Ongesensureerde Kimi K3 API
Die topvermoëvlak op die Shannon AI-poort: 'n multimodale grondslag met 2.8 biljoen parameters met visie, gereedskaproeping en 'n 262K konteks — geen weieringslaag, en die hoogste prys op ons lys. Hier is wanneer daardie prys die moeite werd is.
Kortliks
Kimi-K3-3BIT-REAP is die sterkste model wat ons bedien en die duurste: $3.83 per miljoen insettekens, $19.12 per miljoen uitvoer. Dit het visie, 'n konteks van 262,144 tekens, 16,384 tekens maksimum uitvoer, gereedskaproeping, JSON-skema-uitvoer, verstelbare reasoning_effort en stroming op al drie API-dialekte — met geen weieringslaag en geen uitvoerfiltrering nie. Die regte keuse vir langhorison-agentlopies, moeilike meerstapredenering, en beeldwerk waar fyn visuele detail saak maak. Die verkeerde keuse vir klassifikasie, onttrekking, klets, en enigiets wat jy honderdduisend keer per dag loop.
Die meeste modelkeusegidse word geskryf asof vermoë gratis is. Dit is nie. Die interessante vraag oor 'n topvlakmodel is nooit "is dit beter" nie — dit is gewoonlik — maar "is dit genoeg beter, op hierdie taak, om 'n rekening vyf keer groter as die model een sport laer te regverdig." Hierdie gids beantwoord dit met werklike rekenkunde, en sê reguit waar die goedkoper opsies wen.
01Wat Kimi K3 werklik is
Kimi K3 is Moonshot AI se vlagskip met oop gewigte, in Julie 2026 onder die Kimi K3-lisensie vrygestel — die derde geslag van 'n afstamming wat met Kimi K2 begin het, en 'n werklik nuwe argitektuur eerder as 'n fynverstelling.
Die gepubliseerde uitleg is 93 lae — 69 wat Kimi Delta Attention gebruik, 24 wat gehekte multikop-latente aandag gebruik, een dig — met 'n Stable LatentMoE-router wat 16 uit 896 eksperts per teken kies plus 2 gedeeld. Moonshot berig ongeveer 'n 2.5x verbetering in skaleringsdoeltreffendheid teenoor Kimi K2 uit daardie kombinasie. Visie is inheems eerder as vasgeboud: 'n MoonViT-V2-enkodeerder met 401M parameters voed dieselfde stam wat teks hanteer.
Die ylheidsyfer is die moeite werd om te verinnerlik: K3 aktiveer 104 miljard parameters per teken, teenoor die reikwydte van 30 tot 40 miljard vir die meeste van ons katalogus. Dit is ongeveer drie keer die rekenkunde per gegenereerde teken, en dit is die hele rede waarom hierdie model die pryslys aanvoer. Jy betaal nie vir 'n handelsmerkvlak nie — jy betaal vir GPU-sekondes.
Die afstamming, kortliks
- Kimi K2 — 1 biljoen parameters, 32 miljard aktief, 384 eksperts met 8 gerouteer per teken, voorafgeleer op 15.5 biljoen tekens met die MuonClip-optimeerder, gebou om die aandagontploffings te stop wat MoE-afrigting op daardie skaal verwoes.
- Kimi K2 Thinking — dieselfde grondslag wat geleer is om redenering met gereedskapgebruik ineen te weef, met berigte van 200 tot 300 opeenvolgende gereedskaproepe in een lopie, met 44.9% op Humanity's Last Exam met gereedskap en 60.2% op BrowseComp.
- Kimi K3 — herbou met inheemse multimodaliteit en 'n venster van 1M tekens stroomop, met kwantiseringsbewuste afrigting vanaf die toesighoudende fynverstellingstadium (MXFP4-gewigte, MXFP8-aktiverings). Dit is waarom K3 aggressiewe kompressie beter verdra as modelle wat nooit met dit in gedagte afgerig is nie.
Die deurlopende lyn is langhorison-agentskap: elke geslag is geoptimeer om oor honderde stappe heen samehangend te bly eerder as om kortantwoord-maatstawwe te wen. Dit is die vermoë wat jy koop.
