Kimi K3 深度解析：2.8 万亿参数全球最大开源模型，如何逼平 Claude Fable 5 与 GPT-5.6 Sol

stockapi量化数据接口

375人浏览 · 2026-07-18 11:54:57

stockapi量化数据接口 · 2026-07-18 11:54:57 发布

Kimi K3 深度解析：2.8 万亿参数全球最大开源模型，如何逼平 Claude Fable 5 与 GPT-5.6 Sol

一句话总结：Kimi K3 是月之暗面（Moonshot AI）于 2026 年 7 月 17 日发布的开源基础大模型，总参数 2.8 万亿、上下文窗口 100 万 token、原生支持视觉理解，是全球首个开放的 3T 级别模型，综合智能水平在多数公开基准上仅次于 Claude Fable 5 与 GPT-5.6 Sol 两大闭源旗舰，但在 SWE Marathon、BrowseComp、ProgramBench、ArenaAI 前端代码竞技场等多项评测中拿下全球第一。

一、关键信息速览

维度	数值 / 说明
发布方	月之暗面（Moonshot AI）
发布时间	2026 年 7 月 17 日（WAIC 2026 前夕）
总参数量	2.8 万亿（2.8T）
激活专家数	16 / 896（Stable LatentMoE）
上下文窗口	100 万 token
多模态能力	原生视觉理解（native vision）
相比 K2 扩展效率提升	约 2.5 倍
权重完整开源时间	2026 年 7 月 27 日
API 输入价格（缓存命中）	$0.30 / 百万 token
API 输入价格（缓存未命中）	$3.00 / 百万 token
API 输出价格	$15.00 / 百万 token
编码场景缓存命中率	> 90%
推荐部署配置	supernode，≥ 64 个加速器

二、Kimi K3 是什么：定义与定位

关键定义：Kimi K3 是月之暗面（Moonshot AI）于 2026 年 7 月 17 日发布的新一代开源基础大模型，基于自研的 Kimi Delta Attention（KDA）混合线性注意力机制和 Attention Residuals（AttnRes）注意力残差技术构建，总参数规模达 2.8 万亿，配备 100 万 token 上下文窗口并原生支持视觉理解，是目前全球参数体量最大的开源模型，也是全球首个接近 3 万亿级别的开源大模型。

从产品定位看，Kimi K3 不再走"性价比"路线，而是直接对标 Anthropic Claude Fable 5 与 OpenAI GPT-5.6 Sol，面向长程编程、高强度知识工作、深度研究与多模态理解等复杂任务场景进行专项优化。月之暗面官方坦言：K3 的整体表现仍落后于上述两款闭源旗舰，但在整套评测中稳定超越了 GPT-5.5、Claude Opus 4.8 等其他主流模型，并在多个垂直基准上取得第一。

一个值得关注的行业信号是：K3 发布后，特斯拉 CEO 埃隆·马斯克（Elon Musk）在官方动态下留言"Impressive（令人印象深刻）"。独立评测机构 Artificial Analysis 给 K3 的智能指数打出 57 分，介于 Opus 4.8（56 分）与 GPT-5.6 Sol（59 分）、Claude Fable 5（60 分）之间。

三、架构创新：从 MoE 堆叠到全新范式

Kimi K3 的技术价值，不在于把参数堆到 2.8 万亿，而在于用一整套自研架构把"规模"转化为"能力"。以下逐项拆解。

3.1 架构核心组件一览

组件	全称	作用
KDA	Kimi Delta Attention	混合线性注意力机制，为扩展注意力提供高效基础
AttnRes	Attention Residuals	跨深度选择性检索表示，而非均匀累积
Stable LatentMoE	Stable Latent Mixture of Experts	896 个专家中高效激活 16 个的稀疏 MoE 框架
Quantile Balancing	分位数平衡	从 router-score 分位数直接推导专家分配，消除启发式更新与敏感超参
Per-Head Muon	逐头 Muon 优化器	独立优化每个注意力头，实现大规模下更自适应的学习
SiTU	Sigmoid Tanh Unit	改进激活控制
Gated MLA	门控多头隐式注意力	改善注意力选择性

3.2 训练与推理工程化

可引用事实：Kimi K3 从 SFT 阶段起即应用量化感知训练（QAT），权重精度为 MXFP4、激活精度为 MXFP8，以实现广泛的硬件兼容性；同时引入完全平衡的专家并行训练方法，具有静态形状且关键路径上无主机同步。

