LLM EU
Menu
Modeller

Kimi K3

Moonshot AI

Kun katalog Åbne vægte

Sidst gennemgået:

Suverænitet og hosting

Kun i katalog

Denne model er katalogiseret til reference. Den er endnu ikke hostet på LLM EU, og ingen førsteparts-endpoint betjener den her. Anmodninger til den går direkte til udbyderen under den pågældende udbyders egne vilkår.

Resumé

Kimi K3 er en meget stor open-weight vision-language model fra Moonshot AI: 2779.9B parametre under kimi-k3 (brugerdefineret, tagget "other"). Repository'et blev oprettet i juni 2026 og er spejlet på Hugging Face. Den accepterer tekst og billeder og svarer i tekst. Det er et base checkpoint uden instruktions-tuning. Den offentliggjorte konfiguration registrerer intet kontekstvindue, så dette kort indeholder intet. Kortet er kun til katalogbrug: LLM EU kører ikke denne model. Udgiveren angiver ingen sprogdækning på modelsiden.

Specifikationer

Udbyder
Moonshot AI (CN)
Kontekstvindue
Ikke verificeret: udbyderen har ikke dokumenteret denne påstand.
Parametre
2779.9B
Modaliteter
text, vision
Licens
other · licence
Åbne vægte
yes
Udgivelsesdato
13. jun. 2026
Opgaver
Ræsonnement, Kodning, Vision

Sprog

Stærk: —

Tilstrækkelig: —

Stærk

    Tilstrækkelig

      Ikke verificeret: udbyderen har ikke dokumenteret denne påstand. — a language is listed as strong only where a source claims it; the card links the evidence where one exists.

      Hvornår man bruger den

      Styrker

      • open weights are published on Hugging Face and can be downloaded without a vendor agreement

      Begrænsninger

      • catalogue only — LLM EU does not run this model, and nothing on this card implies an LLM EU endpoint
      • no evaluation has been run by LLM EU
      • the kimi-k3 (other) licence is a custom agreement whose commercial terms were not established from its published text, so commercial serving is not permitted until a human clears it; the router must not route to it
      • the published configuration records no context window, so the card carries none
      • at 2779.9B parameters, self-hosting needs a multi-node deployment rather than a single server
      • vision checkpoints are heavier to serve than their parameter count alone suggests, because the image encoder and pre-processing run alongside the language model