이미 Kimi를 사용하고 계시다면, 2026년 7월 16일 Kimi K3 출시와 함께 한 가지 실용적인 질문이 생깁니다. 이것이 당신이 전환해야 할 업그레이드일까요, 아니면 지금은 건너뛸 수 있는 더 크고 비싼 모델일까요? Kimi K2.7 Code는 K2 라인의 코딩에 중점을 둔 릴리스이며, 지난 분기에 많은 팀이 이를 에이전트와 CI에 통합했습니다. K3는 완전히 다른 모델입니다. 훨씬 더 큰 규모로 구축된 Moonshot의 새로운 플래그십 모델로, 새로운 어텐션 디자인과 100만 토큰 컨텍스트 창을 갖추고 있습니다. 이 글에서는 무엇이 실제로 변경되었는지, 무엇이 마케팅인지, 그리고 마이그레이션 여부를 결정하는 방법을 분석합니다.
저희는 여기서 중립적이지 않습니다. 저희는 두 모델에 대한 가이드를 작성했으므로, 이것은 동료에게 줄 수 있는 솔직한 업그레이드 노트입니다. 두 모델 모두 OpenAI 호환 API를 제공하므로, 프로덕션 코드를 다시 작성하기 전에 Apidog에서 kimi-k3와 kimi-k2-7-code를 통해 동일한 요청을 나란히 실행하고 출력, 지연 시간 및 토큰 사용량의 차이를 확인할 수 있습니다. 먼저, 결론입니다.
TL;DR: 한눈에 보는 결론
- K3는 더 크고 범용적인 모델입니다. K2.7 Code가 속한 약 1조(T) 매개변수급 K2 라인의 약 3배에 달하는 2.8조(T) 매개변수 전문가 혼합 모델입니다. K2.7 Code는 코딩 전문가였지만, K3는 Moonshot의 "가장 뛰어난" 플래그십 모델로, 장기적인 에이전트 코딩에도 강력합니다.
- 컨텍스트가 100만 토큰으로 확장되었습니다. K3는 1,048,576 토큰을 처리하여 "전체 리포지토리를 제공"하는 것이 실제로 무엇을 의미하는지 변화시켰습니다.
- 아키텍처는 단순히 확장된 것이 아니라 새롭습니다. Kimi Delta Attention, Attention Residuals, 그리고 Stable LatentMoE 프레임워크(896명의 전문가 중 16명이 활성화됨)가 진정한 엔지니어링 이야기입니다.
- 가격이 인상되었습니다. K3는 캐시 적중 입력에 100만 토큰당 $0.30, 캐시 미스 입력에 100만 토큰당 $3, 출력에 100만 토큰당 $15로 책정되었습니다. 저렴한 입력 비용은 캐시 적중률이 높을 때만 효과가 있습니다.
- 솔직한 한계: Moonshot의 자체 블로그에 따르면 K3는 여전히 Claude Fable 5와 GPT-5.6 Sol에 뒤처집니다. 이는 오픈 모델로서는 최첨단 수준이지만, 확실한 선두주자는 아닙니다.
- 더 큰 컨텍스트, 더 강력한 일반 추론 또는 장기적인 에이전트 실행이 필요한 경우 마이그레이션하세요. 작업량이 마음에 드는 가격으로 좁은 코딩 작업이고 K2.7이 이미 품질 기준을 충족한다면 K2.7 Code를 유지하세요.
두 가지 종류의 모델
사양을 비교하기 전에 이것을 이해해야 합니다. K2.7 Code와 K3는 서로 다른 작업을 수행하도록 구축되었습니다.
Kimi K2.7 Code는 약 1조(T) 매개변수급에 도달한 K2 계보(K2, K2 Thinking, K2.5, K2.6, 그리고 K2.7 Code)의 코딩 중심 모델입니다. 이 계보는 코드 생성, 편집 및 에이전트 개발자 작업에 집중했습니다. "API를 통해 코드를 작성하고 수정하는" 것이 당신의 작업이었다면, K2.7 Code는 튜닝되고 비용 효율적인 선택이었습니다. 정확한 K2.7 Code의 매개변수 수, 컨텍스트 및 가격에 대해서는 Kimi K2.7 Code는 무엇인가 설명서를 참조하십시오.
K3는 코딩 릴리스가 아닙니다. 이는 Moonshot의 새로운 플래그십이자 가장 유능한 범용 모델로, 더 넓은 범위의 기능 중 코딩이 강력한 능력 중 하나입니다. 따라서 오래된 코더와 새로운 코더를 비교하는 것이 아니라, 코드에도 능숙한 제너럴리스트와 스페셜리스트를 비교하는 것이며, 이것이 마이그레이션 결정의 대부분을 좌우합니다.
