{"id":1571,"date":"2026-07-17T00:45:41","date_gmt":"2026-07-17T00:45:41","guid":{"rendered":"https:\/\/convly.ai\/?p=1571"},"modified":"2026-07-17T00:45:41","modified_gmt":"2026-07-17T00:45:41","slug":"kimi-k3-explained-2026","status":"publish","type":"post","link":"https:\/\/convly.ai\/it\/kimi-k3-explained-2026\/","title":{"rendered":"Spiegazione di Kimi K3: il modello aperto da 2,8 trilioni di parametri di Moonshot che supera Opus 4.8"},"content":{"rendered":"<p>Moonshot AI ha rilasciato Kimi K3 il 16 luglio 2026, e il dato pi\u00f9 eclatante \u00e8 difficile da ignorare: 2,8 trilioni di parametri, che l\u2019azienda definisce il modello open-source pi\u00f9 grande mai rilasciato. I pesi non sono ancora pubblici \u2014 sono previsti per il 27 luglio \u2014 ma il modello \u00e8 gi\u00e0 attivo nelle applicazioni Kimi, in Kimi Code e su OpenRouter. I punteggi rappresentano per\u00f2 la vera novit\u00e0.<\/p>\n<p>Sull\u2019Artificial Analysis Intelligence Index, K3 ottiene un punteggio di <strong>57<\/strong>. That puts it above Claude Opus 4.8 (56) and behind only GPT-5.6 Sol (59) and Claude Fable 5 (60) \u2014 the first time an open-weight model has been measured inside the frontier group rather than a tier below it. The twist is the price tag. K3 lists at $3.00 per million input tokens and $15.00 per million output, roughly three times what Kimi K2.6 charged. The era of frontier Chinese models at rock-bottom prices looks like it is ending. Here is what is real, what is vendor-reported, and where K3 actually fits.<\/p>\n<div class=\"convly-tldr\">\n<h3>Punti chiave<\/h3>\n<ul>\n<li><strong>2,8T di parametri, 16 esperti attivi su 896.<\/strong> Una architettura sparsa di tipo Mixture-of-Experts basata sul framework \u00abStable LatentMoE\u00bb di Moonshot \u2014 il modello aperto pi\u00f9 grande annunciato finora.<\/li>\n<li><strong>57 sull\u2019AA Intelligence Index<\/strong> \u2014 above Claude Opus 4.8 (56), below GPT-5.6 Sol (59) and Claude Fable 5 (60). The strongest open-weight score yet recorded.<\/li>\n<li><strong>Contesto massimo di 1 milione di token, visione nativa, ragionamento sempre attivo.<\/strong> L\u2019impegno massimo di ragionamento \u00e8 impostato come predefinito; modalit\u00e0 a basso e ad alto impegno sono previste in aggiornamenti futuri.<\/li>\n<li><strong>Due nuovi elementi architetturali:<\/strong> Kimi Delta Attention (fino a 6,3\u00d7 pi\u00f9 veloce nel decoding su contesti da un milione di token) e Attention Residuals (~25% maggiore efficienza addestrativa con un costo aggiuntivo inferiore al 2%).<\/li>\n<li><strong>Non \u00e8 pi\u00f9 economico.<\/strong> 3,00 $ in ingresso \/ 15,00 $ in uscita per 1 milione di token (0,30 $ sui cache hit) \u2014 circa 3\u00d7 il prezzo di K2.6 (0,95 $\/4,00 $) ed esattamente il prezzo di listino di Claude Sonnet 5.<\/li>\n<li><strong>Pesi disponibili a partire dal 27 luglio 2026.<\/strong> Fino ad allora sar\u00e0 disponibile solo tramite API \u2014 e, essendo di circa 1,4 TB in formato 4-bit, l\u2019etichetta \u00abopen\u00bb non significher\u00e0 \u00abeseguibile\u00bb per quasi nessuno.<\/li>\n<\/ul>\n<\/div>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_84 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6a5a5c002e5f4\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Attiva\/Disattiva<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6a5a5c002e5f4\"  aria-label=\"Attiva\/Disattiva\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/it\/kimi-k3-explained-2026\/#What_Kimi_K3_actually_is\" >Che cos\u2019\u00e8 realmente Kimi K3<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/it\/kimi-k3-explained-2026\/#The_architecture_how_you_train_28T_without_the_bill_exploding\" >L\u2019architettura: come addestrare un modello da 2,8 trilioni di parametri senza far esplodere i costi<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/it\/kimi-k3-explained-2026\/#Benchmarks_where_it_wins_where_it_doesnt\" >Benchmark: dove eccelle e dove no<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/it\/kimi-k3-explained-2026\/#The_price_story_the_cheap-Chinese-AI_era_is_ending\" >La storia dei prezzi: l\u2019era dell\u2019IA cinese economica sta finendo<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/it\/kimi-k3-explained-2026\/#Intelligence_per_dollar_our_take\" >Intelligenza per dollaro: la nostra analisi<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/it\/kimi-k3-explained-2026\/#%E2%80%9COpen_weights%E2%80%9D_does_not_mean_you_can_run_it\" >\u00abPesi aperti\u00bb non significa che tu possa eseguirlo localmente<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/it\/kimi-k3-explained-2026\/#Who_should_use_K3\" >Chi dovrebbe utilizzare K3<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/it\/kimi-k3-explained-2026\/#FAQ\" >Domande frequenti<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_Kimi_K3_actually_is\"><\/span>Che cos\u2019\u00e8 realmente Kimi K3<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>K3 \u00e8 il modello flagship generale di Moonshot, non uno specialista. Si tratta di un cambio di direzione intenzionale rispetto a <a href=\"\/it\/kimi-k2-7-code-explained-2026\/\">Kimi K2.7 Code<\/a>, che la societ\u00e0 aveva separato un mese prima come rilascio dedicato esclusivamente alla programmazione. K3 \u00e8 progettato per fare tutto: conversazioni, elaborazione di documenti lunghi, visione artificiale e \u2014 la componente che Moonshot sembra considerare prioritaria \u2014 compiti agenziali su orizzonti estesi, nei quali il modello pianifica, invoca strumenti, legge i risultati e prosegue.<\/p>\n<p>La scala \u00e8 il primo aspetto da comprendere; la sparsit\u00e0 \u00e8 il secondo. Dei 2,8 trilioni di parametri totali, soltanto 16 degli 896 esperti vengono attivati per ogni singolo token. \u00c8 proprio questo meccanismo a mantenere i costi e la latenza dell\u2019inferenza entro limiti gestibili da un\u2019API; un modello denso da 2,8 trilioni sarebbe economicamente impossibile da eseguire. Il compromesso riguarda la memoria: tutti i 2,8 trilioni di parametri devono comunque risiedere nella VRAM, indipendentemente dal fatto che vengano attivati o meno.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Specifiche<\/th>\n<th>Kimi K3<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Sviluppatore<\/td>\n<td>Moonshot AI<\/td>\n<\/tr>\n<tr>\n<td>Parametri totali<\/td>\n<td>2,8 trilioni (MoE)<\/td>\n<\/tr>\n<tr>\n<td>Attivi per token<\/td>\n<td>16 su 896 esperti<\/td>\n<\/tr>\n<tr>\n<td>Finestra contestuale<\/td>\n<td>1 milione di token<\/td>\n<\/tr>\n<tr>\n<td>Modalit\u00e0<\/td>\n<td>Testo e visione \u2192 testo<\/td>\n<\/tr>\n<tr>\n<td>Ragionamento<\/td>\n<td>Sempre attivo (massimo sforzo di default)<\/td>\n<\/tr>\n<tr>\n<td>Quantizzazione<\/td>\n<td>Pesi MXFP4, attivazioni MXFP8<\/td>\n<\/tr>\n<tr>\n<td>Prezzo dell\u2019input<\/td>\n<td>3,00 $ \/ 1 milione (0,30 $ sui cache hit)<\/td>\n<\/tr>\n<tr>\n<td>Prezzo dell\u2019output<\/td>\n<td>15,00 $ \/ 1 milione<\/td>\n<\/tr>\n<tr>\n<td>Velocit\u00e0 di output<\/td>\n<td>~62 token\/sec<\/td>\n<\/tr>\n<tr>\n<td>Data di rilascio<\/td>\n<td>16 luglio 2026<\/td>\n<\/tr>\n<tr>\n<td>Pesi aperti<\/td>\n<td>Previsto per il 27 luglio 2026<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Le specifiche complete e i prezzi in tempo reale sono disponibili sulla <a href=\"\/it\/model\/kimi-k3\/\">scheda tecnica di Kimi K3<\/a> nel nostro <a href=\"\/it\/models\/\">Database dei modelli di intelligenza artificiale<\/a>.