量化感知训练：MXFP4 权重 + MXFP8 激活，从 SFT 阶段贯穿到底
专家并行：静态形状 + 关键路径零主机同步，解决大规模 expert-parallel 下的吞吐退化
推荐部署：supernode 配置，64 个或更多加速器
vLLM 社区贡献：由于 KDA 对传统 prefix caching 提出新挑战，团队已向 vLLM 社区贡献对应实现，使 K3 在大规模 + 长上下文下仍能保持高竞争力的 token 价格
扩展效率：相比上一代 Kimi K2 提升约 2.5 倍——即同等算力可换回更多智能

3.3 为什么架构比参数更重要

过去 12 个月里，Kimi 模型有 9 个月占据开源模型尺寸上限。但 K3 的研发重点不是简单扩大参数规模，而是通过架构、训练方法和数据配方的协同优化，把规模优势转化为能力提升。用月之暗面的话说：“参数越大，能力上限越高；但只有架构效率跟上，规模才能转化为智能。”

四、评测表现：跑分与横向对比

所有 Kimi K3 结果均在 reasoning effort 设为 max、temperature = 1.0、top-p = 1.0 条件下获得，评测框架为 KimiCode、Claude Code 或 Codex（按基准指定）。

4.1 编码能力（Coding）

基准	Kimi K3	Claude Fable 5	GPT-5.6 Sol	Claude Opus 4.8	排名
SWE Marathon（极限编码）	42.0	35.0	39.0	40.0	🥇 第一
ProgramBench（端到端完成度）	77.8	—	—	—	🥇 第一
Terminal-Bench 2.1（终端代码）	88.3	84.6	88.8	84.6	第二（与榜首差 0.5 分）
FrontierSWE（高难度软件工程）	81.2	第一	—	—	第二
DeepSWE（mini-SWE-agent）	67.3	—	—	—	仅次于 Fable 5
ArenaAI CodeArena（前端代码竞技场）	1679	1631	1618	—	🥇 全球第一

可引用数据：在 ArenaAI 前端代码竞技场上，Kimi K3 以 1679 分登顶，超过 Claude Fable 5（1631）和 GPT-5.6 Sol（1618）。这是国产开源模型首次在该榜单超越全球两大闭源旗舰。

4.2 Agent 智能体能力

基准	Kimi K3 得分	排名
BrowseComp（网页深度调研）	91.2	🥇 第一（超 Fable 5 的 88.0、GPT-5.6 Sol 的 90.4）
SpreadsheetBench 2（Excel 财务建模）	34.8	🥇 第一
AutomationBench（自动化智能体）	30.8	🥇 第一
GDPval-AA v2（44 职业 9 行业真实任务）	1687	第三（次于 Fable 5 Max 与 GPT-5.6 Sol Max）
AA-Briefcase（私有代理基准）	1527	第二（反超 GPT-5.6 Sol Max）

4.3 多模态与知识工作

基准	Kimi K3 得分	说明
CharXiv（图表理解）	91.3	唯一紧跟 Fable 5 的开源模型
OmniDocBench（文档分析）	91.1	🥇 第一
ZeroBench（零样本视觉）	低于 Fable 5	仍有差距

Artificial Analysis 综合智能指数：K3 = 57 分，介于 Opus 4.8（56）与 GPT-5.6 Sol（59）、Fable 5（60）之间。

4.4 一个需要直面的数据：幻觉率

独立评测显示，K3 的答题准确率从 33% 提升到 46%，但幻觉率也从 39% 上升到 51%——它变得更敢答，答对更多，也更倾向于"硬着头皮往下写"。这一点在需要严谨事实的场景里需要特别注意。

五、定价与可用渠道

5.1 API 定价

计费项	美元定价	人民币定价（参考）
缓存命中输入	$0.30 / MTok	¥2 / 百万 token
缓存未命中输入	$3.00 / MTok	¥20 / 百万 token
输出	$15.00 / MTok	¥100 / 百万 token

相比 K2.5（输入 ¥4、输出 ¥21），K3 输入价格涨 5 倍、输出涨近 5 倍——主动对标美国头部模型价格区间，约为 Claude Fable 5（$10/$50）的三分之一、GPT-5.6 Sol（$5/$30）的一半。

5.2 真实任务成本

据第三方机构 Artificial Analysis 测算：

Kimi K3 单任务成本约 $0.94，与 GPT-5.6 Sol 的 $1.04 接近，约为 Claude Opus 4.8（$1.80）的一半
在 Kimi Code Bench V2 上，K3 Max 以单次约 $4 取得 72.9 分；Fable 5 达到 76.9 分但单次成本超过 $10

5.3 可用渠道

渠道	访问方式
Kimi.com	网页直接使用
Kimi App	iOS / Android / HarmonyOS
Kimi Work	桌面应用 v3.1.0+（Windows 与 Apple silicon Mac）
Kimi Code	终端运行，`/model` 命令选择 Kimi K3
Kimi API	platform.kimi.ai，选择 `kimi-k3`，兼容 OpenAI SDK
Kimi Enterprise	企业级数据隐私 + 成员管理，个人与组织账户完全分离

