谁在训练 Kimi K3 ? 深挖贡献者名单，这有一份最全档案
Ranking
Overall
47
Content
45
Popularity
N/A
No observed public metrics; popularity remains neutral/archived.
Merged summary
TL;DR — 雷峰网梳理了 Kimi K3 技术报告披露的 401 位贡献者名单，介绍月之暗面核心研发成员的背景，展示团队在模型架构、训练优化、推理系统与多模态方向的技术积累。
- K3 是完全开源的 2.8 万亿参数模型，架构上采用 KDA、MLA、NoPE 与 Attention Residuals 等创新，以提升预训练与强化学习效率。
- Muon 与 MoBA 分别针对大规模训练优化和注意力开销，提升预训练效率与稳定性、降低算力成本；Attention Residuals 则应对深层网络扩展瓶颈。
- Mooncake 推理系统分离预填充与解码阶段，并围绕 KV Cache 做集中调度与优化，支撑百万级长上下文、降低推理成本，文中称其使请求承载量提升超过 75%。
- Kimi-VL、视觉编码器及智能体数据合成工作构成 K3 多模态与 Agent 能力的重要基础。
- 团队整体能力覆盖长上下文、线性注意力、多模态对齐、Agent 数据合成与大规模训练基础设施。
两篇来源侧重略有不同：一篇更强调架构创新与多模态/Agent 基础，另一篇更突出 Mooncake 的长上下文推理调度与各项技术针对的具体瓶颈。
Sources (2)
谁在训练 Kimi K3 ? 深挖贡献者名单，这有一份最全档案
Public signals
N/A
TL;DR - 雷峰网梳理了 Kimi K3 技术报告披露的 401 位贡献者，重点介绍月之暗面核心成员的背景及其在模型架构、训练、推理和多模态系统上的贡献。
- K3 是开源的 2.8 万亿参数模型，采用 KDA、MLA 和 Attention Residuals 等架构创新。
- 团队通过 Muon、MoBA 等技术提升大规模预训练效率和稳定性，降低算力成本。
- Mooncake 分离预填充与解码阶段，并围绕 KV Cache 优化长上下文推理；文中称其使请求承载量提升超过 75%。
- Kimi-VL、视觉编码器及智能体数据合成工作构成了 K3 多模态和 Agent 能力的重要基础。
谁在训练 Kimi K3 ? 深挖贡献者名单，这有一份最全档案
Public signals
N/A
TL;DR - 雷峰网梳理了 Kimi K3 技术报告披露的 401 名贡献者及月之暗面的核心研发团队，展示其在模型架构、训练、推理系统和多模态方向的技术积累。
- K3 是一个完全开源的 2.8 万亿参数模型，采用 KDA、MLA、NoPE 等技术提升预训练和强化学习效率。
- Mooncake 通过分离预填充与解码、集中调度 KV Cache，支撑百万级上下文并降低推理成本。
- MoBA、Muon 和 Attention Residuals 分别针对注意力开销、训练优化和深层网络扩展瓶颈。
- 团队能力覆盖长上下文、线性注意力、多模态对齐、Agent 数据合成及大规模训练基础设施。