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_architecture_how_you_train_28T_without_the_bill_exploding\"><\/span>L\u2019architettura: come addestrare un modello da 2,8 trilioni di parametri senza far esplodere i costi<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Due contributi della ricerca interna di Moonshot caratterizzano questo rilascio, entrambi mirati allo stesso problema: normalmente, aumentare la scala di un transformer comporta costi crescenti per ogni token aggiuntivo nel contesto e per ogni ulteriore strato di profondit\u00e0.<\/p>\n<p><strong>Kimi Delta Attention (KDA)<\/strong> \u00e8 un meccanismo ibrido di attenzione lineare. L\u2019attenzione standard ha un costo computazionale quadratico rispetto alla lunghezza della sequenza, motivo per cui i contesti da un milione di token sono stati finora lenti e costosi ovunque siano stati implementati. Moonshot dichiara che KDA garantisce fino a <strong>6,3\u00d7 pi\u00f9 veloce nel decoding<\/strong> su contesti da un milione di token \u2014 la differenza tra una finestra da 1 milione di token presente solo su un foglio tecnico e una che si pu\u00f2 effettivamente utilizzare.<\/p>\n<p><strong>Attention Residuals (AttnRes)<\/strong> viene descritto come un sostituto diretto delle connessioni residue standard, migliorando il flusso del segnale attraverso la profondit\u00e0 della rete. Moonshot riporta un\u2019efficienza addestrativa circa <strong>del 25% superiore con un costo aggiuntivo inferiore al 2%<\/strong>. Insieme al framework Stable LatentMoE, a Gated MLA e a una nuova funzione di attivazione (SiTU), l\u2019azienda afferma di aver ottenuto un miglioramento complessivo dell\u2019efficienza di scaling pari a circa <strong>2,5\u00d7 rispetto a Kimi K2<\/strong>.<\/p>\n<p>Questi dati sull\u2019efficienza sono forniti dal produttore e non sono ancora stati verificati in modo indipendente. Tuttavia, ne spiegano la strategia: non si raggiungono i 2,8 trilioni di parametri acquistando pi\u00f9 GPU di Google \u2014 le restrizioni all\u2019esportazione rendono questa via impraticabile per un laboratorio cinese. Si arriva invece a tale scala ottimizzando l\u2019uso di ogni ora-GPU.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Benchmarks_where_it_wins_where_it_doesnt\"><\/span>Benchmark: dove eccelle e dove no<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>I risultati migliori di K3 si concentrano su compiti agenziali e di ragionamento, piuttosto che sulle semplici conversazioni.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Benchmark<\/th>\n<th>Kimi K3<\/th>\n<th>Cosa misura<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>GPQA Diamond<\/td>\n<td>93.5%<\/td>\n<td>Ragionamento scientifico a livello universitario \u2014 miglior risultato pubblicato tra i modelli con pesi aperti al momento del lancio<\/td>\n<\/tr>\n<tr>\n<td>BrowseComp<\/td>\n<td>91.2%<\/td>\n<td>Agenti di ricerca web \u2014 punteggio migliore mai registrato sul tracker al momento del lancio<\/td>\n<\/tr>\n<tr>\n<td>Terminal-Bench 2.1<\/td>\n<td>88.3%<\/td>\n<td>Compiti da riga di comando \/ shell agent<\/td>\n<\/tr>\n<tr>\n<td>MCP Atlas<\/td>\n<td>84.2%<\/td>\n<td>Utilizzo di strumenti tramite Model Context Protocol<\/td>\n<\/tr>\n<tr>\n<td>MMMU-Pro<\/td>\n<td>81.6%<\/td>\n<td>Comprensione multimodale<\/td>\n<\/tr>\n<tr>\n<td>DeepSWE<\/td>\n<td>67.5<\/td>\n<td>Ingegneria del software<\/td>\n<\/tr>\n<tr>\n<td>L\u2019ultimo esame dell\u2019umanit\u00e0 (con strumenti)<\/td>\n<td>56.0%<\/td>\n<td>Il set pi\u00f9 difficile di ragionamento generale<\/td>\n<\/tr>\n<tr>\n<td>AA Intelligence Index<\/td>\n<td>57<\/td>\n<td>Indice composito \u2014 4\u00b0 posto su 189 modelli monitorati<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Emergono due segnali indipendenti. Nei test ciechi su Arena, gli sviluppatori hanno preferito Kimi rispetto a <em>ogni<\/em> modello statunitense leader nel coding front-end \u2014 inclusi Fable 5 e GPT-5.6 Sol. Per quanto riguarda l\u2019automazione di compiti reali, K3 si \u00e8 classificato al primo posto in quattro dei otto benchmark (tra cui Automation Bench, SpreadsheetBench 2 e BrowseComp), piazzandosi secondo rispetto a Fable 5 nella maggior parte degli altri.