10 月 22 日，Cerebras 官方技术博客披露了万亿参数前沿模型的部署方法，用开源的 Kimi K3 作为示例：约 3 万亿参数模型被切分到多块 WSE-3T 晶圆上，推理速度达到每秒 1000 到 2000 以上 token。Kimi K3 在 Terminal-Bench 2.1 上得分 88.3%，BrowseComp 上得分 91.2%。
单块晶圆 44GB 内存怎么装下 3 万亿参数
难点在内存。Cerebras WSE-3T 单块晶圆片上只有 44GB 片上内存，而万亿级模型仅权重就要以 TB 计。这篇博客回答的是官方收到最多的问题：大模型到底怎么在晶圆级芯片上跑起来。答案的核心是按层切分加多片协同，把一个大 frontier model 拆到多块 WSE-3T 上。
具体算下来，Kimi K3 有 69 个线性注意力层和 24 个稠密层，若所有 3 万亿参数按 4 bit 存储，每层约需 16GB，再依据层类型计算每块 44GB 晶圆能容纳多少层，最终确定所需晶圆总数。4 bit 量化是把 3 万亿参数压进有限片上内存的关键前提。
基准分数逼近闭源旗舰
官方给出的对比是：Kimi K3 在 Terminal-Bench 2.1 拿到 88.3%，GPT-5.6 Sol 为 88.8%；BrowseComp 上 Kimi K3 是 91.2%，GPT-5.6 Sol 是 90.4%。Cerebras 的结论是，这套方法让开源模型在编码和智能体能力上达到前沿水平，部分基准甚至反超闭源旗舰。
Kimi K3 本身是 3 万亿参数的开源模型，架构上同时具备 69 层线性注意力和 24 层稠密结构。这条技术路径的参考价值在于，它把「晶圆级芯片到底能不能跑前沿模型」这个长期疑问落到了一份可复现的公开方案上，而不只是实验室演示。
延伸阅读
- FDE年薪中位数20万美元，Anthropic砸1亿美元训1万人到2027年底2 周前
- Kimi K3技术报告解读：2.8万亿参数MoE与90%编码缓存命中率1 周前
- 月之暗面IPO前夜起纠纷：被指转移技术遭老股东索赔，涉案金额或超7亿美元2 周前
- OpenAI公开披露安全事件：Kimi相关账户窃取16000次模型推理3 周前
继续读
同一批更新里这几篇值得一看：
- 英伟达优化Kimi K3推理：2.8万亿参数达423 tok/s，提速1.68倍2026-10-18
- 中国拟封堵23项AI技术出口：开源权重、10^26 FLOPs训练受限2026-10-17
- Cerebras CEO 费尔德曼：家用 AI 助手时代 3-5 年内到来，能替你采购2026-10-14
想快速查定义？对应的词条在这里：
- Kimi词条 · AI 自学笔记