02Wat "3BIT-REAP" beteken, en waarom 'n 2.8T-model dit nodig het
Die agtervoegsel op die model-ID is nie versiering nie — dit sê wat aan die gewigte gedoen is voordat hulle op ons eie GPU-tros gelaai is, en dit is die eerlike voorbehoud wat aan elke bewering hier geheg is. Begin by die rekenkunde. 'n Model met 2.8 biljoen parameters teen 16-bis-presisie is ongeveer 5.6 terabyte se gewigte. Teen 3 bisse per gewig is dit nader aan 1.05 terabyte — steeds groot, maar 'n hanteerbare ontplooiing met ruimte oor vir 'n KV-kas van 262K tekens. REAP is die tweede helfte: 'n ekspertsnoeimetode wat profileer watter eksperts die router werklik gebruik en die selde gekose eksperts voor kwantisering laat val eerder as daarna. Op 'n model wat slegs 16 uit 896 eksperts per teken routeer, is dit 'n natuurlike passing — 'n verspreiding so yl het 'n lang stert wat baie min tot werklike verkeer bydra — en om eers te snoei beteken dat die oorblywende bisbegroting op eksperts bestee word wat saak maak.
Wees eerlik oor die afruiling
Kompressie kos akkuraatheid, en nie eweredig nie. Dit wys eers in langstert-feiteherroeping en in die laaste punte van moeilike wiskundige presisie, en veel minder in instruksievolging, gereedskaproepformatering, of die struktuur van 'n lang agentiese plan. K3 se kwantiseringsbewuste afrigting is waarom hierdie bou standhou. Maar as jou werklading eenskoot-herwinning van obskure feite is, moenie aanneem dat 'n gekwantiseerde 2.8T-model 'n kleiner 8-bis-model op parametertelling alleen klop nie.
Ons katalogus gebruik drie agtervoegsels as 'n doelbewuste leer. 3BIT-REAP gaan op die grootste grondslae, waar niks anders pas nie. W4A16-AUTOROUND-REAP is 4-bis-gewigte met 16-bis-aktiverings wat met AutoRound gekwantiseer is — aangeleerde afronding wat werklike akkuraatheid terugwen bo naïewe afronding-na-naaste — plus dieselfde snoei. W8A16 is die vlak met die hoogste getrouheid, vir grondslae wat klein genoeg is om nie aggressiewe kompressie nodig te hê nie. Kortom: die agtervoegsel sê vir jou hoeveel van die oorspronklike oorleef het; die prys sê wat dit kos om te loop.
03Visie: wat beeldbegrip vir jou koop
Kimi-K3 is een van vyf modelle in ons katalogus van twaalf met visie, en die vaardigste van die vyf. Die meeste kommersiële visie-API's loop 'n klassifiseerder oor opgelaaide beelde en weier 'n breë kategorie insette voordat die model hulle ooit sien — 'n redelike verbruikersverstek en 'n ernstige struikelblok vir wettige werk. Sekuriteitsnavorsers wat uitbuitingsuitvoer skermskoot, modereringspanne wat hulle eie klassifiseerders bou, forensiese en datastel-ouditwerk, en rooispanevaluering tref almal daardie muur. Kimi-K3 het geen weieringslaag en geen filtrering op uitvoer nie.
Waar K3 se visie sy prys bo goedkoper visiemodelle verdien
- Digte diagramme en skemas — argitektuurdiagramme, netwerktopologieë, stroombane: enigiets waar die antwoord afhang van die volg van lyne en etikette eerder as die benoeming van voorwerpe.
- Klein teks in skermskote — stapelspore, terminaaluitvoer, sigbladselle. Die gaping tussen visievlakke is die wydste op leesbaarheid op klein skaal.
- Beeld binne lang teks — 'n skermskoot wat in 'n konteks van 200K tekens laat val word, waar die model moet verbind wat dit sien met wat dit vyftigduisend tekens vroeër gelees het.
- Multi-beeldvergelyking — twee weergawes van 'n gebruikerskoppelvlak, of 'n grafiek teenoor die tabel wat dit gegenereer het.
