Kimi K3 vs DeepSeek V4: který otevřený model AI zvolit v roce 2026?

Na první pohled vypadají Kimi K3 a DeepSeek V4 jako dva podobné čínské modely AI. Oba nabízejí kontextové okno o velikosti přibližně jednoho milionu tokenů, používají architekturu Mixture of Experts, zaměřují se na programování a agentní práci a mají představovat alternativu k uzavřeným modelům amerických poskytovatelů.

V praxi jsou rozdíly větší, než naznačují materiály k uvedení.

DeepSeek V4 je již dostupný ve dvou hlavních variantách: V4-Pro a V4-Flash. Váhy obou modelů lze stáhnout a licence MIT dovoluje komerční použití. Kimi K3 je novější a v několika nezávislých hodnoceních výrazně silnější, ale v době posledního ověření ještě nebyly zveřejněny jeho úplné váhy. Moonshot AI oznámil jejich vydání do 27. července 2026, zatímco konečná licence ještě nebyla zveřejněna. [1][2][3]

Z toho plyne první a nejdůležitější závěr:

Pokud potřebujete model s otevřenými vahami, který lze dnes stáhnout a nasadit, DeepSeek V4 vítězí bez výhrad. Pokud používáte API a nejvíce vám záleží na kvalitě, multimodalitě a vývoji rozhraní, Kimi K3 je v současnosti silnějším kandidátem.

Nejprve důležité upřesnění: který model je skutečně otevřený?

V odvětví AI se pojmy „open source“, „otevřený model“ a „otevřené váhy“ často používají jako synonyma, přestože neznamenají totéž.

DeepSeek zveřejnil soubory modelů V4-Pro a V4-Flash pod licencí MIT. Ta umožňuje model upravovat, nasazovat a komerčně používat, pokud jsou zachovány požadované licenční informace. Neznamená to úplnou transparentnost trénovacího procesu, ale z praktického hlediska je dnes DeepSeek V4 modelem se skutečně dostupnými otevřenými vahami. [2][3]

Moonshot označuje Kimi K3 za otevřený model ve třídě přibližně tří bilionů parametrů, ale v době ověření jej bylo možné používat pouze prostřednictvím produktů a API společnosti. Úplné váhy a technická zpráva byly přislíbeny na pozdější termín. Dokud nebudou zveřejněny soubory a licence, měl by být Kimi K3 popisován jako model s oznámeným budoucím vydáním otevřených vah, nikoli jako model připravený k nezávislému nasazení. [1]

Toto rozlišení není jen slovní detail. Určuje, zda organizace může dnes:

• stáhnout model bez souhlasu poskytovatele;
• provozovat jej ve vlastní infrastruktuře;
• zmrazit konkrétní verzi;
• provádět fine-tuning nebo kvantizaci vah;
• vyhnout se budoucím změnám cen a pravidel API;
• ověřit licenci před zahájením projektu.

Rychlé porovnání

Údaje o architektuře, modalitách, limitech a cenách pocházejí z oficiálních karet modelů a dokumentace API. [1][2][4][5]

Co je Kimi K3?

Kimi K3 je nejnovější vlajkový model Moonshot AI. Má 2,8 bilionu parametrů a používá řídkou architekturu Mixture of Experts. Při generování aktivuje 16 z 896 expertů, takže nemusí pro každý token využívat celou síť. [1]

Model využívá několik technologií vyvinutých společností Moonshot:

• Kimi Delta Attention, navržené pro efektivní práci s velmi dlouhými sekvencemi;
• Attention Residuals, které selektivně získávají reprezentace z předchozích vrstev;
• Stable LatentMoE, používané pro stabilní škálování routingu expertů;
• trénink zohledňující nízkou přesnost vah a aktivací.

Moonshot tvrdí, že K3 nabízí přibližně 2,5násobnou efektivitu škálování oproti Kimi K2. Jde o tvrzení výrobce, nikoli o nezávisle potvrzený výsledek, zvláště když úplná technická zpráva ještě nebyla dostupná. [1]

K3 je zaměřen především na dlouhotrvající programování, výzkum, práci s rozsáhlými repozitáři, tvorbu rozhraní, hry a CAD projekty. Nativně přijímá obrázky a video, čímž se odlišuje od textově zaměřené rodiny DeepSeek V4. [4]

Co je DeepSeek V4?

DeepSeek V4 není jeden model, ale rodina zahrnující alespoň dvě významné varianty.

