2026月7月、Moonshot AIは、2兆8000億パラメータのオープンウェイトモデル（学習済みのウェイト＝パラメータを公開し、誰でも入手・改変・運用できるAIモデル）「Kimi K3」を公開した。このモデルは、オープンウェイト方式のシステムが、アーキテクチャ設計、企業への導入、運用コストの各面でクローズドモデルと競い合う段階に入ったことを示している。今回のリリースから得られる知見は、技術力と、普及をめぐる構造的な経済性の両面で、AI業界の競争バランスが変化しつつあることを物語っている。
逐次実行か、並列オーケストレーションか
Kimi K3の技術面での独自性は、前身のKimi K2.5で導入された「Agent Swarm（エージェント・スウォーム。エージェントの群れの意）」と呼ばれるエージェント運用フレームワークに由来する。Kimi K2.5の技術論文は、「ツール呼び出しの逐次実行」に依存する既存システムの根本的な限界をこう指摘する。
「大規模なリサーチ、設計、開発を伴う複雑なプロジェクトの構築など、エージェントが担う作業の範囲と多様性が広がるにつれて、逐次実行のパラダイムはますます非効率になっていきます」。
1つのタスクに最大300のサブエージェントを並列で投入
この課題に対処するため、著者らはAgent Swarmと並列エージェント強化学習（PARL）を提案した。このフレームワークでは、全体を統括するオーケストレーターに、「サブエージェント」の生成とタスク委譲のためのインターフェースを持たせる。Agent Swarmは、幅広い探索を伴うシナリオで推論の待ち時間を最大4.5分の1に短縮する。
公式のヘルプによれば、Kimi K3はこのアーキテクチャを受け継ぎ、最大300のサブエージェントを使ってタスクを実行し、1タスクあたり4000件を超えるツール呼び出しをさばき、単一エージェントによる逐次実行の4.5倍の速度で動く。これにより、タスクの完了までにかかる時間を決める要因は、逐次的なステップの数から、並列処理の能力へと変わる。
視覚エンコーダーを外付けにせず、言語モデルと一体で訓練
Kimi K3は、Kimi K2.5で確立された視覚（ビジョン）アーキテクチャを引き継いでいる。4億100万パラメータの視覚エンコーダー「MoonViT-V2」、MLPプロジェクター、そしてKimi K3自身のMoE（混合エキスパート）言語モデルという3つの部品からなる構成だ。画像と動画を扱う部分は、学習を終えた後に外付けのアダプターとして足したものではなく、事前学習の段階から言語と同時に最適化されている。
スクリーンショットや画面レイアウトを解釈して、コードを生成
一方、DeepSeekが現在オープンウェイトで提供しているモデルは、テキスト中心にとどまっている。Kimi K3はネイティブな画像認識能力を備えるため、画像からのコード生成が可能で、スクリーンショットや画面レイアウトの読み取りを必要とする実務のソフトウェア開発タスクにも対応できる。テキストと画像を組み合わせた編集・デザイン機能を必要とするアプリケーションを開発するテック系スタートアップや開発者にとっては、別途ビジョンモデルを組み込んだり、クローズドなマルチモーダルAPIに頼ったりする必要がなくなる。
