情報開発と利活用

令和維新

2004年4月から企業を離れ、コンサルタントや情報起業を試行しながら、失われた２０年を取り戻し、日本再生をめざす私の歩みをみて一人でも多くの後継者が出てくれることを祈りつつ友達から紹介されたこのホームページの更新を続け、これまでの活動の記録と今やビッグデータ、AI,、IOT,ブロックチェーン、仮想通貨の時代になってしまいましたが、私の現状認識と関連技術を紹介していきたい。

フォローする

UX

(0)

オンライン

(0)

ソーシャルメデイア

(0)

開発

(0)

スマートマネー

(0)

教育訓練開発手法の紹介

Headline News

Shopping List

お買いものレビューがまだ書かれていません。

< 新しい記事

新着記事一覧(全8812件)

過去の記事 >

2026.10.28

Kimi K3（昨日、米国株を値下がりさせたモデル）の最善活用事例10（10 Best Use Cases of Kimi K3 (The Model That Made US Stocks Fall Yesterday)）

テーマ：人工知能(918)

カテゴリ： AI

10 Best Use Cases of Kimi K3 (The Model That Made US Stocks Fall Yesterday)

Kimi K3（昨日、米国株を値下がりさせたモデル）の最善活用事例10

It beats Claude while being open source. So, let’s see just how powerful it really is.

Claudeをも凌駕しつつ、オープンソースである。それでは、その本当の実力を見ていこう

Kimi K3 (Image Edited by Author)Kimi K3 (著者によって編集された画像)

Pranit naik
プラニット・ナイク

Jul 19, 2026
2026年7月19日

Nvidia briefly lost its title as the world’s most valuable company on Friday, and the immediate trigger was a model release out of Beijing. Moonshot AI shipped Kimi K3 on July 16, a 2.8 trillion parameter open-weight model, and by the end of the week the Philadelphia Semiconductor Index had logged its worst stretch in over a year.
NVIDIAは金曜日、世界で最も価値のある企業としての座を一時的に失ったが、その直接の引き金となったのは北京からのモデルのリリースであった。Moonshot AIは7月16日に2.8兆パラメータのオープンウェイトモデルである「Kimi K3」を公開し、その週末までにフィラデルフィア半導体指数は1年ぶりとなる最悪の落ち込みを記録した。

そのパニックはすぐに薄れた。部分的には、K3がDeepSeekのような価格ショックではないからだ。

It costs $3 per million input tokens and $15 per million output, roughly frontier pricing, and Moonshot itself admits it still trails Claude Fable 5 and GPT 5.6 Sol overall. What actually matters is narrower and more interesting: on several specific tasks, K3 beats Claude Opus 4.8 and even edges Fable 5. And on July 27, you’ll be able to download the whole thing.
入力100万トークンあたり3ドル、出力100万トークンあたり15ドルというコストがかかり、おおよそフロンティアモデルと同等の価格設定であり、Moonshot自身も、全体としてはまだClaude Fable 5やGPT 5.6 Solに及ばないと認めている。実際に重要なのは、より限定的でありながら興味深い点は、次の通りである。いくつかの特定のタスクにおいて、K3はClaude Opus 4.8を凌駕し、Fable 5すらもわずかに上回る。そして7月27日には、その全体をダウンロードできるようになる。

A quick note on the architecture-
アーキテクチャに関する簡単な注記—

because it explains most of the use cases below.
何故なら、これが下記ユースケースのほとんどを説明しているからだ。

K3 replaces standard attention with Kimi Delta Attention (KDA), a hybrid linear attention mechanism, paired with Attention Residuals. Together they make a 1 million token context window economically sane, with reported decoding speedups of over 6x at full context.
K3は、標準的なアテンションを、ハイブリッドな線形アテンション機構である「Kimiデルタアテンション（KDA）」に置き換え、アテンションレジデュアルと組み合わせている。これらにより、100万トークンの文脈ウィンドウが経済的に妥当なものとなり、全文脈時には6倍以上のデコード速度の向上が報告されている。

