Moonshot AI vs Ollama

Kimi 背后的模型公司，重点关注长上下文、中文助手与 API 能力。

本地模型运行工具，适合追踪本地推理、模型分发、开发者体验与轻量部署。

这一表现可能促使中国 AI 开发者重新评估本土模型能力，并影响国际竞争格局。

2.8 万亿参数且仅激活 896 专家中的 16 个，推理成本远低于全参数模型，适合部署大规模开源模型的团队。

K3 的 2.8T 参数和更高定价（$3/M 输入、$15/M 输出）意味着调用其 API 的开发者需要评估成本，但其长程知识任务 Elo 仅次于 Claude Fable 5，且前端代码评测登顶，对需要高质量代码生成的团队有吸引力。

MLX 缓存泄漏修复可减少长期运行的内存占用，对使用 MLX 后端的用户尤为重要。

Kimi Delta Attention 使解码速度提升 6.3 倍，Attention Residuals 提高训练效率 25%，对需要长上下文和高效推理的开发者是重大利好。

MLX 缓存泄漏修复直接降低了 Mac 用户在长请求中的内存膨胀风险，跑本地开源模型的用户值得及时更新。

这个项目让开发者仅用一个 MCP 服务就能切换和组合多种模型后端，大大简化了多模型 CLI 工具链的配置与调用。

对使用 Ollama 本地运行大模型的开发者来说，新增的 Agent 能自动分解编程任务，集成改名和简化菜单可降低切换工具的成本。

这次更新让使用 Ollama 本地跑 Qwen3.5 的团队能获得正确解析渲染，同时给调用旧 Agent 模型的用户直接提示，避免兼容性问题。

新增 Agent 核心整合和 CUDA 回退，让使用本机 Ollama 的开发者能更好地支援 JetPack 环境与长流程自动化。

CUDA CC 6.x GPU 的 Flash Attention 启用与 JetPack CUDA 降级机制，提升了旧架构与边缘设备的推理效能与相容性。

新增 Agent 核心框架让开发者能在本地搭建多步骤 Agent 流程，而启用旧款 GPU 的 Flash Attention 则直接提升推理效率，对使用较旧 NVIDIA GPU 的本地部署团队特别有利。

多令牌预测无需配置即可使编码代理任务的令牌生成速度平均提升 90%，本地推理效率大增。