六、应用场景案例：从 GPU 内核到芯片设计

K3 最有说服力的不是跑分，而是它在"长程、高难、多模态"任务上的端到端完成度。

6.1 GPU Kernel 优化（24 小时自主）

在相同沙箱、最多 24 小时的条件下，K3 独立完成 4 项 GPU 内核优化任务，覆盖 AttnRes、KDA、512-head-dimension MLA，跨 NVIDIA H200 与替代厂商 GPGPU：

任务	K3 优化结果
AttnRes 内核	前向+反向从 283.6 ms 降到 114.4 ms（15 小时不间断迭代）
DSA 内核	端到端时间减少 55.1%
MLA-512 内核（从零编写）	达到 517.8 TFLOPS（超过 H200 理论 BF16 峰值一半）
KDA 内核（GPGPU）	前向+反向时间减少 73.6%

关键事实：在 Kimi K3 研发后期，团队大部分 GPU 内核优化工作是由一个早期版本的 K3 自己完成的——模型参与了制造它自己。

6.2 MiniTriton：从零构建 GPU 编译器

K3 开发了 MiniTriton——一个紧凑的类 Triton 编译器：

自带 tile 级 IR 层（基于 MLIR）
优化 pass + PTX 代码生成管线
在支持的 roofline 基准上与 Triton、torch.compile 持平或更优
端到端支持 nanoGPT 训练，收敛稳定，loss 曲线与参考仅微小偏差

这证明 K3 能搭建完整编译器栈（DSL 前端 → IR pass → PTX codegen → runtime），而非孤立内核。

6.3 芯片设计：48 小时自主 Agent

指标	数值
自主运行时间	48 小时单次
工艺库	Nangate 45nm
芯片面积	4 mm²
时序收敛	100 MHz
仿真 decode 吞吐	8,700+ tokens/s
标准单元数	1.46M
SRAM	0.277 MB
MAC 阵列	INT4，含融合反量化

一颗由模型设计、为模型服务的芯片——生动诠释 K3 的长程 Agent 能力。

6.4 科研编程：2 小时复现 I-Love-Q 关系

K3 用约 2 小时完成了通常需要资深研究员 1-2 周的工作：

审阅并交叉验证 20+ 篇论文
实现完整数值管线
评估 300+ 个状态方程
发现已发表公式中的不一致
生成 3,000+ 行 Python 代码
产出交互式 HTML 仪表板

6.5 知识工作与产业研究

案例	规模
AI ASIC 产业研究	42 年历史、120+ 轮递归自改进、2,800+ 次网络搜索、1,100+ 次终端数据拉取、11,000+ 页、87 份季报、99 份原始 PDF
可控核聚变产业研究	咨询风格报告，含时间线、漏斗图、范围条形图、甘特图、发布级幻灯片
GWTC-5 引力波分析	391 个引力波事件、20+ 并发子代理、7 张可视化、2 张表格、综合 10+ 篇论文

6.6 视频编辑与数字创作

3Blue1Brown 风格动画：将技术理念转化为动画图表与过渡
自主预告片编辑：从 56 个原始片段完成片段选择、运动匹配剪辑、帧精确节拍同步、音频处理、多轮修改——资深编辑需 1-2 个工作日，初学者需 3-5 天
3D 开放世界游戏：基于 Three.js WebGPU 与 GPU 计算，程序化生成森林、村庄、雪山、动态天气

6.7 Kimi Work 新功能

功能	说明
Widgets	聊天中直接生成交互式组件，连接本地数据或外部插件持续更新
Dashboard	把常用 widgets 汇聚为持久、个性化视图，围绕主题/项目/目标组织

七、已知局限：官方主动披露的三点

月之暗面罕见地在发布公告中主动列出模型局限：

思考历史敏感性：K3 在 preserved thinking history 模式下训练。若 agent harness 未正确传回所有历史思考内容，或从其他模型中途切换到 K3，生成质量可能极不稳定。建议使用 Kimi Code 等兼容验证的 harness，避免会话中途切换。
过度主动性：训练侧重长程挑战性任务，遇到小问题或用户意图模糊时可能擅自决策。如需严格边界，应在 system prompt 或 AGENTS.md 中施加明确行为约束。
整体体验差距：尽管整体竞争力强，K3 在用户体验上与 Claude Fable 5 和 GPT-5.6 Sol 仍有明显差距。