Waar dit nie sy prys verdien nie: byskrifte, alt-teks, OKH van skoon dokumente, en etiketteringspyplyne. Daardie take is opgelos teen $0.50 per miljoen insettekens — as jou beeldwerklading hoë volume is en elke item afsonderlik eenvoudig, sal Kimi-K2.6 of MiniMax-M3 antwoorde lewer wat jy nie van K3 s'n sal onderskei nie.
Beelde verbruik tekens uit dieselfde begroting van 262,144 tekens as teks en faktureer teen die insetkoers. 'n Handjievol hoëresolusie-skermskote is nie gratis nie.
04Langhorison-agentiese werk — waarvoor hierdie vlak bedoel is
As een werklading die topvlak regverdig, is dit hierdie. Kort take misluk vergewensgesind: die model kry dit verkeerd, jy merk dit op, jy probeer weer, jy het vier sekondes verloor. 'n Veertigbeurt-agent wat op beurt ses 'n verkeerde tak neem, bestee die volgende vier-en-dertig beurte daaraan om uitvoerig op 'n fout te bou, en jy kom aan die einde daarvan agter nadat jy vir elke teken tussenin betaal het. Daardie asimmetrie is waarom prys per teken hier byna die verkeerde maatstaf is. Wat saak maak, is koste per suksesvolle voltooiing, oorheers deur hoe dikwels 'n lopie weggegooi word. Moonshot se gepubliseerde syfers vir die K3-grondslag op agentiese maatstawwe:
Alle syfers is deur Moonshot berig vir die ongekwantiseerde Kimi K3-grondslag, Julie 2026. Hulle is nie metings van ons 3BIT-REAP-bou nie en ons bied hulle nie so aan nie.
Die vorm pas by waarvoor die argitektuur gebou is: BrowseComp en Terminal-Bench is gereedskaplus-maatstawwe — herhaalde siklusse van optree, waarneem, hersien. SWE Marathon teen 42.0 is die teenwig: die moeilikste langhorison-koderingsevaluering in die stel, waar selfs 'n grensmodel die meeste take misluk. "Agenties" is nie 'n opgeloste kategorie nie; ontwerp vir mislukking, watter model jy ook al kies.
Praktiese instellings vir lang lopies
K3 stel reasoning_effort beskikbaar, en hier is dit 'n werklike kostehefboom: redeneertekens faktureer as uitvoertekens, teen $19.12 per miljoen.
- Laag — gereedskaproeproutering en gestruktureerde onttrekking, waar die model tussen 'n handjievol bekende opsies kies.
- Hoog — die verstek vir werklike agentiese werk: die beplanning van 'n meerstapverandering, ontfouting vanaf 'n stapelspoor, die versoening van teenstrydige bronne.
- Maks — hou dit vir die moeilikste enkele oproep in 'n pyplyn: die plan aan die begin van 'n lopie, of die finale hersiening. 'n Lopie wat 30K redeneertekens op hoog en 90K op maks bestee, betaal 'n ekstra $1.15 vir daardie een vlaggie.
Begroot konteks ook doelbewus: ons venster is 262,144 tekens met 'n maksimum uitvoer van 16,384 tekens, en teen $3.83 per miljoen inset vermeerder 'n ongesnoeide geskiedenis — elke beurt faktureer die hele voorvoegsel weer.
05Wat "ongesensureerd" op hierdie eindpunt beteken
Elke model op die Shannon AI-poort word bedien met geen weieringslaag en geen inhoudsfiltrering op uitvoer nie. Dit maak meer saak op die topvlak, want die take wat mense na 'n topvlakmodel bring, is die waarskynlikste om 'n filter te struikel: teenstander-sekuriteitsnavorsing, ontleding van aanvalsgereedskap, ontwikkeling van modereringsklassifiseerders, dreigingsintelligensie, moeilike fiksie, en enige evaluering wat vereis dat die model die ding produseer wat jy probeer opspoor.
- Geen uitvoerklassifiseerder nie. Antwoorde word nie ná generering geskandeer en herskryf of geblokkeer nie.
- Geen insethek nie. Opdragte en beelde word nie gekeur voordat hulle die model bereik nie.