<\/p>\n<p>Un\u2019analisi onesta: K3 \u00e8 ancora leggermente inferiore a Fable 5 e GPT-5.6 Sol nel complesso, ma supera sostanzialmente tutti gli altri modelli misurati finora. Per un modello open-weight, questo non era mai accaduto prima.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_price_story_the_cheap-Chinese-AI_era_is_ending\"><\/span>La storia dei prezzi: l\u2019era dell\u2019IA cinese economica sta finendo<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Questa \u00e8 la parte che riceve meno copertura ma che conta di pi\u00f9. I laboratori cinesi hanno costruito la propria reputazione offrendo API a prezzi inferiori di un ordine di grandezza rispetto a quelle occidentali. K3 non fa questo.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Modello<\/th>\n<th>Input \/ 1 milione<\/th>\n<th>Output \/ 1 milione<\/th>\n<th>Hit della cache<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>Kimi K3<\/strong><\/td>\n<td>$3.00<\/td>\n<td>$15.00<\/td>\n<td>$0.30<\/td>\n<\/tr>\n<tr>\n<td>Kimi K2.6 (predecessore)<\/td>\n<td>$0.95<\/td>\n<td>$4.00<\/td>\n<td>$0.16<\/td>\n<\/tr>\n<tr>\n<td>Claude Sonnet 5<\/td>\n<td>$3.00<\/td>\n<td>$15.00<\/td>\n<td>\u2014<\/td>\n<\/tr>\n<tr>\n<td>Claude Opus 4.8<\/td>\n<td>$5.00<\/td>\n<td>$25.00<\/td>\n<td>\u2014<\/td>\n<\/tr>\n<tr>\n<td>GPT-5.6 Sol<\/td>\n<td>$0.50<\/td>\n<td>$30.00<\/td>\n<td>\u2014<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>K3 costa circa tre volte il suo predecessore e ha un prezzo di listino identico a quello di Claude Sonnet 5. Sul singolo task il divario si riduce ulteriormente: le medie misurate indicano un costo di circa 0,94 USD per task per K3, 1,04 USD per GPT-5.6 Sol e 1,80 USD per Opus 4.8. K3 rimane pi\u00f9 economica, ma ora compete sul valore ai margini, non sulla base di un prezzo 10\u00d7 inferiore. Il ragionamento di livello frontier sembra costare grosso modo lo stesso importo, indipendentemente da chi lo addestra.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Intelligence_per_dollar_our_take\"><\/span>Intelligenza per dollaro: la nostra analisi<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Il prezzo assoluto \u00e8 la metrica sbagliata. Ci\u00f2 che conta \u00e8 quanta capacit\u00e0 acquisti con ogni dollaro. Utilizzando il prezzo medio ponderato e i punteggi di intelligenza del nostro <a href=\"\/it\/ai-price-performance-index-2026\/\">Indice 2026 di rapporto prezzo-prestazioni nell'IA<\/a>, ecco dove si colloca K3:<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Modello<\/th>\n<th>Intelligenza<\/th>\n<th>Costo combinato per 1 milione di token<\/th>\n<th>Intelligenza per dollaro<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>Kimi K3<\/strong><\/td>\n<td>57<\/td>\n<td>$9.00<\/td>\n<td>6.3<\/td>\n<\/tr>\n<tr>\n<td>Claude Opus 4.8<\/td>\n<td>55.7<\/td>\n<td>$15.00<\/td>\n<td>3.7<\/td>\n<\/tr>\n<tr>\n<td>GLM 5.2<\/td>\n<td>51.1<\/td>\n<td>$2.90<\/td>\n<td>17.6<\/td>\n<\/tr>\n<tr>\n<td>DeepSeek V4-Flash<\/td>\n<td>40.3<\/td>\n<td>$0.21<\/td>\n<td>192<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Da quella tabella emergono tre conclusioni. K3 offre circa <strong>1,7\u00d7 l\u2019intelligenza per dollaro rispetto a Claude Opus 4.8<\/strong> ottenendo