社區(qū)反應(yīng)迅速月之暗面放出 Kimi K3 完整權(quán)重之后社區(qū)動(dòng)作比預(yù)想快“在 M1 Max 上跑 Kimi K3”的帖子今天登上了 Hacker News 首頁。Deltafin 項(xiàng)目支持本地運(yùn)行這是一個(gè)名為“Deltafin”的小型研究項(xiàng)目支持在 Apple Silicon Mac 上本地運(yùn)行 Kimi K32.8 萬億參數(shù)。HN 討論帖評論兩極分化HN 討論帖的評論兩極分化嚴(yán)重。一邊說“0.3 token 每秒這東西有什么意義”另一邊說“你想想2.8 萬億參數(shù)在你的桌面電腦上跑?！眱蛇叾加械览淼@個(gè)爭論跳過了更有意思的問題——K3 能在 Mac 上跑起來并非有人想方設(shè)法去壓縮它而是這件事從一開始就寫在了架構(gòu)里。Raschka 架構(gòu)筆記Raschka 在 K3 開源完整權(quán)重 48 小時(shí)內(nèi)就出了一篇架構(gòu)筆記。他的第一句判斷很簡單“本質(zhì)上是 Kimi Linear 的規(guī)模化生產(chǎn)版本?！盞imi Linear 是 Moonshot 去年的工作只有 48B 參數(shù)?，F(xiàn)在 K3 把它放大到了約 2.8 萬億加了一個(gè)關(guān)鍵組件LatentMoE。LatentMoE 概念及優(yōu)勢這個(gè)概念不是 Kimi 首創(chuàng)——NVIDIA 的 Nemotron 3 Ultra 也用了類似方案——但 K3 是第一個(gè)把它做到這個(gè)體量的。核心思路是把標(biāo)準(zhǔn) MoE 里的大線性層通過下投影壓縮。通俗來講模型雖然整體巨大但每次推理只激活一小部分專家其余老老實(shí)實(shí)待在磁盤或網(wǎng)絡(luò)存儲(chǔ)上。一個(gè) MoE 模型對本地推理天然友好不是靠事后裁剪是架構(gòu)生來如此。MXFP4 原生訓(xùn)練第二個(gè)設(shè)計(jì)是 MXFP4 原生訓(xùn)練。K3 從訓(xùn)練第一天起就是 MXFP4 格式。這意味著下載下來的權(quán)重不需要經(jīng)歷一次額外的量化步驟——下載即用。對服務(wù)器這不重要對一臺(tái) Mac 很重要。1.6TB 的權(quán)重文件如果還需要再轉(zhuǎn)換一輪格式大多數(shù)人連試都不會(huì)試。K3 把這個(gè)步驟省了。NoPE 設(shè)計(jì)第三個(gè)更激進(jìn)NoPE。K3 移除了全部 RoPE 位置編碼全模型不用任何位置嵌入。Raschka 說據(jù)他所知這是第一個(gè)在“前沿級別”模型上這么干的。其他架構(gòu)的做法更保守——Gemma - 4 在滑動(dòng)窗口注意力層用 RoPE全局注意力層用 NoPE。K3 則一刀切。去掉 RoPE 與本地推理的關(guān)系為什么這跟本地推理有關(guān)因?yàn)槿サ?RoPE 意味著計(jì)算路徑更短。HN 上有人解釋了這是怎么回事因果掩碼本身就隱含位置信息KDA 層從 Gated DeltaNet 派生本質(zhì)上是 RNN - like天然理解序列順序而且 K3 在第一個(gè)注意力層之前堆了 3 個(gè) KDA 層——位置信息在注意力啟動(dòng)之前就已經(jīng)被學(xué)到了。沒有 RoPE少了一步計(jì)算在每一點(diǎn)速度都很重要的場景下這不算小事。deltafin 項(xiàng)目串聯(lián)架構(gòu)特性deltafin 這個(gè)項(xiàng)目就是把這些架構(gòu)特性串起來的。它做的事不復(fù)雜K3 的 MXFP4 專家權(quán)重按需從 HTTP 流式傳輸?shù)奖镜卮疟P緩存用 fused NEON 內(nèi)核和 Metal/MPS 做推理。逐 token 拉專家推理完就放。項(xiàng)目提供 OpenAI 兼容的 API 接口支持確定性解碼——每次跑同樣的 prompt 會(huì)得到完全相同的輸出。antirez 在 M5 Max 上搞定 K3Redis 作者 antirez 幾乎同時(shí)在做同一件事但更硬核一些他在 M5 Max 上搞定了 K3。antirez 讀取權(quán)重及后續(xù)計(jì)劃antirez 用 M5 Max 128GB 直接從 Hugging Face 流式讀取 K3 的 1.6TB 權(quán)重?！坝悬c(diǎn)慢”他承認(rèn)。但從他后續(xù)的推文來看這不只是一個(gè)好玩的項(xiàng)目。他在等兩臺(tái) 512GB Mac Studio——“進(jìn)行 Q2 精度量化至少聊天場景下可以達(dá)到可接受的速度?！彼呐袛嗍?K3 在 MXFP4 上訓(xùn)練的“感覺量化效果會(huì)很不錯(cuò)”。再談 HN 爭論再回到 HN 那條爭論。速度與應(yīng)用場景0.3 tok/s 確實(shí)慢。隨著 KV cache 增長會(huì)越來越慢——完整 1M token 上下文下 cache 就占約 27GB。但問題不是速度是用什么場景來衡量。如果你是坐在屏幕前等回復(fù)0.3 tok/s 是折磨。如果你是把一批測試用例掛上去過夜跑評估或者用 LLM - as - judge 做離線打標(biāo)那這個(gè)速度完全沒問題。有人說得挺到位“OpenAI 和 Anthropic 的批量 API 給你打五折。這個(gè)是打九八折。”與以往不同的路數(shù)更關(guān)鍵的是這次和以前不一樣。傳統(tǒng)大模型與 K3 的對比以前的路數(shù)是大模型發(fā)布 - 社區(qū)費(fèi)盡全力做量化、裁剪、蒸餾 - 勉強(qiáng)塞進(jìn)消費(fèi)級硬件性能打折扣。K3 的路數(shù)是反過來的模型架構(gòu)本身的設(shè)計(jì)選擇——LatentMoE、MXFP4 原生訓(xùn)練、NoPE——讓它在發(fā)布的時(shí)候就已經(jīng)準(zhǔn)備好了被人在各種硬件上跑。不是“有沒有辦法壓縮”而是“用不著壓縮”。K3 架構(gòu)思路的意義不是說每個(gè)大模型都應(yīng)該這么設(shè)計(jì)。但如果開源權(quán)重的核心價(jià)值在于任何人、任何機(jī)器都能用那 K3 的架構(gòu)思路——讓一臺(tái) Mac 也能跑 2.8 萬億參數(shù)——本身就是在擴(kuò)大“開源”兩個(gè)字的實(shí)際含義。未來速度提升的期待接下來要看的是兩臺(tái)通過 Thunderbolt 5 連接的 Mac Studio 512GB 能不能把速度推到“可交互”的水平。antirez 覺得行。其他人可以等著看。