- Nie 'n ander model nie. Dit is die Kimi K3-grondslag wat bedien word sonder die laag wat gewoonlik daarvoor sit.
- Nie 'n oordrag van aanspreeklikheid nie. Om 'n weieringslaag te verwyder, skuif die oordeelsbesluit na jou — sien ons beleid vir verantwoordelike gebruik.
Daar is 'n stiller voordeel vir enigiemand wat evalueringstelsels bou: 'n ongefiltreerde model is 'n stabiele basislyn. 'n Model wat onvoorspelbaar weier, maak metings raserig, want jy kan nie 'n vermoënsgrens van 'n beleidsgrens skei nie. Hier is 'n mislukking 'n vermoënsmislukking — die enigste soort wat jy kan ontfout.
06Die prys: $3.83 in, $19.12 uit — en wanneer dit dit verdien
Dit is met 'n groot marge die duurste model op ons lys: uitvoer kos 9.6x ons vloer van $2.00 en 5.2x wat Kimi-K2.6 kos. Hier is die rekenkunde in die ope.
| Model | In / 1M | Uit / 1M | Visie | JSON-skema |
|---|---|---|---|---|
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | Ja | Ja |
| DeepSeek-V4-Pro-0813 · 3BIT-REAP | $1.95 | $3.90 | Nee | Ja |
| inkling · W4A16-AUTOROUND-REAP | $1.42 | $6.07 | Ja | Nee |
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | $0.78 | $3.67 | Ja | Ja |
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | Nee | Ja |
| MiniMax-M3 · 3BIT-REAP | $0.50 | $2.00 | Ja | Ja |
| MiMo-V2.5 · W8A16 | $0.50 | $2.00 | Ja | Ja |
Uitgesoekte rye, gerangskik volgens insetprys. Al twaalf modelle deel dieselfde konteks van 262,144 tekens, maksimum uitvoer van 16,384 tekens, stroming, gereedskaproeping en reasoning_effort. Lewendige vermoënsvlaggies is op die API-dokumentasiebladsy.
Twee uitgewerkte voorbeelde
Eerstens, 'n inset van 120,000 tekens — 'n kodebasis-storting, 'n regulatoriese indiening — wat 'n ontleding van 3,000 tekens produseer. Tweedens, 'n veertigbeurt-agentlopie: ongeveer 1.2M kumulatiewe insettekens namate konteks opbou, en 90,000 uitvoertekens insluitend redenering.
| Scenario | Kimi-K3 | Kimi-K2.6 | MiniMax-M3 |
|---|---|---|---|
| 120K in / 3K uit | $0.517 | $0.105 | $0.066 |
| 40-beurt-agentlopie | $6.32 | $1.27 | $0.78 |
K3 kos ongeveer 4.9x Kimi-K2.6 op die dokumentoproep. Vyftig sent is niks vir een keer nie; dit is $517 per dag teen 'n duisend oproepe, teenoor $105. Op die agentlopie is die verskil ongeveer $5. Pas nou die enigste toets toe wat saak maak: as die taak 'n uur van 'n ingenieur se tyd teen $100 werd is, betaal K3 vir homself die oomblik wanneer dit eerste-slag-sukses met vyf persentasiepunte verhoog — en op werklik moeilike langhorison-werk is die gaping tussen vlakke gewoonlik groter. As die taak dertig sekondes van enigiemand se tyd werd is, is dieselfde $5 onverdedigbaar.
Die reël wat ons werklik gebruik
Eskaleer na Kimi-K3 wanneer die koste daarvan dat die lopie misluk, die prysverskil oorskry om dit op die beter model te loop. Dit plaas die besluit op die waarde van die taak eerder as die prys van die teken. Hoëwaarde-, laevolume-, langhorison-, moeilik-om-te-verifieer-werk gaan na K3. Hoëvolume-, laerisiko-, maklik-herprobeerbare werk nie — hoe indrukwekkend die parametertelling ook al is.
07Kimi-K3 of 'n goedkoper eweknie?