allo stesso tempo un punteggio leggermente superiore: un affare effettivamente migliore nella fascia alta. Tuttavia, <a href=\"\/it\/glm-5-2-explained-2026\/\">GLM 5.2<\/a> restituisce ancora <strong>2,8\u00d7 maggiore capacit\u00e0 per dollaro rispetto a K3<\/strong> at six points lower intelligence, and DeepSeek V4-Flash returns about <strong>30\u00d7 di pi\u00f9<\/strong>. K3 \u00e8 il modello aperto pi\u00f9 intelligente disponibile; tuttavia, non \u00e8 affatto il miglior rapporto qualit\u00e0-prezzo. Se paghi prezzi di livello frontier, devi essere certo di averne effettivamente bisogno per il ragionamento di livello frontier. Fai i tuoi calcoli personali nel <a href=\"\/it\/ai-api-cost-calculator\/\">Calcolatore dei costi delle API per l\u2019IA<\/a>, oppure consulta la classifica completa sulla <a href=\"\/it\/llm-leaderboard\/\">classifica dei modelli linguistici (LLM leaderboard)<\/a>.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"%E2%80%9COpen_weights%E2%80%9D_does_not_mean_you_can_run_it\"><\/span>\u00abPesi aperti\u00bb non significa che tu possa eseguirlo localmente<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Quando i pesi saranno rilasciati il 27 luglio, ci sar\u00e0 sicuramente un\u2019ondata di titoli che proclameranno che chiunque potr\u00e0 eseguire un modello di livello frontier a casa propria. Controlla prima i calcoli.<\/p>\n<p>Con i suoi 2,8 trilioni di parametri in formato nativo a 4 bit (MXFP4), i soli pesi occupano circa <strong>1,4 TB<\/strong>. Aggiungendo una cache KV dimensionata per gestire contesti vicini al milione di token, la richiesta di spazio aumenta ulteriormente. Realisticamente, servono circa <strong>16 GPU di classe H200 distribuite su due nodi<\/strong> \u2014 diverse centinaia di migliaia di dollari di hardware, prima ancora di considerare alimentazione e connettivit\u00e0 di rete. A titolo di confronto, K2.7 Code, con 1 trilione di parametri, richiedeva circa 595 GB e otto GPU da 80 GB, ed era gi\u00e0 fuori dalla portata degli utenti privati.<\/p>\n<p>Allora, per chi \u00e8 realmente destinato il rilascio dei pesi? Per distribuzioni sovrane, per imprese regolamentate che non possono inviare dati a un\u2019API, per laboratori di ricerca e per provider cloud che lo ospiteranno per conto di tutti gli altri. Questo rappresenta comunque un vantaggio significativo rispetto a un modello chiuso \u2014 puoi eseguirne l\u2019audit, eseguirne il fine-tuning e farlo girare all\u2019interno dei tuoi sistemi \u2014 ma non \u00e8 affatto una soluzione per GPU domestiche. Se vuoi sapere effettivamente quali modelli il tuo hardware pu\u00f2 supportare, il nostro <a href=\"\/it\/llm-vram-calculator\/\">Calcolatore VRAM per LLM<\/a> esegue i calcoli per ogni modello, mentre il <a href=\"\/it\/self-hosting-vs-api-calculator\/\">calcolatore self-hosting vs API<\/a> mostra a partire da quale soglia possedere GPU diventa pi\u00f9 conveniente rispetto al pagamento per token.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Who_should_use_K3\"><\/span>Chi dovrebbe utilizzare K3<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Usalo se<\/strong> stai eseguendo carichi di lavoro basati su agenti \u2014 automazione del browser, catene strumentali multistep, programmazione su orizzonti lunghi \u2014 dove i suoi punteggi su BrowseComp, Terminal-Bench e MCP Atlas si traducono in un numero minore di esecuzioni fallite. \u00c8 anche la scelta ovvia se desideri un ragionamento di livello frontier con una credibile possibilit\u00e0 di self-hosting futura, oppure se la qualit\u00e0 del codice front-end \u00e8 fondamentale (gli sviluppatori lo hanno scelto in test ciechi rispetto a Fable 5).