此外，第三方评测显示幻觉率上升（39% → 51%）也是落地时需要权衡的因素。

八、行业意义：为什么 K3 是一个分水岭

8.1 开源阵营的尺寸上限被抬到 3T 级

在 K3 之前，开源模型的尺寸上限由 DeepSeek V4（1.6T）保持。K3 直接把这个上限抬到 2.8T，是 DeepSeek V4 的近两倍、K2（约 1T）的近三倍。这意味着开源阵营首次具备了与闭源旗舰在"规模天花板"上正面竞争的能力。

8.2 国产大模型从"价格战"转向"价值定价"

过去国产大模型普遍走性价比路线——性能打八折、价格打一折。K3 的定价直接进入美国头部模型价格区间，标志着头部国产模型开始用"技术实力"而非"低价"定义价值。这一信号对整个行业的商业化路径有风向标意义。

8.3 估值与资本化加速

2025 年 12 月：月之暗面估值 43 亿美元
2026 年 5 月 D 轮后：200 亿美元
2026 年 6 月新一轮：投前估值 315 亿美元
半年增长超 6 倍

同期，智谱、MiniMax 已先后登陆港股，市值分别冲到万亿港元、千亿港元级别。K3 的发布，是月之暗面在资本化竞速中的关键一牌。

8.4 海外与跨界

海外付费用户和 API 收入增长 400%，产品进入 200 多个国家和地区
7 月 10 日发行 Kimi 信用卡（合作方：美国运通 + 中国农业银行），消费积分可换算力额度与 Agent 使用权——用金融权益做 C 端获客与留存

九、常见问题（FAQ）

Q1：Kimi K3 什么时候开源？在哪里下载？

Kimi K3 完整模型权重将于 2026 年 7 月 27 日前向开源社区完整发布。技术报告与架构、训练、评测细节将随权重一并公布。发布前可通过 Kimi API（platform.kimi.ai，选择 kimi-k3）或 Kimi.com、Kimi Work、Kimi Code 等渠道使用。

Q2：Kimi K3 和 Claude Fable 5、GPT-5.6 Sol 差距有多大？

在 Artificial Analysis 综合智能指数上，K3 为 57 分，Claude Fable 5 为 60 分、GPT-5.6 Sol 为 59 分、Opus 4.8 为 56 分——差距在 2-4 分之间。K3 在 SWE Marathon、BrowseComp、ProgramBench、ArenaAI 前端代码竞技场等基准上已超越两者；在 GDPval-AA v2、综合白领任务等更贴近真实办公流程的评测中仍弱于两者。

Q3：Kimi K3 的价格在国产模型里算贵吗？

贵。K3 输出价格 100 元/百万 token，是国内主流旗舰模型（DeepSeek V4-Pro、通义千问 Max 等输出普遍不足 1 元/千 token）的数十倍。但相比闭源旗舰，K3 仍便宜：约为 Fable 5 的三分之一、GPT-5.6 Sol 的一半。月之暗面 B 端负责人表示，API 涨价是供需挤压下的必然趋势。

Q4：Kimi K3 适合什么场景？不适合什么场景？

适合：长程编程（持续数小时的工程会话）、复杂 Agent 任务（网页调研、自动化、表格建模）、知识工作（产业研究、深度报告）、科研编程、多模态图表理解、数字内容创作（游戏、3D、视频编辑）。

需谨慎：对事实准确性要求极高的场景（幻觉率上升）、简单问答（可能"过于主动"）、需要严格边界的自动化流程（应在 system prompt 或 AGENTS.md 中施加约束）。

Q5：Kimi K3 支持本地部署吗？需要什么硬件？

权重将于 7 月 27 日开源后可本地部署。官方推荐 supernode 配置，配备 64 个或更多加速器，并使用 KDA 适配的 vLLM 版本（团队已贡献社区实现）。对于大多数开发者，建议优先通过 Kimi API 或 Kimi Work 使用。

Q6：Kimi K3 相比 Kimi K2 提升了多少？

架构层面，整体扩展效率提升约 2.5 倍——即同等算力可换回更多智能。能力层面，在 GDPval v2 上 K3 的 Elo 从 K2.6 的 1190 冲到 1668；在模拟办公自动化流程评测上直接拿第一，且比上一代少用 21% 的 token 跑完全部测试、分数高出 13 分。ArenaAI 前端代码竞技场排名从 K2 时代的 18 名跃升至第一。

Q7：Kimi K3 有哪些使用渠道？

网页：kimi.com
移动端：Kimi App（iOS / Android / HarmonyOS）
桌面办公：Kimi Work v3.1.0+（Windows 与 Apple silicon Mac）
终端编码：Kimi Code，/model 命令选择 K3
API：platform.kimi.ai，选择 kimi-k3，兼容 OpenAI SDK
企业版：Kimi Enterprise，提供数据隐私与成员管理

