月之暗面 Kimi K3：開源權重的規模標竿，校本部署為何仍遙不可及

採購委員會常把 Kimi K3 的簡報頁當成「開源＝可校本部署」的證據——但公開 2.8 萬億參數權重，並不代表一般中小學機房跑得起；最容易誤解的，是把「技術里程碑」當成「採購清單上的勾選項」。

月之暗面（Moonshot AI）是北京一支專注長上下文的模型團隊，對香港學校而言，K3 的意義不在於立刻接入，而在於看清開源權重已推到甚麼規模、以及為甚麼 Edor.ai 仍只保留已評估的原生供應商。下文從採購、合規與教學現場三個角度整理，供 IT 主任與科主任寫校本 AI 政策時對照。

北京團隊的兩條線

Moonshot 對外有 Kimi 助手與 platform.kimi.ai API 兩條線，自 2023 年起以長上下文著稱，從 K2 起把完整旗艦權重放上 Hugging Face。

對中小學來說，這條路線提供的是標竿，不是預設方案。K2（2025 年 7 月）令國際開源圈開始認真討論中文模型的長上下文能力；Kimi K3（2026 年 7 月 16 日發佈，7 月 27 日公開權重）則把規模推到 2.8 萬億參數 MoE、每 token 啟動約 1,040 億，加上原生視覺與 100 萬 token 上下文，API 代號 kimi-k3。這是首個公開權重的 3 萬億參數級模型——對大學實驗室是資源，對一般學校是「知道上限在哪」的參考尺。

上一代 Kimi K2.6（2026 年 4 月）以修改版 MIT 授權發佈，每 100 萬 token 0.95 / 4.00 美元，批量、成本敏感的任務仍有人用。K3 權重則掛 Kimi K3 License——自訂條款，不是「開源所以随便用」。

K3 這一代

K3 的技術賣點可以概括為三項：MoE 架構在推理時只啟動約 1,040 億參數、原生視覺讓圖文混排材料不必先 OCR、100 萬 token 上下文理論上可容納整本單元教材加一學期課業紀錄。

但教學現場要問另一組問題：整份 DSE 溫習講義一次貼進去，模型仍可能漏掉中段細節；整疊評估報告塞進上下文，帳單按 token 上升，稽核也難追溯引用頁碼。長上下文是能力標籤，校本 RAG 配合已評估供應商往往更省、也更敢向家長交代。

快取命中每 100 萬 token 0.30 美元，對反覆讀同一批校本文件的場景有吸引力——前提是學校願意走跨境 API，且已完成私隱評估；這與 Edor.ai 現行未接入 Kimi 是兩回事。

型號陣容對照

採購成本結構

API 路線： 3 / 15 美元在同級旗艦裡屬中下水平，但長輸入按 token 計費。IT 主任向校長報價時，應並列「整本貼上」與「RAG 只取相關段落」兩種方案的預估月費，不要只報型號牌價。星期四放學後教員室，數學科組長問：「100 萬 token 夠唔夠塞成績表？」——合理答法是：夠塞，但含個人資料的請求不能走未評估的跨境 API。

自架路線： 2.8 萬億參數即使量化，仍要多節點伺服器級 GPU、機房、電力與專職維運。連有 GPU 叢集的大學都要認真規劃排程，一般學校機房不在討論範圍。「權重已公開」不等於「可校本部署」；現實替代是 270 億參數級別，例如 Qwen3.8-27B 在 Ollama 上試跑。

合規路線： 官方 API 在中國內地，含學生個人資料的請求屬跨境傳輸，須按《個人資料（私隱）條例》自行評估。Kimi K3 License 不是 MIT 或 Apache，嵌入校本系統前需要法律意見；香港亦缺乏對應的教師社群與課程提示範本。

100 萬 token 是規格表上的數字，不是採購理由——能追溯來源的 RAG，往往比「一次讀完」更便宜，也更敢寫進校本 AI 政策。

平台接入現況

Edor.ai 目前未接入 Kimi。 原生供應商僅 OpenAI、Azure OpenAI、Anthropic、Poe 與本地 Ollama；後台沒有 Kimi 選項。原因直接：學校跑不動 K3 自架，官方 API 又是跨境傳輸——我們不會為了拉長供應商名單而加上未經評估的接口，亦沒有與月之暗面的合作關係。

若校本真正需要的是長文件整理，Edor.ai 內的知識庫 RAG 配合已評估供應商，通常比外接 Kimi API 更省、更快，且 ai_audit_logs 能追溯引用段落。Kimi 在本頁的角色是對照系：讓 IT 主任與科主任知道開源權重走到哪裡，評估 Qwen 27B 或 DeepSeek 蒸餾版時有尺度感。

個別教師用 Kimi 備課請當公開網站，零個人資料；辦學團體考慮接入須先做跨境評估與授權法律意見。

教學現場判斷

可作參考： IT 與科主任理解開源權重上限；極少數有伺服器級 GPU 叢集的研究型學校或辦學團體；教師個人試用通用備課且不含個人資料。

不宜預設： 一般中小學的校本供應商；未評估的學生場景；以「100 萬 token」代替 RAG；假設開源等於 MIT；通識或中史敏感題無教師把關；期望 Edor.ai 短期內原生接入。

想「中文強、資料不出校」，現實答案是 Alibaba Qwen 27B 級 Ollama 自架，或 DeepSeek 蒸餾版——不是 Kimi K3。支架式引導比追逐萬億參數旗艦更影響課堂成效。

週一晨會，校長問 IT 主任：「我哋要不要上 Kimi？」合理答法不是 yes/no，而是：「K3 我哋跑唔動；若要做長文件，先用校本 RAG；若要做中文自架，先試 Qwen 27B。」

給學校的取捨

• 如果你要的是技術對照與長上下文概念，就把 Kimi 當閱讀材料給 IT 與科主任，不要寫進未評估的校本採購方案。
• 如果你要教師個人試用，就限定通用備課、零個人資料，並在教師培訓裡明確禁止上載未去識別化校內文件。
• 如果你要資料留校又可部署的中文能力，就改看 Qwen3.8-27B 或 DeepSeek 蒸餾版的 Ollama 路線，並用校本 RAG 處理長文件，而不是追逐 2.8 萬億參數旗艦。