<\/p>\n<p><strong>Saltalo se<\/strong> your work is ordinary chat, summarization, classification or retrieval. At $3\/$15 you would be paying frontier rates for tasks that GLM 5.2 or DeepSeek V4-Flash handle at a fraction of the cost. And skip it if you assumed &#8220;open&#8221; meant you could download it this week \u2014 the weights are still nine days out at the time of writing, and 1.4 TB when they arrive.<\/p>\n<p>Il punto pi\u00f9 ampio \u00e8 quello che la tabella dei benchmark evidenzia in modo silenzioso: un modello open-weight ha appena ottenuto un punteggio superiore a quello di Claude Opus 4.8. Qualsiasi divario esistente in passato tra IA open e closed di livello frontier \u00e8 ora misurabile in pochi punti indice e alcuni mesi \u2014 non pi\u00f9 in generazioni.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"FAQ\"><\/span>Domande frequenti<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>Kimi K3 \u00e8 migliore di Claude Opus 4.8?<\/h3>\n<p>Sull'Artificial Analysis Intelligence Index, s\u00ec: K3 ottiene 57 punti contro i 56 di Opus 4.8, e costa 3\/15 USD per milione di token, rispetto ai 5\/25 USD di Opus. Rimane comunque inferiore a GPT-5.6 Sol (59) e a Claude Fable 5 (60).<\/p>\n<h3>Kimi K3 \u00e8 open source?<\/h3>\n<p>I pesi sono programmati per il rilascio pubblico il 27 luglio 2026, seguendo il precedente della licenza MIT modificata di Moonshot applicata ai precedenti modelli Kimi. Fino ad allora K3 sar\u00e0 disponibile esclusivamente tramite API attraverso le applicazioni Kimi, Kimi Code e OpenRouter.<\/p>\n<h3>Quanto costa Kimi K3?<\/h3>\n<p>3,00 USD per milione di token in input, 15,00 USD per milione di token in output e 0,30 USD per milione di hit della cache. Si tratta di un prezzo circa triplo rispetto a Kimi K2.6 ed \u00e8 identico al prezzo di listino di Claude Sonnet 5.<\/p>\n<h3>Posso eseguire Kimi K3 localmente?<\/h3>\n<p>Quasi certamente no. Con i suoi 2,8 trilioni di parametri, i pesi a 4 bit occupano circa 1,4 TB \u2014 equivalenti a circa 16 GPU di classe H200 distribuite su due nodi, prima ancora di aggiungere qualsiasi cache KV per il suo contesto da 1 milione di token. \u00c8 un modello pensato per il data center, non per il desktop.<\/p>\n<h3>Quanto \u00e8 grande Kimi K3?<\/h3>\n<p>2,8 trilioni di parametri totali in una struttura Mixture-of-Experts, con soltanto 16 esperti attivi per token su un totale di 896. Moonshot afferma che si tratta del modello open-source pi\u00f9 grande mai rilasciato finora.<\/p>","protected":false},"excerpt":{"rendered":"<p>A 2.8T-parameter open MoE scoring 57 on the AA Intelligence Index &#8211; above Claude Opus 4.8. The specs, the benchmarks, the new $3\/$15 pricing, and whether you can run it.<\/p>","protected":false},"author":1,"featured_media":1572,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[3],"tags":[609,919,750,782,619,423,766],"class_list":["post-1571","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-llms","tag-chinese-ai","tag-kimi-k3","tag-llms","tag-moe","tag-moonshot-ai","tag-open-source-ai","tag-open-weights"],"_links":{"self":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/1571","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/comments?post=1571"}],"version-history":[{"count":1,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/1571\/revisions"}],"predecessor-version":[{"id":1573,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/1571\/revisions\/1573"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media\/1572"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media?parent=1571"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/categories?post=1571"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/tags?post=1571"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}