2,8 трлн параметров и дефицит мощности. Moonshot AI закрыла новые подписки на Kimi K3
Автор: Максим Третьяков Moonshot AI остановила новые потребительские подписки на Kimi K3 после выхода модели K3. Спрос оказался выше, чем компания успела нарастить вычислительные мощности. Решение приняли через три дня после релиза, чтобы не ухудшать доступ для тех, кто уже подключился.
Kimi K3 привлекла внимание не только размером. У модели 2,8 трлн параметров, она построена на архитектуре MoE и держит контекст до 100 млн токенов. Для длинных запросов и сложных прикладных задач это уже очень заметный уровень. На запуск обратили внимание и за пределами Китая, в том числе Илон Маск.
Теперь у Moonshot AI вопрос не в том, как громче заявить о себе, а в том, где взять мощность. Компания говорит, что перекидывает доступные ресурсы на действующих подписчиков и ускоряет установку нового оборудования. Когда откроют новые подключения, пока не ясно.
Почему Kimi K3 упёрлась в инфраструктуру
MoE-архитектура действительно помогает экономить вычисления на одном запросе. Но если модель начинают массово использовать в продукте, нагрузка всё равно быстро растёт. У K3 это особенно заметно на длинном контексте: чем больше токенов и чем сложнее запрос, тем дороже каждый ответ для провайдера.
Подогрели интерес и независимые тесты. По данным Гильермо Рауха, главы Vercel, K3 показала сильный результат в генерации интерфейсного кода и заняла первое место в его сравнении. Для китайского ИИ-рынка это важный сигнал: местные модели уже попадают в поле зрения разработчиков не только внутри страны, но и за её пределами.
И это не уникальная история. На рынке генеративного ИИ дефицит мощности уже стал обычным делом. OpenAI, Anthropic и Google тоже регулярно ограничивают доступ к самым тяжёлым режимам моделей, а китайские компании параллельно конкурируют ещё и между собой: с DeepSeek, Alibaba и ByteDance. В итоге даже удачный запуск быстро упирается в очень приземлённый вопрос: сколько серверов успели поставить до всплеска спроса.
Moonshot AI уже обещает перестроить линейку подписок и развести Kimi Web, Kimi App и Kimi Work с Kimi Code, чтобы распределять нагрузку между разными типами задач. Если схема сработает, компания хотя бы точнее увидит, где именно не хватает мощностей: в программировании, в анализе документов или в обычном использовании модели.