DeepSeek V4-Pro

V4-Pro má 1,6 bilionu parametrů, z nichž je během inference aktivních přibližně 49 miliard. Byl vytrénován na více než 32 bilionech tokenů a podporuje kontextové okno o velikosti jednoho milionu. DeepSeek jej určuje pro obtížné programování, uvažování, agenty a práci s nástroji. [2][3]

V4-Pro je správným konkurentem Kimi K3, pokud porovnáváme nejvýkonnější model obou společností.

DeepSeek V4-Flash

V4-Flash má 284 miliard parametrů, z nichž je aktivních přibližně 13 miliard. Je slabší než V4-Pro, ale mnohem jednodušší a levnější na provoz. Nadále nabízí kontextové okno jednoho milionu tokenů, stažitelné váhy a stejnou licenci MIT. [2][3]

Pro běžnou firmu může být Flash relevantnější než Pro. Hodí se pro routing jednoduchých úloh, hromadnou klasifikaci, extrakci, méně náročné generování kódu a provoz mnoha paralelních agentů bez nákladů frontier modelu.

Co ukazují nezávislé benchmarky?

Nejužitečnější současné porovnání pochází od Artificial Analysis, která hodnotí modely konzistentní sadou testů zahrnujících uvažování, znalosti, programování, práci v terminálu a profesionální úlohy.

Kimi vede v agregovaném indexu o 13 bodů, což je značný rozdíl. Nejde o malou odchylku v jediném benchmarku: v aktuální nezávislé sadě je Kimi jasně silnějším obecným modelem. [6][7]

DeepSeek odpovídá cenou. Provedení stejné třídy hodnocení stálo přibližně 15,3krát méně, přestože DeepSeek vygeneroval více výstupních tokenů. To ukazuje, jak agresivní je jeho cenová politika. [6][7]

Důležité také je, že rychlost generování po zahájení odpovědi byla téměř stejná. DeepSeek nezískal cenovou výhodu desetkrát nižší propustností. Největší rozdíly se týkají kvality a počtu tokenů nutných k dokončení úlohy. [6][7]

Co ukazují žebříčky Arena?

V textovém žebříčku Arena ze 16. července měl Kimi K3 předběžné skóre přibližně 1486 a byl v první desítce. DeepSeek V4-Pro a jeho thinking varianta dosahovaly přibližně 1456-1458 bodů a byly výrazně níže. Výsledek Kimi byl ale označen jako předběžný a vycházel z menšího počtu hlasů, takže rozdíl v pořadí nelze považovat za konečný. [8][9]

Ve WebDev Arena byl rozdíl větší. Kimi K3 byl předběžně první s přibližně 1679 body, zatímco DeepSeek V4-Pro-thinking se nacházel výrazně níže s přibližně 1459 body. Tento žebříček je důležitý pro weby a rozhraní, protože hodnotí vizuální výsledek, nikoli jen textovou správnost odpovědi. [10][11]

Výsledek odpovídá schopnostem modelů. Kimi může prohlížet screenshoty a iterovat podle obrázku. DeepSeek V4 je textový model, takže podobný proces vyžaduje další vrstvu vizuálního popisu nebo externí vision model.

Programování: který model je lepší?

V současnosti neexistuje jediná nezávislá a dokonale kontrolovaná sada, která by porovnávala Kimi K3 a DeepSeek V4 ve všech stejných programovacích agentních harnessech.

Moonshot zveřejňuje pro Kimi mimo jiné 67,5 v DeepSWE, 88,3 v Terminal-Bench 2.1, 81,2 ve FrontierSWE a 42,0 v SWE Marathon. DeepSeek uvádí pro V4-Pro Max 80,6 v SWE-bench Verified, 55,4 v SWE-bench Pro, 67,9 v Terminal-Bench 2.0 a 93,5 v LiveCodeBench. Tato čísla nelze seřadit do jednoduché tabulky vítěz-poražený, protože pocházejí z různých verzí benchmarků, agentů, limitů a metodik. [1][2]

Bezpečnější závěr vychází z nezávislých evaluací a charakteru modelů.

Kimi K3 bude obvykle lepší, když:

• úloha zahrnuje frontend nebo rozhraní hodnocené podle screenshotů;
• agent musí analyzovat obrázky nebo nahrávky;
• je potřeba nejvyšší kvalita z těchto dvou modelů;
• model pracuje na obtížné úloze mnoho hodin;
• cena je důležitá, ale není hlavním omezením;
• firma zatím nepotřebuje vlastní nasazení vah.

DeepSeek V4-Pro bude obvykle lepší, když:

• úloha je převážně textová a kódová;
• rozpočet vyžaduje mnoho pokusů;
• mnoho agentů musí běžet paralelně;
• chcete používat Claude Code bez cen modelů Anthropic;
• potřebujete zmrazit a samostatně udržovat konkrétní verzi modelu;
• potřebujete režim bez uvažování pro jednoduché operace.

