爆発的人気で一時停止！Moonshot AI「Kimi K3」の新規サブスク受付がストップ

Moonshot AIは、同社の最新モデル「Kimi K3」に対する予想を上回る需要とアクセス集中のため、新規のサブスクリプション登録を一時的に停止することを発表しました。

Kimiのこの盛り上がりは、ネットでの成長（ジェヴォンズのパラドックス：利便性が上がると消費量が増える）によるものなのか、それとも単にみんながより安いモデルに乗り換えているだけなのか、興味があるな。いろんなラボやOpenRouterなどの全体的なトークン消費量をまとめた良いソースってどこかにある？

このモデルの品質にはいい意味で驚かされてる。コードレビューやPRレビューには本当に向いてるよ。ただ、今は負荷がかかりすぎてるのとモデル自体が巨大なせいで、とにかく遅い。単純なコードレビューでも永遠に終わらない感じだね。

AnthropicやOpenAIは、この先しばらくの需要増に対応できる唯一の存在だという事実だけで、今後も優位性を保てるのかな？企業側からすれば、すでに高コストなAI利用で障害や関連トラブルに社員の時間を浪費させられるのは、たまったもんじゃないだろうしね。

Kimiの話はすごく興味深いね。特にRNN/線形アテンションレイヤーを多用してる点（フルアテンションの3倍）が面白い。まだ試してないけど、ロングコンテキストタスクには極めて合理的だし、今の時代に合ってる気がする。

パラメータ数が多いのは、コンピュート最適化されたxLSTMがそうである理由と同じだろうね。このモデルの成功を見てると、ヨーロッパでxLSTMのような巨大モデルが開発されてこなかったことが少し悔やまれるよ。

彼らは非常にプラグマティックだから、社内評価で機能するもの以外には固執してないんだろう。だから普通の注意層（attention layers）も残ってるわけだし、良いモデルを考案した人たちが必ずしも理想的なエンジニアリングをするとは限らない。それでも、Kimiの成功は、LLMトレーニング用の巨大なスーパーコンピューターが十分にあり、それを適切な人たちが使える環境さえあれば何が可能だったかを示してると思う。結局、これはHochreiterが言っていたことそのものだからね。つまりRNN、まあ大部分はRNNってことさ。

もう半年近くコーディングにKimiを使ってるけど、もう戻れないな。たまにClaudeも試して何か見落としてないか確認してるけど、今のところすごく満足してる。

OpenRouter経由で使ってるだけ。私のLLMの使い方はかなり限定的だから、コストはどちらにせよ大した問題じゃないしね。

なるほど、サブスクを一時停止したのは、顧客に最低限のサービス品質を保証できないかもしれないと判断したからってことか？

個人的な体験談だけど、昨日Claudeの利用上限に達しちゃったから、20ドル払ってKimiを試してみることにしたんだ。ログインして支払いをして、Kimi Codeをダウンロードし、K3を設定して「このリポジトリを調べて、ハードウェア、I/O、スレッド制御、ネットワークに関連する入力として渡せる設定をすべて探してレポートにして」とプロンプトを送った。

約12分ほど考えた末に、1日の上限に達したと言われたよ。（ちなみに翌日、Fableなら3分で終わった）

K3のプランを買うなら、20ドルのやつは買わない方がいい。

過去48時間の需要が現在のキャパシティの限界に達しました。既存の登録ユーザーのエクスペリエンスを守るため、一時的に新規登録を停止し、既存メンバーのコンピューティングリソースを優先します。既存のサブスクリプションユーザーには影響ありません。

なんて素晴らしい一文なんだろう。単なる急成長を追うのではなく、今の顧客を優先して満足度を維持することに注力する企業だね。

Googleみたいに、こっそり制限を厳しくして、月額や年額で払ってる価値が下がったことに気づかれないことを祈るようなやり方よりも、新規登録を停止する方がよっぽど清々しいね。

制限はキャパシティの制約などを含め、予告なく変更される場合があります。Geminiアプリのアクティビティが大幅に増加した場合、高い品質基準を維持するために制限を変更することがあります。 1

Siliconflow経由（普通のユーザーとしての利用以外に関係はない）でコマンドラインのPiエージェントを使って試したけど、Rustのコードリポジトリに機能追加する分にはかなりいいよ。Deepseek V4 Proと比較すると、M3はキャッシュなしの入力トークンで約3倍、出力トークンで約5倍のコストがかかる。（両方とも1Mトークンのコンテキストウィンドウを提供している）ただ、自分の用途ではDeepseekの5倍の出力価値があるかと言われると、そうではなかったね。

Siliconflowがどうやってモデルを量子化したのかの情報は見つけられなかった。他の推論サービスアグリゲーターでも、すでに提供されているところはあるかもしれないね。