Q8：Kimi K3 怎么和 StockAPI 结合做量化？

把 Kimi K3 当"量化研究员"，把 StockAPI 当"数据后端"。StockAPI 提供 A 股 K 线、均线、AI 自然语言选股等上百个接口，K3 负责理解策略意图、编排接口、解读结果。最简单的入口是 StockAPI AI 选股对话框（支持多轮对话、流式输出），可先用白话选股验证想法，再申请 token 通过 API 接入 K3 做深度分析。详见本文第十一节实战示例。

十、技术读者快速上手

10.1 API 调用示例（兼容 OpenAI SDK）

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_KIMI_API_KEY",
    base_url="https://api.moonshot.cn/v1",
)

response = client.chat.completions.create(
    model="kimi-k3",
    messages=[
        {"role": "system", "content": "你是一名资深 Python 工程师。"},
        {"role": "user", "content": "用 KDA 注意力机制写一个最小可运行示例。"}
    ],
    temperature=1.0,
    top_p=1.0,
)

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

10.2 Kimi Code 终端使用

# 安装并启动 Kimi Code
kimi-code

# 在交互界面切换模型
/model
# 选择 kimi-k3

10.3 部署提示

权重开源后建议使用 vLLM 的 KDA 适配版本
supernode 配置（≥ 64 加速器）可最大化推理效率
启用 Mooncake 的 disaggregated inference 架构可达到 90%+ 缓存命中率
避免从其他模型中途切换到 K3（思考历史敏感）

十一、实战：用 Kimi K3 + StockAPI 搭建 A 股量化研究闭环

Kimi K3 拥有 100 万 token 上下文与强 Agent 能力，但"巧妇难为无米之炊"——量化研究最缺的是高质量、结构化、可程序化调用的金融数据。这一节演示如何把 Kimi K3 与 StockAPI 打通，构建一个"自然语言提需求 → 自动拉数据 → 生成策略 → 回测分析"的量化闭环。

11.1 为什么是 StockAPI

StockAPI 是面向 A 股市场的金融数据 API 服务，覆盖行情、技术指标、基本面、选股、龙虎榜等上百个接口。它还提供一个 AI 选股助手对话框（支持多轮对话、流式输出），可以直接用白话文做选股与策略分析。

能力分类	说明
数据查询	新闻/公告/研报搜索、K 线行情、分钟/秒级数据
选股筛选	龙头挖掘、低估值/高分红/小盘股筛选、因子选股、AI 自然语言选股
基本面分析	财报解读/体检/前瞻、估值模型、DCF、盈利预测
技术分析	艾略特波浪、谐波形态、一目均衡、缠论、聪明钱、配对交易
宏观行业	宏观周期、全球宏观、地缘政治、行业轮动、大宗商品、外汇
量化策略	因子研究、量化统计、机器学习策略、事件驱动、策略生成
风险管理	压力测试、风险收益配置、对冲策略、相关性分析、爆仓热力图
投资组合	资产配置、组合诊断、风险评估、投资想法生成
衍生品	期权分析/策略、可转债、信用固收
基金 ETF	基金分析筛选、ETF 分析

关键事实：StockAPI 的 AI 选股接口 /v1/base/xuangu 支持用自然语言（如"创业板，今日涨停，换手率大于 10，竞价涨幅大于 1"）直接选股，请求频率 10 次/秒，实时更新。这与 Kimi K3 的"自然语言理解 + 工具调用"能力天然契合。

11.2 闭环架构

┌──────────────┐    自然语言策略    ┌──────────────┐
│   研究员      │ ───────────────▶ │   Kimi K3     │
│  (你/我)     │ ◀─── 分析报告 ── │  (推理+Agent) │
└──────────────┘                   └──────┬───────┘
                                         │ 函数调用
                                         ▼
                              ┌─────────────────────┐
                              │   StockAPI 数据层    │
                              │  /v1/base/day  K线   │
                              │  /v1/quota/ma2 均线  │
                              │  /v1/base/xuangu 选股│
                              └─────────────────────┘

整体思路：Kimi K3 当"量化研究员"，StockAPI 当"数据后端"。K3 负责理解策略意图、编排接口、解读结果；StockAPI 负责把 A 股的真实行情、指标、选股结果喂回来。

11.3 示例一：K3 把白话策略翻译成 StockAPI 选股调用

第一个例子最简单——让 K3 把一句模糊的选股想法，转成 StockAPI /v1/base/xuangu 接口能直接执行的 strategy 参数。

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_KIMI_API_KEY",
    base_url="https://api.moonshot.cn/v1",
)