세대별로 실제로 변경된 사항
마케팅을 제외하고 실제로 변경된 내용은 다음과 같습니다.
규모: 총 매개변수가 약 3배 증가
K3는 2.8조(T) 매개변수 전문가 혼합 모델입니다. K2.7 Code를 생성한 K2 라인은 약 1조(T) 매개변수급에 속했으므로, K3는 총 매개변수를 대략 3배로 늘렸습니다. 한 가지 주의할 점은 Moonshot이 K3의 활성 매개변수 수를 공개하지 않았다는 것입니다. MoE 모델은 토큰당 가중치의 일부만 실행하므로, "총 2.8T"가 추론 비용을 결정하는 숫자는 아닙니다. 2.8T를 "모든 요청에 2.8T 매개변수가 실행된다"고 해석해서는 안 됩니다. Moonshot이 공개한 것은 다음에서 다룰 활성화 패턴입니다.
확장된 것이 아닌 새로운 어텐션 아키텍처
이 부분은 단순히 더 커진 것이 아니라 진정으로 새로운 부분입니다. K3는 다음 세 가지 명명된 구성 요소로 구축되었습니다.
- Kimi Delta Attention: 하이브리드 선형 어텐션 메커니즘입니다. 선형 어텐션은 표준 2차 어텐션보다 시퀀스 길이에 따라 더 잘 확장되며, 이는 100만 토큰 컨텍스트 창이 실용화되는 방식의 일부입니다.
- Attention Residuals: Moonshot은 이를 표준 잔차 연결(residual connections)의 드롭인 대체품으로 설명합니다.
- Stable LatentMoE: 토큰당 896명의 전문가 중 16명을 활성화하는 전문가 혼합(mixture-of-experts) 프레임워크입니다.
Moonshot은 Kimi K2 대비 확장 효율성이 약 2.5배 향상되었다고 보고합니다. 이는 단순히 더 많은 컴퓨팅이 아니라 단위 컴퓨팅당 더 많은 기능을 의미합니다. K2 세대 모델인 K2.7 Code는 이러한 재설계를 포함하지 않으므로, 차이는 단순히 "더 크다"는 것이 아니라 "다르게 구축되었다"는 것입니다.
컨텍스트: 최대 100만 토큰
K3는 1,048,576 토큰 컨텍스트 창을 지원합니다. 코딩 워크플로우의 경우, 이는 에이전트에 몇 개의 파일을 제공하는 것과 실제 리포지토리의 큰 덩어리, 테스트 및 로그를 한 번에 넘겨주는 것의 차이입니다. 대규모 리포지토리 작업에서 K2.7 Code로 컨텍스트 한계에 도달했다면, 이것이 일상적으로 가장 중요하게 작용할 단 하나의 변화일 것입니다.
포지셔닝: 전문가에서 플래그십 제너럴리스트로
K2.7 Code는 코딩 릴리스였지만, K3는 장기적인 에이전트 코딩에도 능숙한 플래그십 "가장 유능한" 모델입니다. Moonshot은 칩 설계 작업에 대한 단일 48시간 실행을 포함하여 어렵고 다단계 문제에 대한 자율 실행을 언급합니다. 이러한 일화가 당신의 작업량에 해당하는지 여부는 믿음이 아니라 테스트해야 할 사항입니다. 그러나 의도는 분명합니다. K3는 100만 컨텍스트와 새로운 어텐션 디자인이 효과를 발휘하는, 오래 실행되고 상태를 유지하는 에이전트를 대상으로 합니다.
가격: 플래그십 요금
K3는 캐시 적중 입력에 100만 토큰당 $0.30, 캐시 미스 입력에 100만 토큰당 $3, 출력에 100만 토큰당 $15로 책정되었습니다. 입력 비용의 10배 차이가 흥미로운 부분입니다. 대규모 시스템 프롬프트와 리포지토리 컨텍스트를 여러 호출에 걸쳐 재사용하는 에이전트 코딩과 같이 캐시 적중률이 높은 작업에서는 유효 입력 비용이 $3보다 $0.30에 훨씬 더 가깝습니다. 새로운 컨텍스트를 사용하는 일회성 호출에서는 $3의 정가를 지불합니다. 100만 토큰당 $15의 출력은 할인 요소가 없는 플래그십 등급입니다. 전체 캐시 계산에 대해서는 Kimi K3 가격 가이드를 참조하고, K3가 작업당 무조건 더 비싸다고 가정하기 전에 K2.7 Code의 요율을 확인하십시오.
