Kimi K3가 에이전트 벤치에서 Fable 5를 넘어섰습니다

Moonshot AI가 Kimi K3를 공개했습니다. 여러 에이전트 벤치마크에서 Fable 5와 GPT-5.6 Sol을 넘겼고, 가격은 Sonnet 5급입니다. 오픈 웨이트 모델이 이 층에 앉은 적은 없었습니다.

여섯 가지로 정리합니다.

틈새 점수가 아닙니다

모델 블로그 기준 Program Bench 77.8, SWE Marathon 42.0, BrowseComp 91.2, SpreadsheetBench 2 34.8. 공개 수치상 Fable 5를 앞섭니다. FrontierSWE는 81.2로 Fable 5(86.6) 다음이지만 GPT-5.6 Sol(71.3)은 크게 앞섭니다. 코딩과 브라우징이 둘 다 강하면 한 분야 특화 모델이 아닙니다.

프론티어 가격이 아니라 Sonnet급 가격

입력 약 $3, 출력 약 $15. 최상위 프론티어 리스트 대비 대략 30%입니다. 이전 Kimi 대비 가격은 3배 이상 올랐으니 K2 대비 공짜는 아닙니다. 작업당 토큰은 여전히 Claude·Codex와 비교해야 합니다. 그래도 하루 종일 에이전트를 돌리면 토큰비는 인건비에 가깝습니다. 그 간극을 무시하기 어렵습니다.

아키텍처가 작은 개선이 아닙니다

Kimi Delta Attention은 attention 경로 자체를 바꿔 1M 컨텍스트 디코딩을 최대 6.3배 빠르게 만든다고 합니다. 긴 컨텍스트가 늘수록 느려지는 병목을 구조로 건드린 셈입니다.

Attention Residuals는 레이어 사이 정보 흐름을 보강해 연산 2% 미만 추가로 학습 효율 약 25%를 보고합니다. MoE는 896 전문가 중 16개만 켭니다. 2.8조 파라미터 모델이 추론 시 용량의 몇 퍼센트만 쓰는 구조가 API 가격을 가능하게 합니다. K2 대비 스케일링 효율 2.5배를 주장합니다.

스스로 커널을 최적화합니다

커널은 attention 등을 GPU에서 수조 번 돌리는 로우레벨 코드입니다. Moonshot은 K3에 프로덕션 규모 FLA Triton AttnRes 커널을, 수치 결과 없이 더 빠르게 만들라는 과제를 줬습니다. 15시간 무인 반복 끝에 two-phase 알고리즘과 kernel fusion으로 약 2.5배 속도 개선을 보고했습니다. Fable 5도 비슷한 종착에 도달했지만 반복당 개선 속도는 K3가 빨랐습니다.

중요한 점은 이 커널이 장난감 벤치가 아니라 실제 학습 스택에 있다는 것입니다. 모델이 자기 학습 경로를 가속하면 다음 버전이 더 싸게 학습되고, 그 여유로 인프라를 또 고칩니다. self-evolving 루프가 움직이기 시작했다는 뜻입니다.

7월 27일 가중치 공개

파라미터 2.8조. 이전 오픈 웨이트 최대는 대략 Kimi K2 1조, DeepSeek-R1 6710억 규모였습니다. 지금은 Kimi.com과 platform.kimi.ai API를 쓸 수 있고, 27일 이후에는 자체 호스팅 선택지가 열립니다.

DeepSeek-R1, GLM-5.2 다음의 세 번째 충격일 수 있습니다

앞의 두 사건은 “이 가격에 이 성능”을 보여줬습니다. K3는 모양이 다릅니다. 여러 벤치 선두, 프론티어 대비 약 30% 가격, 거대 오픈 웨이트. 실제 하네스에서 작업당 토큰과 벽시계 시간이 버틴다면 시장 압력은 커집니다.

이번 주 Kimi K3로 하네스부터 돌려볼 생각입니다. 리더보드만으로 전환을 결정하진 않겠습니다. 프로덕션 하네스가 최종 판정입니다.