DeepSeek V4-Flash bude obvykle lepší, když:

• prioritou je propustnost;
• zpracováváte velké množství opakovaných úloh;
• budujete levnou vrstvu pomocných agentů;
• hledáte realističtější variantu pro self-hosting;
• nepotřebujete kvalitu Kimi nebo V4-Pro u každého požadavku.

Agenti a používání nástrojů

DeepSeek V4 podporuje volání nástrojů, výstupy JSON, prefix completion a dlouhé odpovědi až do 384 000 tokenů. API nabízí režim bez uvažování, high a max. Dokumentace upozorňuje, že při používání nástrojů v thinking režimu musí aplikace v dalších požadavcích vracet reasoning_content; jeho vynechání může způsobit chybu HTTP 400. [5]

DeepSeek také nabízí kompatibilitu s Anthropic API a oficiální návod k připojení V4 ke Claude Code. Společnost přímo mapuje názvy modelů a proměnné prostředí, zatímco webové vyhledávání může v tomto prostředí fungovat prostřednictvím API DeepSeek. [12]

Kimi rovněž podporuje function calling, tool_choice, JSON Schema, dynamické načítání nástrojů, streaming a automatické cachování. Stejně jako DeepSeek však vyžaduje zachování úplné historie zpráv asistenta souvisejících s uvažováním. Moonshot varuje, že odstranění těchto zpráv nebo změna modelu během relace může snížit stabilitu. [4][13]

V době ověření bylo oficiální webové vyhledávání Kimi aktualizováno a nebylo doporučeno pro produkci. DeepSeek proto měl v této oblasti praktičtější integraci, zejména pro uživatele Claude Code. [4][12]

Řízení uvažování

Tato část porovnání jasně vychází lépe pro DeepSeek.

DeepSeek V4 může fungovat:

• bez uvažování;
• s reasoning_effort="high";
• s reasoning_effort="max".

Dokumentace zachovává kompatibilitu s dalšími názvy: low a medium jsou mapovány na high, zatímco xhigh na max. U složitých agentních úloh, jako jsou relace Claude Code, může API automaticky zvolit maximální úsilí. [5]

Kimi K3 má uvažování trvale zapnuté a při uvedení podporoval pouze:

reasoning_effort="max"

Moonshot oznámil režimy s nižším úsilím, ale ty ještě nebyly dostupné. [4]

U obtížného problému to nemusí být nevýhoda. U jednoduchých transformací, klasifikací, krátkých odpovědí nebo hromadného routingu však dochází k zbytečné spotřebě tokenů a nelze přizpůsobit chování hodnotě úlohy.

Obrázky, dokumenty a video

Kimi K3 má výhodu, kterou nelze vyrovnat pouze cenou za token: je multimodální.

Oficiální API přijímá text, obrázky a videosoubory. Stejný model tak může analyzovat kód, prohlédnout screenshot aplikace, určit rozdíly oproti designu a následně provést opravy. Může také pracovat s videem bez ručního extrahování snímků a jejich posílání do samostatného modelu. [4]

DeepSeek V4-Pro a V4-Flash jsou popisovány jako textové modely. Multimodální workflow lze kolem nich vytvořit, ale vyžaduje další vision model, OCR, přepis nebo vlastní vrstvu extrakce. [2][7]

Pro backend, skripty, analýzu repozitáře a terminálové agenty to nemusí být podstatné. Pro frontend, vizuální QA, mobilní aplikace, hry a analýzu videa jde o jeden z nejdůležitějších rozdílů.

Porovnání cen API

Podle oficiálních cen je vstup V4-Pro přibližně 6,9krát levnější než vstup Kimi a výstup přibližně 17,2krát levnější. Čtení z cache je přibližně 82,8krát levnější. V4-Flash rozdíl ještě zvětšuje. [5][14]

Příklad 1: úloha nad repozitářem

Předpoklady:

• 100 000 vstupních tokenů bez cache;
• 10 000 výstupních tokenů.

V4-Pro je v tomto příkladu přibližně 8,6krát levnější než Kimi. Flash stojí méně než čtyři centy i po několika podobných pokusech.

Příklad 2: velký kontext z cache

Předpoklady:

• 500 000 vstupních tokenů z cache;
• 20 000 výstupních tokenů.

U dlouhého prefixu, který se často opakuje, je rozdíl v nákladech obrovský.