# 研究员的自然语言想法
user_idea = "我想找近期放量上涨、换手率适中、属于新能源产业链的创业板股票"

resp = client.chat.completions.create(
    model="kimi-k3",
    messages=[
        {"role": "system", "content": (
            "你是 A 股量化研究员。把用户的选股想法翻译成 StockAPI "
            "/v1/base/xuangu 接口的 strategy 参数（中文白话，逗号分隔条件）。"
            "只输出 strategy 字符串本身，不要解释。"
        )},
        {"role": "user", "content": user_idea},
    ],
    temperature=1.0,
    top_p=1.0,
)

strategy = resp.choices[0].message.content.strip()
print("K3 生成的策略：", strategy)
# 示例输出：创业板，新能源，放量上涨，换手率大于3小于15

拿到 strategy 后，直接调用 StockAPI 的 AI 选股接口：

import requests

STOCKAPI_TOKEN = "你的stockapi专属token"

def ai_xuangu(strategy: str):
    url = "https://www.stockapi.com.cn/v1/base/xuangu"
    params = {"strategy": strategy, "token": STOCKAPI_TOKEN}
    r = requests.get(url, params=params, timeout=20)
    data = r.json()
    if data.get("code") == 20000:
        return data["data"]
    print("StockAPI 错误：", data.get("msg"))
    return []

candidates = ai_xuangu(strategy)
print(f"选出 {len(candidates)} 只候选股")
for s in candidates[:5]:
    print(s.get("股票简称"), s.get("最新涨跌幅"), s.get("涨停原因类别[20240704]"))

这一步体现了 K3 的价值：研究员不用记接口字段，用一句话描述意图，K3 自动编排数据接口。

11.4 示例二：StockAPI 拉行情 + 均线，K3 解读金叉死叉

第二个例子更"量化"一些——用 StockAPI 拉 K 线和均线指标，把数据喂给 K3 做技术信号解读。这里用两个真实接口：

K 线行情：GET /v1/base/day（参数 code / startDate / endDate / calculationCycle=100 为日 K）
多周期均线：GET /v1/quota/ma2（参数 code / ma=5,10,20 / 日期范围）

import requests, json

STOCKAPI_TOKEN = "你的stockapi专属token"
BASE = "https://www.stockapi.com.cn"

def get_kline(code, start, end, cycle="100"):
    """拉日K线（前复权）"""
    r = requests.get(f"{BASE}/v1/base/day", params={
        "token": STOCKAPI_TOKEN, "code": code,
        "startDate": start, "endDate": end,
        "calculationCycle": cycle,
    }, timeout=20)
    return r.json().get("data", [])

def get_ma(code, ma_list, start, end):
    """拉多周期均线"""
    r = requests.get(f"{BASE}/v1/quota/ma2", params={
        "token": STOCKAPI_TOKEN, "code": code,
        "ma": ",".join(map(str, ma_list)),
        "startDate": start, "endDate": end,
        "calculationCycle": 100,
    }, timeout=20)
    return r.json().get("data", [])

# 拉某只股票近 60 个交易日的数据
kline = get_kline("600519", "2026-05-01", "2026-07-18")
ma = get_ma("600519", [5, 10, 20], "2026-05-01", "2026-07-18")

# 把数据交给 Kimi K3 解读
analysis = client.chat.completions.create(
    model="kimi-k3",
    messages=[
        {"role": "system", "content": (
            "你是 A 股技术分析师。基于提供的 K 线与均线数据，"
            "判断最近是否出现 MA5/MA10 金叉或死叉，并给出后续观察建议。"
            "数据以 JSON 形式提供。"
        )},
        {"role": "user", "content": json.dumps(
            {"kline_tail": kline[-10:], "ma_tail": ma[-10:]},
            ensure_ascii=False
        )},
    ],
    temperature=1.0,
    top_p=1.0,
)
print(analysis.choices[0].message.content)

StockAPI 的 K 线数据均为前复权，请求频率 40 次/秒，交易日 16:00 更新——足够支撑盘中/盘后的批量因子计算。

11.5 示例三：让 K3 当 Agent 自主编排整个流程

最"K3 风格"的用法是把它当 Agent——给它一组工具函数，让它自己决定先调哪个接口、拉多少数据、什么时候停下来写报告。Kimi K3 的 100 万 token 上下文可以把数十只股票的完整行情 + 指标一次性塞进上下文做横截面分析，这是普通模型很难做到的。

import json
from openai import OpenAI

client = OpenAI(api_key="YOUR_KIMI_API_KEY", base_url="https://api.moonshot.cn/v1")

