น้ำหนัก Kimi K3 ลงจริงแล้ว 1.56 TB บน Hugging Face — แต่ไลเซนส์ไม่ใช่ MIT อย่างที่หลายสำนักข่าวรายงาน

เมื่อวันที่ 17 กรกฎาคม เราเขียนไว้ว่า Kimi K3 คือ “โมเดลปิดที่สัญญาว่าจะเปิด” — ตอนนั้นบล็อกของ Moonshot AI ระบุว่าน้ำหนักจะถูกปล่อย “by July 27, 2026” แต่บน Hugging Face ยังไม่มี repo ให้เห็น วันนี้สัญญานั้นถูกทำจริงแล้ว repo moonshotai/Kimi-K3 มีน้ำหนักครบ อัปโหลด commit แรกในคืนวันที่ 27 กรกฎาคม ตรงตามเดดไลน์ที่ประกาศไว้เอง และพุ่งขึ้นอันดับ 1 บน Hacker News ด้วยคะแนนกว่า 1,300 แต้ม

แต่มีจุดที่นักพัฒนาต้องอ่านให้ละเอียดกว่าพาดหัว: สำนักข่าวหลายแห่งรายงานล่วงหน้าว่า K3 จะมาพร้อมไลเซนส์ “Modified MIT” — ไฟล์ LICENSE จริงในรีโปไม่ได้เขียนแบบนั้น มันชื่อ “Kimi K3 License” และมีเงื่อนไขเชิงพาณิชย์ที่ MIT ไม่มี

ของจริงที่ดาวน์โหลดได้: 96 ชาร์ด 1.56 TB

ตัวเลขที่ควรรู้ก่อนกด git clone: repo มีไฟล์ safetensors 96 ชาร์ด ส่วนใหญ่ก้อนละ 16.6–17 GB รวมทั้งรีโป 1.56 TB นี่คือขนาดที่ทำให้คำว่า “โหลดมาลองเล่น” ไม่มีความหมายสำหรับคนส่วนใหญ่ — แค่ค่า egress กับพื้นที่ดิสก์ก็เป็นโปรเจกต์ของตัวเองแล้ว

สเปกจากโมเดลการ์ดยืนยันตรงกับที่ประกาศไว้ตอนเปิดตัว: MoE 2.8 ล้านล้านพารามิเตอร์ โดย activate จริง 104 พันล้านพารามิเตอร์ต่อโทเคน, 93 เลเยอร์ (เป็น KDA 69 เลเยอร์ + Gated MLA 24 เลเยอร์), เปิดใช้ 16 จาก 896 expert ต่อโทเคน และ context 1,048,576 โทเคน เต็ม ๆ น้ำหนักถูกเทรนแบบ quantization-aware มาตั้งแต่ขั้น SFT ด้วย MXFP4 weights / MXFP8 activations ซึ่ง Moonshot ระบุว่าทำเพื่อให้เข้ากับฮาร์ดแวร์ได้กว้างขึ้น

ฝั่ง inference มี recipe ให้แล้วสามทาง — vLLM, SGLang และ TokenSpeed — ส่วนใครไม่อยากแตะฮาร์ดแวร์เอง ยังมี API ที่ platform.kimi.ai ซึ่งเข้ากันได้กับทั้ง OpenAI และ Anthropic API รายละเอียดหนึ่งที่น่าสังเกตในโมเดลการ์ด: ตัวเลขเบนช์มาร์กบางส่วนถูกวัดบน H20 แทน H100 ตาม official setting ซึ่งสะท้อนข้อจำกัดเรื่องชิปที่ฝั่งจีนเจออยู่

เบนช์มาร์กที่บริษัทลงไว้ในการ์ด: GPQA Diamond 93.5, DeepSWE 67.5, Terminal-Bench 2.1 88.3, BrowseComp 91.2, MMMU-Pro 81.6/83.4 และ Video-MME 90.0

ไลเซนส์: อ่านข้อ 2 กับข้อ 3 ให้จบก่อนเอาไปทำสินค้า

นี่คือส่วนที่ข่าวส่วนใหญ่ข้าม ไฟล์ LICENSE ให้สิทธิ์กว้างแบบ MIT ในตอนต้น — “use, copy, modify, merge, publish, distribute, sublicense, and/or sell copies” รวมถึงสิทธิ์ “run, deploy, fine-tune” — แต่แล้วเติมเงื่อนไขเพิ่มมาสองข้อ:

• ข้อ 2 (Model as a Service): ถ้าคุณหรือบริษัทในเครือเอา K3 ไปเปิดเป็นบริการ และมีรายได้รวมเกิน 20 ล้านดอลลาร์สหรัฐฯ ในช่วง 12 เดือนต่อเนื่องใด ๆ ต้องไปทำข้อตกลงเชิงพาณิชย์แยกกับ Moonshot AI
• ข้อ 3 (การแสดงชื่อ): ผลิตภัณฑ์หรือบริการที่มี ผู้ใช้ต่อเดือนเกิน 100 ล้านคน หรือ รายได้ต่อเดือนเกิน 20 ล้านดอลลาร์ ต้องแสดงชื่อ “Kimi K3” ให้เห็นเด่นชัดบนหน้าจอผู้ใช้
• ข้อ 4 (ข้อยกเว้น): ทั้งข้อ 2 และ 3 ไม่บังคับกับ การใช้ภายในองค์กร ที่ไม่เปิดให้บุคคลที่สาม และไม่บังคับกับการใช้ผ่านผลิตภัณฑ์ทางการของ Moonshot AI หรือ inference partner ที่ได้รับการรับรอง