Kimi K3 대 Kimi K2.7 Code: 나란히 비교
| 차원 | Kimi K2.7 Code | Kimi K3 |
|---|---|---|
| 포지셔닝 | K2 라인의 코딩 중심 릴리스 | 플래그십 "가장 유능한" 범용 모델, 에이전트 코딩에 강력함 |
| 세대 | K2 계보 (K2에서 K2.6, K2.7 Code로) | 새로운 K3 세대 |
| 총 매개변수 | 약 1조(T)급 (K2 라인) | 총 2.8조(T) (MoE) |
| 활성 매개변수 | K2.7 Code 게시물과 비교 확인 | 미공개; 896명의 전문가 중 16명 활성화 |
| 어텐션 디자인 | K2 세대 어텐션 | Kimi Delta Attention + Attention Residuals |
| MoE 프레임워크 | K2 세대 MoE | Stable LatentMoE (16/896 전문가) |
| 컨텍스트 창 | K2.7 Code 게시물과 비교 확인 | 1,048,576 토큰 (100만) |
| 모델 ID | kimi-k2-7-code |
kimi-k3 |
| API 호환성 | OpenAI-SDK 호환 | OpenAI-SDK 호환 |
| 명시된 가격 | K2.7 Code 게시물과 비교 확인 | 입력(캐시 적중/미스) $0.30/$3, 출력 100만 토큰당 $15 |
| 오픈 가중치 | K2.7 Code 설명서 참조 | 2026년 7월 27일경 예상 |
| 독립적인 신호 | K2.7 Code 설명서 참조 | Artificial Analysis Intelligence Index 57, 189개 중 4위 |
| 최적 사용처 | 정해진 비용으로 좁은 코딩 작업 | 대규모 컨텍스트, 장기적인, 일반 + 코딩 작업 |
"확인"으로 표시된 셀에 대한 참고: 우리는 의도적으로 정확한 K2.7 Code 수치를 만들어내지 않습니다. 정확한 K2.7 사양이 필요한 경우, 저희의 Kimi K2.7 Code는 무엇인가 게시물과 Kimi K2.7 Code API 가이드가 신뢰할 수 있는 자료입니다. K3를 비교하여 설명하는 방식은 비교를 정직하게 유지합니다.
K3가 최첨단과 비교하여 실제로 위치하는 곳
"2.8조(T) 플래그십"을 "새로운 최고의 모델"로 쉽게 읽을 수 있으므로, 여기는 공급업체들이 일반적으로 부드럽게 표현하는 부분입니다. Moonshot의 자체 출시 블로그에 따르면 K3는 Claude Fable 5와 GPT-5.6 Sol에 뒤처집니다. 특정 벤치마크에서는 경쟁력이 있거나 일부에서 앞서지만, 전반적인 왕좌를 차지한다고 주장하지는 않습니다.
독립적인 자료도 이를 뒷받침합니다. Artificial Analysis는 K3의 지능 지수를 57로 평가하여 189개 모델 중 4위에 올렸으며, 초당 약 62토큰의 출력 속도는 가격대에 비해 느린 편입니다. Moonshot이 공개한 코딩 벤치마크에서는 K3가 DeepSWE에서 Fable 5의 70.0에 비해 67.5를 기록하고, Terminal-Bench 2.1에서 Fable 5의 84.6에 비해 88.3을 기록하는 등 지배적이라기보다는 혼합된 결과를 보입니다. K3는 최첨단 모델과 비교하여 일부는 이기고 일부는 지는 모습을 보이며, 이는 오픈 가중치 모델로서는 강력한 결과이지만 과대포장할 이유는 아닙니다. Moonshot의 전체 주장은 공식 Kimi K3 출시 게시물에서 확인할 수 있으며, 저희는 Kimi K3 벤치마크 분석에서 공급업체와 독립적인 평가 간의 차이를 설명합니다.
마이그레이션 결정에 있어, "이전 모델보다 발전했다"는 주장은 "모든 폐쇄형 모델을 능가한다"는 주장과는 다릅니다. 이 두 가지 모두 동시에 사실입니다.
K3로 마이그레이션해야 할까요, 아니면 K2.7 Code를 유지해야 할까요?
다음 질문들을 순서대로 작업량에 적용해 보세요.