# 把 StockAPI 的几个接口包装成 K3 可调用的工具
tools = [
    {
        "type": "function",
        "function": {
            "name": "stockapi_xuangu",
            "description": "StockAPI AI 自然语言选股，输入中文策略返回候选股票列表",
            "parameters": {
                "type": "object",
                "properties": {"strategy": {"type": "string"}},
                "required": ["strategy"],
            },
        },
    },
    {
        "type": "function",
        "function": {
            "name": "stockapi_kline",
            "description": "StockAPI 拉取 A 股日K线（前复权）",
            "parameters": {
                "type": "object",
                "properties": {
                    "code": {"type": "string"},
                    "start": {"type": "string"},
                    "end": {"type": "string"},
                },
                "required": ["code", "start", "end"],
            },
        },
    },
    {
        "type": "function",
        "function": {
            "name": "stockapi_ma",
            "description": "StockAPI 拉取多周期均线指标",
            "parameters": {
                "type": "object",
                "properties": {
                    "code": {"type": "string"},
                    "ma": {"type": "string", "description": "如 5,10,20"},
                    "start": {"type": "string"},
                    "end": {"type": "string"},
                },
                "required": ["code", "ma", "start", "end"],
            },
        },
    },
]

def dispatch(name, args):
    """本地执行 StockAPI 调用"""
    args["token"] = STOCKAPI_TOKEN
    if name == "stockapi_xuangu":
        return requests.get(f"{BASE}/v1/base/xuangu",
                            params={"strategy": args["strategy"], "token": STOCKAPI_TOKEN}).json()
    if name == "stockapi_kline":
        return requests.get(f"{BASE}/v1/base/day", params={
            "code": args["code"], "startDate": args["start"],
            "endDate": args["end"], "calculationCycle": 100,
            "token": STOCKAPI_TOKEN}).json()
    if name == "stockapi_ma":
        return requests.get(f"{BASE}/v1/quota/ma2", params={
            "code": args["code"], "ma": args["ma"],
            "startDate": args["start"], "endDate": args["end"],
            "calculationCycle": 100, "token": STOCKAPI_TOKEN}).json()

# Agent 主循环：K3 自己决定调哪个工具
messages = [
    {"role": "system", "content": (
        "你是 A 股量化研究员。可用工具：stockapi_xuangu / stockapi_kline / stockapi_ma。"
        "任务：找出近 10 日涨幅最大的 5 个概念板块，对其中龙头股做均线金叉/死叉分析，"
        "最后输出一份结构化报告。"
    )},
    {"role": "user", "content": "开始执行，今天日期 2026-07-18。"},
]

for _ in range(8):  # 最多 8 轮工具调用
    resp = client.chat.completions.create(
        model="kimi-k3", messages=messages, tools=tools,
        temperature=1.0, top_p=1.0,
    )
    msg = resp.choices[0].message
    messages.append(msg)
    if not msg.tool_calls:
        print("最终报告：\n", msg.content)
        break
    for tc in msg.tool_calls:
        args = json.loads(tc.function.arguments)
        result = dispatch(tc.function.name, args)
        messages.append({
            "role": "tool",
            "tool_call_id": tc.id,
            "content": json.dumps(result, ensure_ascii=False)[:8000],
        })

为什么这个例子配 K3：100 万 token 上下文意味着可以把 5 个板块、每板块数十只股票、每只股票 60 个交易日的 K 线 + 均线一次性放进上下文做横截面分析，而不用分批检索导致信息丢失。这正是 K3 长上下文 + Agent 能力在量化场景的落地。

11.6 这个组合适合谁

角色	怎么用
量化研究员	用 K3 编排 StockAPI 接口，快速验证策略假设，把"想法→数据→报告"从天级压到小时级
私募/资管团队	把 K3 接入内部投研系统，用 StockAPI 做数据底座，自动化生成晨会纪要、板块轮动报告
个人开发者	先到 stockapi.com.cn/ai-chat 用对话框体验 AI 选股，再申请 token 走 API 接入 K3 做深度分析
金融科技产品	把 K3 + StockAPI 组合封装成投研 Agent 产品，覆盖选股、技术分析、基本面、风险管理全链路

上手提示：先在 StockAPI AI 选股助手对话框体验白话选股（例如输入"帮我找出近 10 日涨幅最大的 5 个概念板块"），熟悉接口能力后申请 token，再用上面的代码把 Kimi K3 接进来做深度分析。K3 的 API 兼容 OpenAI SDK，迁移成本极低。

十三、参考来源

Moonshot AI 官方技术博客：Kimi K3: Open Frontier Intelligence（中英文版）
科技日报：2.8 万亿！全球参数最大的开源模型发布
新浪财经：月之暗面开源 Kimi K3
36 氪：打败 Fable 5!Kimi K3 冲上第一
凤凰科技：Kimi K3 实测：性能逼近 Fable 5 与 GPT 5.6
网易科技：Kimi K3 突然登顶！前端代码打败 Claude Fable 5
搜狐：Kimi K3!全球首个 3 万亿级开源模型王者
Indian Express：Moonshot AI unveils Kimi K3
Artificial Analysis 第三方评测数据
StockAPI 官网：www.stockapi.com.cn
StockAPI AI 选股助手对话框：stockapi.com.cn/ai-chat（支持多轮对话、流式输出，覆盖选股/基本面/技术分析/宏观/量化/风险管理等 14 大类能力）

