、Claude 3.7 Sonnetの70.3%を6.4ポイント下回っています。GitHubイシューの自動解決やエージェント型ソフトウェアエンジニアリングを主なユースケースとするチームにとって、この差は実質的なものであり、公開されているベンチマークデータに基づくと、依然としてClaude 3.7 Sonnetの方が強力な選択肢となります。

オープンウェイトへのアクセスはありません。K3はクローズドAPIモデルです。モデルの重みは公開されていないため、ローカルデプロイ、ファインチューニング、および量子化されたセルフホスティング（llama.cpp、vLLM、またはOllama経由でのGGUF、GPTQ、AWQ）は不可能です。DeepSeek V3とQwen3はどちらも、トークンあたりのコストなしでローカルデプロイをサポートするオープンウェイト版をリリースしています。データ主権の要件により外部APIへのデータ送信が禁止されている組織や、ファインチューニングへのアクセスを必要とする研究者にとって、K3は現実的な選択肢ではありません。

コンテキストウィンドウは、長文脈対応の競合他社に後塵を拝しています。K3の128KトークンコンテキストウィンドウはGPT-4oに匹敵しますが、Claude 3.7 Sonnetの200Kトークンウィンドウより36%小さく、Gemini 2.5 Proの1Mトークンウィンドウより87.5%小さいです。非常に長いドキュメント処理（書籍全体の分析、大規模コードベースのインデックス作成、または128Kトークンを超えるマルチソースコーパスの合成など）を必要とするタスクでは、チャンキング戦略または別のモデルが必要になります。

知識カットオフの不確実性。Moonshot AIは、2025年7月現在、K3のトレーニングデータの知識カットオフ日を公表していません。カットオフ以降のイベントに関するクエリは、モデルがウェブ検索または検索拡張生成（RAG）パイプラインで強化されない限り、不完全または欠落した情報で応答します。Kimiコンシューマーアプリには、一般ユーザー向けにこの問題を緩和するウェブ検索機能が統合されています。APIユーザーは、時間的制約のあるクエリのために、独自の検索レイヤーを実装する必要があります。

**推論モデルのレイテンシに関するトレードオフ。** 拡張された「思考の連鎖（Chain-of-Thought）」推論は、複雑なタスクにおいてより精度の高い回答を生成しますが、標準的な指示追従モデルと比較して、1つの回答につき生成されるトークン数が大幅に増加します。一方で、要約やフォーマット変換、基本的な質疑応答といった単純なクエリに対しては、GPT-4o miniやDeepSeekの蒸留モデルなどの軽量モデルを使用する方が、コスト効率に優れています。

エンタープライズデータガバナンス。Kimi K3は、中国のデータ規制の対象となる北京拠点の企業であるMoonshot AIによって開発されています。厳格なデータ居住要件、GDPRなどのフレームワークに基づくコンプライアンス義務、または国内以外の事業体によるデータ処理の制限がある組織は、K3を本番システムに統合する前に、Moonshot AIのデータ処理契約および地域APIインフラストラクチャを確認する必要があります。このガイダンスは、事実に基づいて対称的に適用されます。同様のデューデリジェンスは、国内データ処理要件を持つ法域で組織が使用する米国拠点のサービスを含む、あらゆる国境を越えたAI APIに適用されます。

---

## よくある質問

### Kimi K3とは何ですか？また、開発元はどこですか？

Kimi K3は、北京を拠点とするAI企業であるMoonshot AI（月之暗面）によって開発され、2025年7月にリリースされた最先端の推論型大規模言語モデルです。複雑な数学、コーディング、および知識集約的なタスクを処理するために、拡張された思考の連鎖（Chain-of-Thought）処理を使用する、推論重視のフラッグシップモデルとして設計されています。K3はKimi K2の後継モデルであり、エージェント指向のポジショニングから汎用的な推論設計へと移行しています。

### Kimi K3の主な特徴は何ですか？

Kimi K3の主な機能は以下の通りです。(1) AIMEおよびMATH-500でトップクラスのパフォーマンスを促進する拡張チェーン・オブ・ソート推論。(2) ロングドキュメント処理のための128Kトークンのコンテキストウィンドウ。(3) 合計671B、アクティブ32BパラメータのMixture of Experts（MoE）アーキテクチャ。(4) 100万入力トークンあたり0.15ドルの競争力のあるAPI価格設定。(5) kimi.aiの消費者向けKimiアプリとplatform.moonshot.cnの開発者向けプラットフォームの両方からのアクセス。

### Kimi K3のコンテキストウィンドウサイズは？

Kimi K3は128Kトークンのコンテキストウィンドウをサポートしており、これは英文で約96,000語に相当します。これはGPT-4oの128Kコンテキストと同等ですが、Claude 3.7 Sonnetの200KトークンやGemini 2.5 Proの1Mトークンよりは少なくなっています。ほとんどの文書解析やコーディングタスクにおいて、128Kトークンは十分な容量ですが、非常に大規模なコードベースや書籍レベルのドキュメントでは、チャンク分割が必要になる場合があります。

### Kimi K3はオープンソースですか、それともクローズドソースですか？

Kimi K3はクローズドです。モデルの重みは公開されていません。開発者向けにはKimi APIを通じて、一般ユーザーにはkimi.aiのKimiコンシューマーアプリを通じてのみアクセスが提供されます。同等の能力を持つオープンウェイトの代替モデルとしては、DeepSeek V3（密、671B）とQwen3（QwenLM GitHubでオープンウェイト版が入手可能）があり、どちらもローカルデプロイメントとファインチューニングをサポートしています。

