最近 AI 圈最轟動的大事之一，莫過於月之暗面（Moonshot AI）正式把 Kimi K3 的完整權重放出來了。這套擁有 2.8 兆參數、支援百萬 Token 上下文視窗的 MoE 架構模型，之前只能透過官方 API 遙控，現在直接讓你拉回來自己跑。對技術同好來說，這無疑是一場重量級的權重解放運動。但如果你以為這次開放跟過去兩年我們熟悉的 Apache 2.0 或 MIT 授權是一回事，那就得小心了。Moonshot 這次沒用萬金油條款，而是直接甩出一份長達 47 頁的技術報告搭配專屬授權合約。我仔細讀完條款後發現，這場開源背後的商業邏輯其實藏得很深。對企業來說，能不能白嫖這套頂級模型，完全取決於你們怎麼用、營收卡在什麼水位。
「開源」的邊界，其實是一條動態的法律紅線
很多人聽到 open weight 就覺得跟 open source 沒什麼兩樣，但這次 Kimi K3 License 直接把這個迷思打破。條款第 2 條寫得很明確：如果你做的是 Model as a Service (MaaS)，而且你跟關聯企業的總營收連續 12 個月超過 2000 萬美元，那你就得再跟 Moonshot 簽一份商業授權。注意這裡的坑，它算的是集團總營收，不是單靠 Kimi K3 帶來的收入。這意味著什麼？就算你是一家剛起步的 AI 新創，只要母公司年營收破兩千萬美元，你在自家產品裡用 Kimi K3 對外提供推理服務，就可能觸發商業授權門檻。
更諷刺的是第 3 條的品牌露出義務。如果你的產品月活躍用戶超過 1 億，或月營收破 2000 萬美元，介面就必須醒目地打上「Kimi K3」標籤。對那些習慣把底層模型藏起來做 white-label 的企業來說，這等於強迫你公開供應鏈底牌。
從「下載就能用」到「算清楚帳再上線」
說真的，我挺欣賞 Moonshot 這種做法的。它沒有像某些大廠那樣搞先開放再收網，而是把規則攤在檯面上。對內部工具來說，這套條款簡直是福音：只要模型不對外部用戶開放，不管是拿來幫員工寫報告、做文件處理還是內部知識檢索，都算 Internal Use，完全不用理會那兩千萬美元的門檻。
但問題出在邊界模糊上。什麼是端對端產品內嵌特定功能？什麼是單純轉發請求？條款裡有寫，但實務上每個業界的解讀都可能不一樣。我預測未來一到兩年，企業在評估 vLLM 或 SGLang 等推理框架時，工程師會開始習慣在架構圖旁邊多畫一張授權合規圖。AI 的競爭戰場，會從單純拼 benchmark 分數，慢慢轉向拼誰更懂怎麼把模型塞進商業模式裡還不踩線。
| 項目 | Kimi K3 License | 傳統開源 (Apache 2.0 / MIT) |
|---|---|---|
| 商業使用 | 自由使用，但 MaaS 營收破 2000 萬美元需另簽約 | 無門檻，直接商用 |
| 營收計算基準 | licensee 與關聯企業總營收累計 | 通常不設營收門檻 |
| 品牌露出 | 月活破 1 億或月營收破 2000 萬需醒目標示 | 僅需保留版權聲明 |
| 內部使用 | 完全豁免商轉與露出義務 | 同上 |
| 推理框架支援 | 官方提供 vLLM、SGLang 及 MoE 通訊庫 | 依賴社群維護 |
「Kimi K3 的授權條款看起來像 MIT，但本質上更偏向非商業性質；任何年營收超過 2000 萬美元的公司都必須取得特定商業授權，且用戶破億或月收破 2000 萬時須公開標示模型名稱。」—— 前 AI2 OLMo 團隊共同負責人 Nathan Lambert
我個人覺得，這會成為未來兩年 AI 產業的常態。Llama 早就靠 7 億月活門檻收過網，現在 Moonshot 用營收水位來卡關，本質上都是同一套開放權重、保留商轉話語權的邏輯。企業領導者別再只盯著技術規格表了，授權條款會成為你明年 IT 預算裡最容易被忽略的變數。下載權重只要一條指令，但要讓它合法變成現金流，你得先搞清楚自己卡在哪條紅線上面。
延伸思考與常見問題
Q1：Kimi K3 授權條款裡的關聯企業總營收怎麼算？ 答：條款明確指出計算基準是 licensee 與其所有關聯企業的累計總營收，並非僅限於使用 Kimi K3 所產生的收入。這意味著即使你的新創子公司年營收才幾百萬美元，只要母公司集團總營收已超過 2000 萬美元且你有對外提供 MaaS，就必須簽商業授權。
Q2：什麼是條款中提到的 Model as a Service (MaaS)？ 答：Moonshot 將其定義為讓第三方透過 API 等方式取得語言模型推理或微調服務，並允許該第三方對輸入、參數或訓練資料擁有實質控制權。單純在自家 App 裡內嵌一個聊天功能，或是幫客戶轉發請求到別人架設的模型，都不算 MaaS。
Q3：為什麼 1.5 TB 的模型權重對一般企業仍是門檻？ 答：雖然有報導指出使用消費級 RTX 5090 叢集也能成功部署，但完整的 2.8 兆參數 MoE 模型在推理時仍需大量 VRAM 與高效的 Attention 核心優化。對多數企業而言，這代表必須投資專屬的 GPU 叢集與基礎設施團隊，而非單純用雲端 API 按量計費就能輕鬆上手。