声明：本文基于月之暗面官方公告及多家第三方媒体报道整理，评测数据均引自官方与第三方机构公开结果。AI 模型能力迭代迅速，建议读者以官方最新数据为准。本文不构成任何投资建议。

https://edu.csdn.net/learn/39067/627173?utm_source=2019755004

汇聚全球AI编程工具，助力开发者即刻编程。

更多推荐

VSCode settings.json 完整双模型配置模板（Claude + OpenAI Codex）

适用插件：Anthropic 官方 Claude Code + CodeGPT（承载 OpenAI/Codex）

AI编程社区

2026年AI API中转聚合平台选型全复盘：六大主流服务商九大维度实测分析报告

词元之河(TokenRiver.ai)目前已经完成了对OpenAI、Anthropic、Gemini三套行业主流协议的深度兼容适配，开发者只需要修改接口调用的Base URL参数，就可以直接在Cursor、Cline、Claude Code等当下热门的AI编程助手产品中使用所有平台提供的模型服务，不需要重新编写底层调用逻辑，这种近乎零成本适配的体验，对需要跨模型协同工作的团队来说价值极高，比如同时

AI编程社区

Cursor 和 Warp 都在谈“AI 软件工厂”：AI 编程正在从助手变成流水线

AI编程社区

所有评论(0)

查看更多评论

stockapi量化数据接口

@u014496893

已为社区贡献3条内容

Kimi K3 深度解析：2.8 万亿参数全球最大开源模型，如何逼平 Claude Fable 5 与 GPT-5.6 Sol

stockapi量化数据接口

Kimi K3 深度解析：2.8 万亿参数全球最大开源模型，如何逼平 Claude Fable 5 与 GPT-5.6 Sol

一、关键信息速览

二、Kimi K3 是什么：定义与定位

三、架构创新：从 MoE 堆叠到全新范式

3.1 架构核心组件一览

3.2 训练与推理工程化

3.3 为什么架构比参数更重要

四、评测表现：跑分与横向对比

4.1 编码能力（Coding）

4.2 Agent 智能体能力

4.3 多模态与知识工作

4.4 一个需要直面的数据：幻觉率

五、定价与可用渠道

5.1 API 定价

5.2 真实任务成本

5.3 可用渠道

六、应用场景案例：从 GPU 内核到芯片设计

6.1 GPU Kernel 优化（24 小时自主）

6.2 MiniTriton：从零构建 GPU 编译器

6.3 芯片设计：48 小时自主 Agent

6.4 科研编程：2 小时复现 I-Love-Q 关系

6.5 知识工作与产业研究

6.6 视频编辑与数字创作

6.7 Kimi Work 新功能

七、已知局限：官方主动披露的三点

八、行业意义：为什么 K3 是一个分水岭

8.1 开源阵营的尺寸上限被抬到 3T 级

8.2 国产大模型从"价格战"转向"价值定价"

8.3 估值与资本化加速

8.4 海外与跨界

九、常见问题（FAQ）

Q1：Kimi K3 什么时候开源？在哪里下载？

Q2：Kimi K3 和 Claude Fable 5、GPT-5.6 Sol 差距有多大？

Q3：Kimi K3 的价格在国产模型里算贵吗？

Q4：Kimi K3 适合什么场景？不适合什么场景？

Q5：Kimi K3 支持本地部署吗？需要什么硬件？

Q6：Kimi K3 相比 Kimi K2 提升了多少？

Q7：Kimi K3 有哪些使用渠道？

Q8：Kimi K3 怎么和 StockAPI 结合做量化？

十、技术读者快速上手

10.1 API 调用示例（兼容 OpenAI SDK）

10.2 Kimi Code 终端使用

10.3 部署提示

十一、实战：用 Kimi K3 + StockAPI 搭建 A 股量化研究闭环

11.1 为什么是 StockAPI

11.2 闭环架构

11.3 示例一：K3 把白话策略翻译成 StockAPI 选股调用

11.4 示例二：StockAPI 拉行情 + 均线，K3 解读金叉死叉

11.5 示例三：让 K3 当 Agent 自主编排整个流程

11.6 这个组合适合谁

十三、参考来源

所有评论(0)

温馨提示：您尚未绑定手机号

stockapi量化数据接口