พูดตรง ๆ คือ สำหรับนักพัฒนาและบริษัทส่วนใหญ่ในไทย เงื่อนไขพวกนี้ ไม่แตะคุณเลย — เพดาน 20 ล้านดอลลาร์ต่อปีและ 100 ล้าน MAU สูงกว่าที่สตาร์ทอัพทั่วไปจะไปถึงมาก และการใช้ภายในองค์กรถูกยกเว้นชัดเจน แต่มันก็ ไม่ใช่ MIT และการเรียกมันว่า MIT คือการอธิบายผิด: MIT ไม่มีเพดานรายได้ ไม่มีข้อบังคับให้ติดแบรนด์ และไม่มีเงื่อนไขที่ต้องกลับไปเจรจากับเจ้าของโมเดล ถ้าทีมกฎหมายของคุณอนุมัติ dependency ตามชื่อไลเซนส์ ความต่างนี้สำคัญ

เทียบชั้นแล้วอยู่ตรงไหน

รูปแบบไลเซนส์แบบนี้ไม่ใช่เรื่องใหม่ — Meta ใช้เพดาน 700 ล้าน MAU กับ Llama, และอีกหลายเจ้าใช้กลไก “ฟรีจนกว่าจะรวย” คล้ายกัน สิ่งที่ K3 ทำคือตั้งเพดานไว้ ต่ำกว่า Llama มาก ในแง่จำนวนผู้ใช้ (100 ล้าน vs 700 ล้าน) แต่เพิ่มเงื่อนไขรายได้เข้ามาเป็นตัวจับแทน ซึ่งจับ “บริษัทที่ทำเงินเยอะแต่ผู้ใช้ไม่เยอะ” อย่างพวก API resellers และ B2B ได้ตรงกว่า

และเมื่อรวมกับข้อเท็จจริงว่า Moonshot แนะนำให้ deploy บน supernode ที่มี accelerator ตั้งแต่ 64 ตัวขึ้นไป คำถามว่า “เปิดจริงไหม” ก็มีสองชั้น — ชั้นกฎหมาย (เปิด แต่มีเพดาน) และชั้นเศรษฐศาสตร์ (เปิด แต่ต้องมีดาต้าเซ็นเตอร์)

มุมมอง AI Curator

การที่ Moonshot ปล่อยน้ำหนักตรงตามวันที่สัญญาไว้เป๊ะ ๆ เป็นเรื่องที่ควรบันทึกไว้ เพราะในวงการนี้ “เดี๋ยวจะปล่อย” มักแปลว่าไม่มีวันปล่อย การทำตามกำหนดในระดับ 2.8T พารามิเตอร์เป็นการสร้างเครดิตที่มีมูลค่าจริงในระยะยาว — และเป็นเหตุผลที่ควรเชื่อคำสัญญารอบหน้าของพวกเขามากขึ้นอีกนิด

แต่บทเรียนที่ใช้ได้กว้างกว่านั้นสำหรับนักพัฒนาไทยคือเรื่อง การอ่านไลเซนส์เอง เคสนี้ชัดมาก: สำนักข่าวหลายเจ้ารายงานล่วงหน้าว่าเป็น “Modified MIT” ทั้งที่ตอนรายงานยังไม่มีไฟล์ให้อ่านด้วยซ้ำ — เป็นการเดาจากรอบก่อน ๆ ของ Moonshot แล้วเขียนเป็นข้อเท็จจริง ถ้าคุณตัดสินใจเลือกโมเดลจากพาดหัว คุณจะได้ข้อมูลผิด ไฟล์ LICENSE อยู่ห่างจากหน้าโมเดลแค่คลิกเดียว ใช้เวลาอ่านสามนาที และเป็นสามนาทีที่ถูกที่สุดในโปรเจกต์

ในทางปฏิบัติสำหรับทีมไทย ผมมองว่าเงื่อนไขไลเซนส์นี้แทบไม่ใช่ประเด็น — ตัวขวางจริงคือ 1.56 TB กับ supernode 64 ใบ นั่นแปลว่า “โมเดลเปิด” ตัวนี้จะถูกใช้ผ่านผู้ให้บริการ inference เป็นหลัก ไม่ใช่รันเอง และเมื่อนั้นสิ่งที่คุณต้องตรวจก็เปลี่ยนไปอีกชั้น — ไปอยู่ที่ว่าผู้ให้บริการรายนั้นเป็น “certified inference partner” ตามข้อ 4 หรือเปล่า เก็บข้อมูลที่ไหน และคิดราคาอย่างไร มูลค่าที่แท้จริงของการเปิดน้ำหนักในกรณีนี้ จึงไม่ใช่ “ทุกคนรันเองได้” แต่คือ การมีผู้ให้บริการหลายเจ้าแข่งกันเสิร์ฟโมเดลเดียวกัน ซึ่งกดราคาและลด vendor lock-in ได้จริง — และนั่นก็เป็นประโยชน์ที่จับต้องได้อยู่ดี

แหล่งข่าว

• moonshotai/Kimi-K3 — Hugging Face
• Kimi K3 LICENSE — ไฟล์ไลเซนส์ฉบับเต็ม
• MoonshotAI/Kimi-K3 — GitHub (deployment recipes + tech report)
• Kimi K3 — บล็อกเปิดตัวทางการ (16 ก.ค. 2026)