Die twee Kimi-modelle in ons katalogus is twee sporte van een leer eerder as mededingers. Kimi-K2.6 is minder aggressief gekwantiseer — W4A16-AUTOROUND-REAP, 4-bis-gewigte met aangeleerde afronding, teenoor K3 se 3-bis — op 'n kleiner grondslag. Dit het visie, JSON-skema-uitvoer, dieselfde konteksvenster, en kos ongeveer 'n vyfde soveel.
| Taak | Gebruik | Waarom |
|---|---|---|
| Veertigbeurt-outonome agent | Kimi-K3 | Mislukking vermeerder; plankwaliteit op beurt een besluit die lopie |
| Herstrukturering op bewaarplekskaal | Kimi-K3 | Het die volle konteks samehangend vasgehou nodig, nie bloot om uit te herwin nie |
| Digte diagramme, klein skermskootteks | Kimi-K3 | Die wydste visiegaping tussen vlakke is leesbaarheid en ruimtelike redenering |
| Enkellêerwysigings, goed gespesifiseer | Kimi-K2.6 | Begrensde taak, goedkoop herprobeer, geen meetbare plafonverskil nie |
| Beeldbyskrifte op volume | MiniMax-M3 / MiMo-V2.5 | Opgelos teen $0.50 in; K3 se uitvoer is 9.6x vir dieselfde byskrif |
| Redeneerswaar maar slegs teks | DeepSeek-V4-Pro | $3.90 uitvoer teenoor $19.12 — los K3 as jy nie beelde nodig het nie |
Daardie laaste ry is die besparing wat die algemeenste gemis word. As jou taak nie beelde behels nie, kyk eers na DeepSeek-V4-Pro. Dit is ook 'n 3BIT-REAP-bou op 'n groot grondslag, sterk op moeilike redenering, en sy uitvoer kos $3.90 teenoor K3 se $19.12. 'n Groot deel van die verkeer wat na die topvlak gryp, is slegs-teks-redenering wat net so goed een ry laer bedien word.
08Om die ongesensureerde Kimi K3 API te roep
Die model word as Kimi-K3-3BIT-REAP op al drie dialekte blootgestel, met stroming op elkeen en geen vermoënsverskil tussen hulle nie — slegs draadformaat: /v1/chat/completions (OpenAI-versoenbaar), /v1/messages (Anthropic-versoenbaar), en /v1/responses. 'n Visieversoek met redeneerpoging verhoog vir 'n moeilike visuele taak:
curl https://shannon-ai.com/v1/chat/completions \
-H "Authorization: Bearer $SHANNON_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "Kimi-K3-3BIT-REAP",
"reasoning_effort": "high",
"max_tokens": 4096,
"stream": true,
"messages": [{
"role": "user",
"content": [
{ "type": "text",
"text": "Trace the data path in this diagram and list every point where an untrusted input crosses a trust boundary." },
{ "type": "image_url",
"image_url": { "url": "data:image/png;base64,..." } }
]
}]
}'K3 ondersteun sowel response_format as volle json_schema, sodat jy 'n agent se gereedskapargumente kan beperk of 'n verslag in 'n vaste vorm kan dwing sonder ontleding agterna. Gereedskaproeping is inheems en is die bedoelde manier om lang lopies te dryf. Parameters, verifikasie, tempolimiete en 'n lewendige speelplek is op die API-dokumentasiebladsy.
Drie dinge wat op dag een geld bespaar
- Snoei die voorvoegsel. Elke beurt faktureer die hele gesprek weer teen $3.83 per miljoen; om 'n geskiedenis van 40 beurte een keer in 'n toestandsvoorwerp van 4K tekens op te som, bespaar meer as die meeste modelruilings.
- Verklein beelde. Beeldtekens is insettekens; 'n 4K-skermskoot wat verklein is tot iets wat steeds leesbaar is, gee dieselfde antwoord vir minder.
- Routeer volgens moeilikheid. 'n Goedkoop model op die roetinebeurte, met K3 op die plan, die moeilike tak en die finale hersiening, is dikwels 80% van die vermoë teen 25% van die rekening.
09Gereelde vrae
Wat is die ongesensureerde Kimi K3 API?