Chování modelů je stále důležité. V evaluaci Artificial Analysis vygeneroval DeepSeek přibližně 180 milionů výstupních tokenů a Kimi přibližně 130 milionů. DeepSeek byl rozvláčnější, ale nadále zůstal výrazně levnější. [6][7]

Self-hosting a hardwarové požadavky

Otevřené váhy neznamenají, že model poběží na výkonném kancelářském počítači.

DeepSeek V4-Pro má celkem 1,6 bilionu parametrů, přestože během inference je aktivních přibližně 49 miliard. Úplné váhy, paměť, routing expertů, komunikace mezi zařízeními a cache pro milionový kontext vyžadují distribuovanou infrastrukturu. Oficiální karta obsahuje instrukce pro serving, ale praktické nasazení Pro zůstává projektem pro organizace s více akcelerátory. [2][3]

V4-Flash s 284 miliardami celkových parametrů a přibližně 13 miliardami aktivních je mnohem realističtějším kandidátem pro vlastní infrastrukturu. Stále nejde o model pro notebook, ale náklady na hardware a propustnost budou lépe zvládnutelné než u V4-Pro.

Kimi K3 je ještě větší. Moonshot doporučuje supernode konfigurace s nejméně 64 akcelerátory. I po vydání vah bude vlastní nasazení dávat smysl hlavně hyperscalerům, velkým laboratořím a poskytovatelům infrastruktury. [1]

Pro většinu firem by „self-hosting“ měl spíše znamenat:

• využití specializovaného poskytovatele inference;
• pronájem clusteru po dobu daného workloadu;
• nasazení menšího V4-Flash;
• směrování nejtěžších úloh do externího API.

Soukromí a umístění dat

Vlastní nasazení DeepSeek V4 poskytuje největší kontrolu nad daty, ale pouze pokud organizace skutečně spravuje infrastrukturu, logy, zálohy a administrátorské přístupy.

Při používání oficiálního API zásady ochrany soukromí DeepSeek uvádějí, že společnost shromažďuje prompty, soubory, obrázky a historii konverzací, může data používat ke zlepšování a trénování technologie a zpracovává osobní údaje v Čínské lidové republice. Zásady rovněž popisují možnost vznést námitku proti použití k tréninku. [15]

Zásady platformy Kimi uvádějí, že obsah uživatele může být použit k vývoji a zlepšování technologie a data jsou uložena na zabezpečených serverech v Singapuru. Doba uchování závisí například na typu dat, aktivitě účtu a právních povinnostech. [16]

Žádné obecné zásady ochrany soukromí nenahrazují podnikovou smlouvu. Před odesláním zdrojového kódu, obchodních tajemství nebo zákaznických dat by organizace měla získat písemné podmínky týkající se:

• využití k tréninku;
• možností opt-out;
• uchovávání a mazání;
• regionu zpracování;
• subdodavatelů;
• reakce na incidenty;
• souladu s interními požadavky.

Omezení Kimi K3

Největší současnou slabinou Kimi je, že oznámenou otevřenost zatím nelze ověřit. Není známa konečná licence, úplnost vydání ani podmínky používání vah.

Model má také tři praktická omezení:

1. v současnosti funguje pouze s maximálním úsilím uvažování;
2. je citlivý na ztrátu úplné historie zpráv souvisejících s uvažováním;
3. může být příliš proaktivní a při nejednoznačných instrukcích přijímat neschválená rozhodnutí. [4][13]

Kimi je také mnohem dražší než DeepSeek a jeho kvalitativní výhoda není potřeba pro každý workload. Používat jej pro jednoduchý parsing, klasifikaci nebo generování kódu ze šablon může být ekonomicky nerozumné.

Omezení DeepSeek V4

DeepSeek V4-Pro je v nezávislém agregovaném indexu jednoznačně slabší než Kimi K3. Rozdíl byl ještě větší v žebříčku WebDev a absence nativního vstupu obrázků a videa omezuje jeho použitelnost ve vizuálních workflow. [6][7][10][11]

Model je také velmi rozvláčný. V evaluaci Artificial Analysis vytvořil přibližně 180 milionů výstupních tokenů, více než Kimi. Nízké ceny znamenají, že stále zůstává levný, ale delší trajektorie mohou zvýšit latenci, objem logů a čas lidské kontroly. [7]

Agentní integrace musí správně zachovávat reasoning_content. Chybná práce s historií může přerušit volání nástroje. [5]

Otevřené váhy také automaticky neřeší bezpečnost. Organizace, která model provozuje sama, přebírá odpovědnost za izolaci nástrojů, aktualizace, filtry, monitoring, řízení přístupu a ochranu dat.