A few things that stand out about the design:
設計において際立っているいくつかの点：

MoE（Mixture of Experts）アーキテクチャが異常に疎であり、トークンごとに896の専門家のうち16個が有効化される。
l Moonshot claims the whole package converts compute into capability about 2.5x more efficiently than K2
Moonshotは、パッケージ全体が計算量を能力へと変換する効率がK2よりも約2.5倍高いと主張している。
l Vision is native rather than bolted on
視覚機能は後付けではなくネイティブである。

思考モードが常にオンになっており、これが強みと課金の両方を形作っている。

That last point matters more than it sounds, since it’s the reason K3 is powerful on hard reasoning tasks and slower on quick chat.
最後の点は思った以上に重要である。なぜなら、これがK3が困難な推論タスクで強力であり、クイックチャットでは遅い理由だからである。

1. Long-Horizon Autonomous Coding Agents
１．長期自律型コーディングエージェント

This is the task K3 was clearly built for.
これはK3が明らかに構築された目的のためのタスクである。

It scores 42.0 on SWE Marathon, ahead of Claude Opus 4.8’s 40.0, and 88.3 on Terminal-Bench 2.1, above Fable 5’s 84.6. Moonshot’s launch demos include the model building a Triton-like GPU compiler over multi-day agent sessions with minimal supervision.
SWE Marathonで42.0を記録し、Claude Opus 4.8の40.0を上回り、Terminal-Bench 2.1では88.3を記録し、Fable 5の84.6を上回っている。 Moonshotの立ち上げデモには、最小限の監督の下でマルチデイのエージェントセッションにわたりTritonに似たGPUコンパイラを構築するモデルが含まれている。

One practical catch: K3 was trained with preserved thinking history, so if your agent harness truncates its chain of thought, quality degrades sharply. Moonshot recommends its own Kimi Code harness, and switching K3 into a session started with another model is a known failure mode.
1つの実用上の落とし穴として、K3は維持された思考履歴とともにトレーニングされているため、エージェントのハーネスがその思考の連鎖を切り捨てると、品質が急激に低下する。Moonshotは独自のKimi Codeハーネスを推奨しており、別のモデルで開始されたセッションにK3を切り替えることは既知の障害モードである。

For most developers, that means K3 is best adopted as the dedicated brain of an agent, not a drop-in swap.
ほとんどの開発者にとって、それはK3がドロップインの置き換えではなく、エージェントの専用の脳として採用するのが最適であることを意味する。

2. Frontend UI Code Generation
２．フロントエンドUIコード生成

Less than a day after launch, K3 debuted at number one on LMArena’s Frontend Code Arena with an Elo of 1679, a 17-place jump over K2.6, and the first time a Chinese model has topped US systems there. That leaderboard is based on pairwise human preference rather than static tests, which makes it harder to game.
ローンチから1日足らずで、K3はLMArenaのフロントエンドコードアリーナでElo1679を記録して1位に初登場し、K2.6から17順位跳ね上がり、中国のモデルがそこで米国のシステムを上回った初めての事例となった。そのリーダーボードは静的なテストではなく、一対比較の人間による好みに基づいているため、ハックするのがより困難である。

The reason K3 does well here is architectural. Because vision is native, the model can render a page, look at its own screenshot, and fix what looks wrong.
K3がここでうまく機能する理由はアーキテクチャにある。視覚機能がネイティブであるため、モデルはページをレンダリングし、自身のスクリーンショットを確認し、何がおかしいかを修正することができる。
T
eams that currently reach for Claude on UI work will find this is the one area where the comparison genuinely tilts toward K3.
現在UI作業でClaudeに手を伸ばしているチームは、これで純粋に比較がK3に傾く唯一の領域であることに気づくだろう。

======================続く=========================

https://note.com/tongansunmi/n/nd42902b83d1c?sub_rt=share_pb

==============================