### ベンチマークにおいて、Kimi K3はGPT-4oと比較してどうですか？

Kimi K3は、AIME 2025（96.2 vs. 約62）、MATH-500（97.4% vs. 約76.6%）、MMLU Pro（80.5% vs. 約72.6%）、LiveCodeBench（65.8% vs. 約39.3%）、SWE-bench Verified（63.9% vs. 約38.7%）など、発表されているすべての推論およびコーディングベンチマークでGPT-4oを上回っています。GPT-4oは、マルチモーダル機能、サードパーティのエコシステム統合、および確立されたエンタープライズサポートインフラストラクチャでリードしています。純粋な推論タスクにおいては、K3は大幅に低いAPI価格で強力なベンチマークケースを提示しています。

### Kimi K3はKimi K2とどう違いますか？

Kimi K3は、Kimi K2のエージェント重視のポジショニング（ツールの使用、ロングコンテキストのドキュメント処理）から、推論重視の汎用設計へと移行しています。両モデルとも32Bのアクティブパラメータを持つMoEアーキテクチャを採用していますが、K3は総パラメータ数を約1兆から6710億に削減しつつ、大幅に強力な推論ベンチマークスコアを達成しています。K2はAIMEやMATH-500でのベンチマークが行われていませんでした。K3は主に推論能力に主眼を置いています。

### Moonshot AIを設立したのは誰ですか？

Moonshot AIは、清華大学およびカーネギーメロン大学の元研究者であり、BERTと競合した初期のTransformerベースの言語モデルであるXLNetの共著者でもある楊植麟（Yang Zhilin）氏によって2023年に設立されました。楊植麟氏はMoonshot AIのCEOを務めています。

### APIを通じてKimi K3にアクセスできますか？

はい。Kimi APIは、Moonshot AIのデベロッパー プラットフォームで利用可能です。このAPIはOpenAI互換のスキーマを使用しているため、既存のOpenAI SDKコードは、ベースURL（`https://api.moonshot.cn/v1`)`）とモデル識別子を置き換えることで適応できます。2025年7月現在、価格は入力トークン100万件あたり0.15ドル、出力トークン100万件あたり0.60ドルです。新規開発者アカウント向けに、月間トークン割り当てが制限された無料APIティアが利用可能です。

### Kimi K3は米国およびヨーロッパで利用可能ですか？

はい。Kimi K3は、kimi.aiのKimiコンシューマー向けアプリとKimi APIの両方を通じて、グローバルに利用可能です。Moonshot AIは、2025年7月時点でAPIアクセスに関する地理的な制限を公開していません。法人のお客様は、本番環境への導入前に、データレジデンシーおよびコンプライアンスに関する検討事項について、Moonshot AIのデータ処理合意書を確認することをお勧めします。

### Kimi K3はどの言語をサポートしていますか？

Kimi K3は、公式には中国語と英語をサポートしています。現時点では、Moonshot AIの公式ドキュメントで追加の言語サポートについては確認されていません。Kimiコンシューマーアプリは、ローンチ当初から中国市場向けに設計されており、K3のトレーニングデータにはかなりの量の中国語コンテンツが含まれると予想されますが、現時点では独立した中国語のベンチマークスコア（C-Eval、CMMLU）は公開されていません。

## 結論

Kimi K3は、Moonshot AIのこれまでの最上位フロンティアモデルであり、GPT-4oやClaude 3.7 Sonnetを大幅に下回るAPI価格と、コスト効率の高いMoEアーキテクチャを組み合わせ、トップクラスの数学的推論能力（AIME 2025で96.2）を誇ります。2025年にフロンティアモデルを評価する開発者や研究者にとって、K3は推論重視のタスク、特に「正解あたりのコスト」が主要な評価指標となる場合に、真剣な検討に値します。

## 関連記事
- [Kimi K2とは？ Moonshot AIのオープンウェイト思考モデル](https://www.bybit.com/en/wiki/article/kimi-k2-open-weight-thinking-model/)
- [Moonshot AI：会社概要とKimi商品ガイド](https://www.bybit.com/en/wiki/article/moonshot-ai-company-overview-kimi/)
- [Moonshot AI Kimi API料金 2026：プランとコストガイド](https://www.bybit.com/en/wiki/article/kimi-api-pricing-2026-plans-cost-guide/)
- [Moonshot AI vs DeepSeek vs Qwen：中国AIモデル比較](https://www.bybit.com/en/wiki/article/moonshot-ai-vs-deepseek-vs-qwen-2025-comparison/)
- [Kimi AIとは？ Moonshot AI ガイド](https://www.bybit.com/en/wiki/article/what-is-kimi-ai-guide-to-moonshot-ai/)
- [Bybit上のMOONSHOTUSDT 無期限 先物](https://www.bybit.com/trade/usdt/MOONSHOTUSDT)

開発者は、OpenAI 互換のスキーマにより統合の労力を削減できる Moonshot AI の開発者プラットフォームで Kimi API を通じて実験を開始できます。一般ユーザーは、kimi.ai の Kimi AI アシスタントを通じて Kimi K3 に直接アクセスできます。最新のベンチマーク更新、モデルリリース、技術ドキュメントについては、moonshotai.com の Moonshot AI 公式ブログをご覧ください。Bybit の完全な Moonshot AI リソースハブについては、[Moonshot AI vs DeepSeek vs Qwen 比較](https://www.bybit.com/en/wiki/article/moonshot-ai-vs-deepseek-vs-qwen-2025-comparison/)) および [Kimi AI とは？ガイド](https://www.bybit.com/en/wiki/article/what-is-kimi-ai-guide-to-moonshot-ai/).) をご覧ください。

Moonshot AIより新しいベンチマークデータ、公式仕様、および価格情報がリリースされ次第、本記事は更新されます。