Který model zvolit?

Zvolte Kimi K3, pokud:

• potřebujete nejvyšší kvalitu z porovnávaných modelů;
• vyvíjíte frontend, aplikace, hry nebo CAD nástroje;
• agent musí analyzovat screenshoty nebo video;
• používáte API a zatím nepotřebujete vlastní váhy;
• jednotlivá úloha má takovou hodnotu, že cena modelu není dominantní;
• můžete důkladně testovat autonomní akce.

Zvolte DeepSeek V4-Pro, pokud:

• potřebujete skutečně dostupné otevřené váhy;
• záleží na licenci MIT a komerčním použití;
• budujete textové a programovací agenty ve velkém měřítku;
• chcete radikálně snížit náklady API;
• plánujete integraci s Claude Code nebo klientem ve formátu Anthropic;
• potřebujete režim bez uvažování a větší kontrolu nad úsilím;
• akceptujete nižší obecnou kvalitu než u Kimi.

Zvolte DeepSeek V4-Flash, pokud:

• cena a propustnost jsou nejvyšší prioritou;
• zpracováváte velké množství rutinních úloh;
• budujete multimodelový systém;
• hledáte praktičtější variantu vlastního nasazení;
• obtížné případy lze eskalovat na V4-Pro, Kimi nebo jiný model.

Zvažte routing mezi více modely

Nejrozumnější architektura nemusí používat jeden model pro každý úkol.

Příklad routingu:

• V4-Flash zpracovává klasifikaci, extrakci, jednoduché opravy a pomocné agenty;
• V4-Pro zpracovává obtížnější textovou a programátorskou práci;
• Kimi K3 přebírá frontend, obrázky, video a nejtěžší případy;
• citlivá data zůstávají ve vlastním nasazení DeepSeek;
• méně citlivá práce může používat externí API.

Tento přístup využívá přednosti Kimi bez placení jeho ceny za každý požadavek.

Verdikt

Otázka v názvu má dvě různé odpovědi.

Nejlepším otevřeným modelem, který lze dnes nasadit, je DeepSeek V4. Má dostupné váhy, licenci MIT, velmi levné API, variantu Pro pro obtížné úlohy a Flash pro škálování. Nabízí také vyspělou kompatibilitu s formáty OpenAI a Anthropic, nastavitelné úrovně uvažování a oficiální integraci s Claude Code. [2][3][5][12]

Silnějším modelem při použití přes API je Kimi K3. Vede v nezávislém Artificial Analysis Intelligence Index, dosahuje lepších výsledků v aktuálních žebříčcích Arena, podporuje obrázky a video a je zvláště silný ve vizuálním vývoji rozhraní. [4][6][8][10]

Kimi se po vydání vah může stát mimořádně zajímavým otevřeným modelem. Rozhodnutí o infrastruktuře by ale nemělo stát pouze na oznámení. Je třeba počkat na soubory, licenci, technickou zprávu a první nezávislé testy nasazení.

K 17. červenci 2026 je doporučení jednoduché:

• DeepSeek V4-Pro, pokud potřebujete vlastní váhy, nízkou cenu a silný textový model;
• DeepSeek V4-Flash, pokud budujete levný systém ve velkém měřítku;
• Kimi K3, pokud jsou kvalita, frontend, obrázky a video důležitější než úplná otevřenost a cena.

Nejlepší rozhodnutí stále poskytne test na skutečných úlohách. Obecný benchmark neukáže, jak model zvládá konvence konkrétního repozitáře, firemní datové formáty, systém oprávnění nebo náklady lidského ověřování.

Zdroje

1. Moonshot AI, Kimi K3: Open Frontier Intelligence
2. DeepSeek, oficiální oznámení DeepSeek V4
3. DeepSeek AI, karta DeepSeek V4 na Hugging Face
4. Kimi API Platform, Kimi K3 Quickstart
5. DeepSeek API Docs, modely, ceny a režimy uvažování
6. Artificial Analysis, hodnocení Kimi K3
7. Artificial Analysis, hodnocení DeepSeek V4 Pro Max
8. Arena, textový žebříček a skóre Kimi K3
9. Arena, textový žebříček a skóre DeepSeek V4
10. Arena, žebříček WebDev a skóre Kimi K3
11. Arena, žebříček WebDev a skóre DeepSeek V4
12. DeepSeek API Docs, integrace s Claude Code
13. Moonshot AI, omezení a doporučení Kimi K3
14. Kimi API Platform, ceny Kimi K3
15. DeepSeek, Privacy Policy
16. Kimi OpenPlatform, Privacy Policy