다음 중 하나라도 해당된다면 K3로 마이그레이션하세요
- 컨텍스트 한계에 도달했습니다. K2.7 Code가 대규모 리포지토리 작업, 전체 서비스 리팩토링 또는 긴 에이전트 대화록에서 잘린다면, 100만 컨텍스트 창은 이동할 가장 분명한 이유입니다. 순수한 여유 공간은 대체할 수 없습니다.
- 작업이 장기적이고 에이전트 기반입니다. 여러 도구 호출에 걸쳐 상태를 유지하는 다단계 실행이 K3의 디자인 목표입니다. 에이전트가 긴 작업에서 흐름을 놓친다면, K3가 더 잘 유지하는지 테스트해보십시오.
- 코드뿐만 아니라 일반적인 추론이 필요합니다. 제품이 코드와 계획 또는 분석을 결합한다면, 코딩 전문가는 잘못된 도구일 수 있습니다.
- 캐시 적중률이 높습니다. 대규모 시스템 프롬프트와 공유 컨텍스트를 여러 호출에 걸쳐 재사용하면 K3의 $0.30 캐시 적중 입력 비용이 플래그십 가격을 완화하여 유효 비용을 K2.7 지출에 더 가깝게 만듭니다.
다음 중 하나라도 해당된다면 K2.7 Code를 유지하세요
- 작업량이 좁은 코딩 작업이고 K2.7이 이미 기준을 충족합니다. 품질이 좋고 제품을 출시하고 있다면, 더 큰 플래그십은 필요 없는 비용일 수 있습니다. "충분히 좋고 더 저렴하다"는 합리적인 답변입니다.
- 캐시 재사용률이 낮아 비용에 민감합니다. 새로운 컨텍스트를 사용하는 일회성 호출은 K3의 $3 캐시 미스 입력과 $15 출력을 지불해야 하므로, 높은 캐시 적중률이 없으면 플래그십 가격을 정당화하기 더 어렵습니다.
- 최고 지능보다 지연 시간이 더 중요합니다. K3의 초당 약 62토큰은 가격대 중간값보다 낮습니다. 앱이 지연 시간에 제한적이라면, 더 큰 모델이 더 빠르다고 가정하기 전에 이를 벤치마크해야 합니다.
- 오픈 가중치가 계획을 제한합니다. K3의 가중치는 2026년 7월 27일경에 공개될 예정이므로, 자체 호스팅 요구 사항은 Moonshot의 Hugging Face에 실제 릴리스와 비교하여 확인해야 하며, 출시되었다고 가정해서는 안 됩니다.
실제 시나리오
추상적인 조언만으로는 한계가 있으므로, 몇 가지 구체적인 프로필을 살펴보겠습니다.
중간 규모 리포지토리의 CI 코드 수정 봇. 이미 테스트를 통과하고 K2.7 Code에서 저렴하게 유지된다면, K3가 필요하지 않을 수 있습니다. 작업이 좁고, 컨텍스트가 적합하며, 실행당 비용이 중요합니다. 그대로 유지하십시오. 실패율이 증가할 경우에만 다시 검토하십시오.
대규모 모노리포의 자율 리팩토링 에이전트. K3의 주력 분야입니다. 100만 컨텍스트는 코드베이스, 테스트 및 로그의 더 많은 부분을 한 번에 로드하며, 장기적인 설계는 여러 단계에 걸쳐 많은 파일을 건드리는 실행을 위해 만들어졌습니다. 실제 테스트해 볼 가치가 있습니다.
직접 설정하려면, Kimi K3 코딩 워크스루와 Kimi K3 API 가이드에서 모델 선택 및 OpenAI 호환 퀵스타트를 다루고 있습니다. 아직 이전 버전을 사용 중이라면, K2.6 설명서에서 계보를 확인할 수 있습니다.
커밋하기 전에 두 모델을 A/B 테스트하는 방법
결정하는 가장 깔끔한 방법은 동일한 요청을 두 모델 모두에 실행하고 차이점을 읽는 것입니다. 둘 다 OpenAI-SDK 호환이므로, 이는 거의 노력이 들지 않습니다.
모델을 kimi-k2-7-code로 설정하여 Moonshot 엔드포인트에 하나의 요청을 보내고, kimi-k3를 사용하여 두 번째 동일한 요청을 보냅니다. 다른 모든 것은 동일하게 유지하십시오: 동일한 시스템 프롬프트, 사용자 메시지, 온도 및 도구. 그런 다음 결정을 좌우하는 세 가지 사항을 비교하십시오.