Dit is die Kimi-K3 3BIT-REAP-model op die Shannon AI-poort: Moonshot AI se multimodale Mixture-of-Experts-grondslag met 2.8 biljoen parameters, bedien op ons eie GPU-tros met 'n konteks van 262,144 tekens, 16,384 tekens maksimum uitvoer, visie, gereedskaproeping, JSON-skema-gestruktureerde uitvoer en stroming, sonder weieringslaag en sonder filtrering op uitvoer. Dit is bereikbaar deur /v1/chat/completions, /v1/messages en /v1/responses.
Ondersteun die ongesensureerde Kimi K3 API visie?
Ja. Kimi-K3 is een van vyf modelle in ons katalogus met beeldbegrip, en dit is die vaardigste een. Jy stuur beelde op dieselfde manier as wat jy na enige OpenAI-versoenbare eindpunt sou stuur, as image_url-inhoudsdele saam met teks. Beelde verbruik konteks uit dieselfde begroting van 262,144 tekens as teks, en beeldtekens word teen die insetkoers van $3.83 per miljoen gefaktureer.
Waarom kos Kimi K3 $3.83 in en $19.12 uit terwyl ander Shannon-modelle $0.50 en $2.00 is?
Omdat die grondslag ongeveer 2.8 biljoen parameters is met 104 miljard aktief per teken, teenoor modelle met 30 tot 40 miljard aktief elders in die katalogus. Meer aktiewe parameters per teken beteken meer GPU-sekondes per teken, en die prys weerspieël die bedieningskoste eerder as 'n vermoënsbelasting. Uitvoer is 9.6x die prys van ons vloermodelle, so die beslissende vraag is of 'n hoër eerste-slag-suksessyfer op 'n lang taak ongeveer vyf keer die rekening werd is.
Is Kimi K3 dieselfde model as Kimi K2 of Kimi K2 Thinking?
Nee. Kimi K2 was 'n MoE met een biljoen parameters met 32 miljard aktiewe parameters en 384 eksperts; K2 Thinking het ineengeweefde redenering en lang gereedskaproepkettings op dieselfde grondslag bygevoeg. Kimi K3, in Julie 2026 deur Moonshot AI vrygestel, is 'n ander argitektuur: 2.8 biljoen totale parameters, 104 miljard aktief, 896 eksperts met 16 gerouteer per teken, Kimi Delta Attention, en 'n inheemse visie-enkodeerder. K2 en K3 deel 'n afstamming, nie 'n model nie.
Wanneer moet ek Kimi-K2.6 in plaas van Kimi-K3 gebruik?
Gebruik Kimi-K2.6 W4A16-AUTOROUND-REAP wanneer die taak begrens is en jy dit baie kere sou loop: klassifikasie, onttrekking, enkellêerwysigings, klets, en beeldtake waar jy meestal 'n bekwame beskrywing nodig het eerder as fyn visuele redenering. Dit het ook visie, dit is minder aggressief gekwantiseer, en dit kos $0.78 in en $3.67 uit, ongeveer 'n vyfde van K3. Eskaleer na Kimi-K3 wanneer 'n lopie lank of vertakkend is, of duur om verkeerd te kry.
Elke argitektuur- en maatstafsyfer hier word deur Moonshot AI gepubliseer of is sigbaar in hulle oop modelkaart, en beskryf die ongekwantiseerde grondslag eerder as ons 3BIT-REAP-bou. Gaan hulle self na.
Probeer die ongesensureerde Kimi K3 API
Topvermoë-agent- en visievlak. Geen weieringslaag. Betaal per teken.
Lees die API-dokumente Blaai deur Alle ModelleShannon Lab LLC · New Mexico, VSA · modelle word op ons eie GPU-tros bedien
Grondslagfeite en maatstawwe is Moonshot AI se gepubliseerde syfers vir Kimi K3 en Kimi K2 en beskryf die ongekwantiseerde stroomop-modelle; ons bou is 'n 3-bis REAP-kwantisering en sal verskil. Pryse, konteks en vermoënsvlaggies is Shannon AI se eie, geldig soos op 5 September 2026 — lewendige waardes is altyd dié wat deur /v1/models teruggegee word. Bronne: Kimi K3-modelkaart · Kimi K3-bewaarplek · Kimi K2 Thinking.