이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
Moonshot AI는 2.8조 파라미터 규모의 Kimi K3을 공개하고 웹과 API를 통한 접근과 2026년 7월 27일까지 오픈 가중치 공개 계획을 발표했다. 회사가 제시한 자체 벤치마크에서 Kimi K3는 일부 상용 모델을 능가했으며 인공분석의 장기 지식 작업 평가에서 Elo 1547을 기록하는 등 이전 K2.6 대비 성능과 토큰 효율이 개선된 것으로 보고되었다. 요금은 입력 $3/백만·출력 $15/백만으로 이전 모델보다 크게 인상되어 상용화 방향의 고가 정책을 취하고 있으며 실제 생성 테스트에서는 대량 출력 시 토큰 비용이 눈에 띄게 증가하는 사례가 관찰되었다. 공개 예정인 오픈 웨이트와 함께 이 데이터는 성능 대비 비용·배포 전략의 트레이드오프를 판단하는 근거가 되지만 벤치마크의 상당 부분이 자가 보고된 수치라는 점에서 독립적 재현이 필요하다.
섹션별 상세
Moonshot AI가 Kimi K3을 발표하면서 2.8조 파라미터를 공개했고 자사 웹사이트와 API를 통해 접근 가능하며 2026년 7월 27일 이전에 오픈 가중치 공개를 약속했다. 문서에 따르면 회사는 Kimi K3를 '오픈 3T급 모델'로 표기했으며 이는 DeepSeek의 1.6T v4 Pro보다 파라미터 수에서 큰 폭의 증가를 의미한다. 모델 크기가 커진 만큼 저장·추론 비용과 배포 복잡도가 늘어나지만 동일하게 더 높은 용량을 필요로 하는 연구와 애플리케이션에서 더 많은 표현력을 제공할 잠재력이 있다.
근거
- Moonshot AI가 Kimi K3을 2.8조 파라미터 규모로 발표하고 오픈 가중치 공개를 2026년 7월 27일까지 약속했다. — 글 첫머리의 발표 요약 문단
공식 보고서와 자체 벤치마크에서 Kimi K3는 일부 상용 모델을 능가하는 성능을 보고했고 특히 인공분석(Artificial Analysis)의 장기 지식 작업 평가에서 전체 Elo 1547을 기록해 K2.6 대비 732점 상승을 보였다. 이 평가는 긴 문맥과 단계적 추론을 요구하는 작업에서의 상대적 능력을 수치화한 결과로 제시되었다. 벤치마크 수치와 상대 순위는 모델 개선과 아키텍처·학습 변경의 실효성을 보여주는 근거로 사용될 수 있다.
근거
- 인공분석 보고서에서 Kimi K3는 장기 지식 작업 평가에서 Elo 1547을 기록해 K2.6보다 732점 향상됐다. — Artificial Analysis 보고서 인용 부분
비용 측면에서는 Kimi K3의 과금 체계가 입력 토큰당 $3, 출력 토큰당 $15로 책정되어 있으며 보고서는 작업당 비용을 $0.94로 제시해 GPT-5.6 Sol의 $1.04와 비슷하고 Opus 4.8의 $1.80보다 낮다고 밝혔다. 이전 K2.6의 요금인 $0.95/$4 대비 입력·출력 비용이 모두 크게 상승해 상업적 포지셔닝이 고가 쪽으로 이동했음을 나타낸다. 높은 단가와 공개된 성능 지표의 조합은 상업적 채택과 연구적 접근성 사이에서 트레이드오프를 형성한다.
근거
- Kimi K3의 토큰 요금은 입력 $3/백만, 출력 $15/백만으로 책정되며 작업당 비용은 $0.94로 보고되었다. — 요금제와 비용 비교가 나온 요금 설명 문단
실사용 예시로 필자가 OpenRouter와 llm-openrouter 플러그인을 통해 동일한 프롬프트로 SVG를 생성한 결과 입력 95토큰에 출력 16,658토큰(그중 13,241 토큰은 추론 토큰)이 발생해 총 비용이 약 25센트가 소요되었다는 기록이 존재한다. 같은 모델에 이미지 입력을 사용해 텍스트 설명을 얻는 사례에서는 약 0.6센트가 소요된다고 보고되어 이미지 입력을 받는 기능이 실제 워크로드 비용에 미치는 영향을 가시화했다. 이러한 실측 토큰 수와 비용 데이터는 대규모 출력 생성과 이미지 입력을 포함한 파이프라인에서 비용 추정을 현실적으로 할 수 있게 한다.
bash
llm -m openrouter/moonshotai/kimi-k3 'Generate an SVG of a pelican riding a bicycle'OpenRouter를 통해 moonshotai의 Kimi K3 모델에 SVG 생성 요청을 보낸 명령 예시로, 원문에서는 이 명령으로 생성된 출력 토큰 수와 비용을 기록했다.
용어 해설
- Open weights
- — 모델의 학습된 파라미터 파일을 공개하여 누구나 다운로드하고 재사용·재학습할 수 있도록 배포하는 방식으로, 연구 재현성과 커뮤니티 기여를 촉진하며 상용 모델과 비교해 생태계 확장에 중요한 역할을 한다.
- Model parameters
- — 신경망 내부의 가중치와 편향 같은 수치적 요소의 총합을 의미하며, 파라미터 수가 많을수록 표현력과 계산 비용이 증가하므로 모델 성능과 인프라 요구사항을 동시에 결정하는 핵심 지표이다.
- Token pricing
- — 입력 토큰과 출력 토큰별로 과금하는 방식으로, 모델 사용 비용을 직접 결정하며 대량 생성 작업이나 긴 출력이 요구되는 워크로드에서 비용 구조의 효율성이 사용성 판단의 주요 기준이 된다.
- Elo rating
- — 경쟁적 비교에서 상대 성능을 수치화하는 방법으로, 모델 간 상대적 우위를 정량화해 특정 평가셋에서의 순위를 나타내며 장기간 지식 작업에서 모델 능력 비교에 사용된다.
- Long-horizon evaluation
- — 긴 문맥과 여러 단계의 추론이 요구되는 과업을 대상으로 모델의 일관성·추론 능력·지속적 정보 보존 능력을 측정하는 평가 방식으로, 실무형 업무 성능을 판단하는 데 중요하다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 07. 17.수집 2026. 07. 17.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