- 실제 프롬프트에 대한 출력 품질. 분위기가 아니라 프로덕션 출력을 평가하는 방식으로 판단하십시오.
- 지연 시간. K3는 독립적인 속도 수치상 더 느린 모델이므로, 대화형 앱에서는 품질 개선보다 지연 시간 문제가 더 크게 작용할 수 있기 때문입니다.
- 토큰 사용량. 캐시 적중률이 두 모델 간의 유효 입력 비용을 어떻게 변화시키는지 포함하여.
Apidog는 이러한 나란히 비교 워크플로우를 간소화합니다. 두 요청을 하나의 프로젝트에 저장하고, 모델 ID를 환경 변수로 교체하고, 실시간으로 서버 전송 이벤트 스트리밍 응답을 확인하고, 도구 호출 페이로드를 검사하고, 호출당 토큰 사용량을 확인하십시오. 요청을 복제하고 한 필드를 변경하면, 버려지는 하네스 코드 없이 제어된 A/B 테스트를 수행할 수 있습니다. Apidog를 다운로드하여 설정하고, 편집기에서 작업하는 경우 VS Code 내 Apidog 통합을 통해 코드 옆에 유지할 수 있습니다. 이는 마케팅이 아닌 증거를 바탕으로 결정하는 무료 방법입니다.
결론
K3는 이름만 바꾼 것이 아니라 K2.7 Code에 비해 진정한 세대적 도약입니다. 총 매개변수를 약 3배인 2.8조(T)로 늘리고, 새로운 어텐션 아키텍처(Kimi Delta Attention, Attention Residuals, Stable LatentMoE)를 탑재했으며, 컨텍스트를 100만 토큰으로 확장하고, 제품을 코딩 전문가에서 플래그십 제너럴리스트로 재구성했습니다. 또한 정가로 더 비싸며, Moonshot의 자체 인정에 따르면 여전히 Fable 5와 GPT-5.6 Sol에 뒤처지므로 업그레이드가 자동적인 것은 아닙니다. 컨텍스트, 일반 추론 또는 장기적인 에이전트 동작이 필요하다면 전환하십시오. K2.7 Code가 이미 마음에 드는 가격으로 기준을 충족한다면 유지하는 것이 합리적입니다. 자신의 프롬프트로 두 모델을 모두 실행하고, 차이점을 읽고, 증거에 따라 선택하십시오.
자주 묻는 질문
코딩에는 어떤 모델이 더 좋나요? K2.7 Code는 코딩에 특화되어 튜닝되었으며, 좁은 코딩 작업에 강력하고 비용 효율적인 선택입니다. K3는 플래그십 범용 모델로, 훨씬 더 큰 컨텍스트를 가지고 장기적인 에이전트 코딩에도 능숙합니다. 대규모 리포지토리, 다단계 에이전트 작업의 경우 K3가 구조적으로 유리하며, K2.7이 잘 처리하는 좁은 코딩 작업의 경우 K2.7 Code가 더 현명한 지출일 수 있습니다.
Kimi K3가 K2.7 Code보다 비싼가요? K3는 캐시 적중 입력에 100만 토큰당 $0.30, 캐시 미스 입력에 100만 토큰당 $3, 출력에 100만 토큰당 $15로 책정되어 플래그십 등급입니다. 작업당 비용이 더 많이 드는지 여부는 캐시 적중률과 출력 상세도에 따라 달라지므로, 자신의 작업량에 대한 유효 비용을 비교하십시오. 두 모델 모두 OpenAI-SDK 호환이므로, 전환은 주로 모델 ID 변경과 프롬프트 재테스트로 이루어집니다.
Kimi K3는 오픈 소스인가요? 출시일에는 아닙니다. Moonshot은 전체 모델 가중치가 2026년 7월 27일경에 공개될 예정이라고 밝혔습니다. 가중치가 공개되기 전까지 K3는 API 및 앱 전용입니다. 모든 자체 호스팅 계획은 해당 릴리스에 달려 있다고 생각하십시오.
K3가 Claude Fable 5 또는 GPT-5.6 Sol보다 낫나요? Moonshot의 자체 블로그에 따르면 아닙니다. K3는 전반적으로 두 모델에 뒤처지지만, 특정 벤치마크에서는 경쟁력이 있거나 앞서기도 합니다. 독립적으로 Artificial Analysis는 K3를 지능 지수 57로 평가하여 189개 모델 중 4위에 올렸습니다. 이는 강력한 오픈 가중치 경쟁자이지만, 확실한 최첨단 선두주자는 아닙니다.