Moonshot rilascia Kimi K3: modello MoE da 2,8 trilioni e guida al deployment su AWS
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
AWS pubblica una guida per distribuire Kimi K3 su SageMaker HyperPod o su cluster EKS, consentendo il self‑hosting su infrastruttura propria.
Sviluppi Ne abbiamo scritto di nuovo il 1 ago: Moonshot AI rilascia Kimi K3: MoE da 2,8 trilioni con pesi open‑weight
Il 27 luglio 2026 Moonshot AI ha pubblicato Kimi K3, un Mixture of Experts da 2,8 trilioni di parametri con pesi open‑weight. Un post di AWS spiega come distribuirlo su Amazon SageMaker HyperPod o su un cluster Amazon Elastic Kubernetes Service (EKS).1
AWS lo presenta come il primo sistema open‑weight nella “classe” dei 3 trilioni di parametri. Nel testo compare la formula “frontier‑level intelligence” con pesi pubblici, così che le organizzazioni possano eseguirlo nella propria infrastruttura.1
Il blog insiste su un punto operativo: più potenza, più dimensioni. Ospitare architetture multi‑trilione richiede infrastrutture dedicate, GPU di fascia alta e stack di serving ottimizzati. Su questa base propone due percorsi di deployment su AWS.1
SageMaker HyperPod è il primo percorso. Il post lo indica come una delle opzioni per portare in produzione Kimi K3 nel cloud AWS. Non entra nei dettagli implementativi. Lo inquadra come via praticabile per il deployment.1
Amazon Elastic Kubernetes Service è l’alternativa. Anche qui l’articolo spiega il “come distribuire” Kimi K3 su Kubernetes gestito. La guida resta ad alto livello, senza configurazioni fini dei componenti.1
La sezione “About Kimi K3” elenca scelte architetturali. Compaiono Kimi Delta Attention (KDA), Gated Multi Head Latent Attention (MLA) e un framework Stable LatentMoE. L’architettura è descritta come elemento distintivo, in linea con l’impostazione Mixture of Experts e con la scala dichiarata.1
Il post collega queste scelte agli usi previsti. Secondo AWS, i modelli open‑weight hanno raggiunto livelli tali da gestire flussi agentici multi‑step, ragionamento avanzato e coding su orizzonti lunghi. Kimi K3 viene portato come esempio di questa nuova fascia, con pesi pubblici e obiettivo di auto‑hosting.1
Apertura dei pesi non significa esecuzione “a costo zero”. Restano necessari hardware adeguato e un serving ottimizzato. Qui si collocano le due strade proposte: HyperPod per chi lavora con SageMaker, EKS per chi preferisce Kubernetes gestito su AWS.1
La combinazione tra pesi disponibili e guida al deployment amplia le opzioni per i team che vogliono testare o adottare un modello di questa taglia senza legarsi a un servizio chiuso. La scelta dipende dallo stack già in uso su AWS e dal modo in cui si intende organizzare l’esecuzione in produzione.1
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Il filo della storia
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.