L'API de Kimi K3 sense censura
El nivell més capaç de la passarel·la de Shannon AI: una base multimodal de 2,8 bilions de paràmetres amb visió, crides a eines i 262K de context — sense cap capa de refús, i amb el preu més alt de la nostra llista. Aquí tens quan val la pena pagar-lo.
TL;DR
Kimi-K3-3BIT-REAP és el model més potent que servim i el més car: 3,83 $ per milió de tokens d'entrada, 19,12 $ per milió de sortida. Té visió, un context de 262.144 tokens, una sortida màxima de 16.384 tokens, crides a eines, sortida amb esquema JSON, reasoning_effort ajustable i streaming als tres dialectes d'API — sense cap capa de refús ni filtratge de la sortida. És l'elecció correcta per a execucions agèntiques d'horitzó llarg, raonament difícil de diversos passos i feina d'imatge on el detall visual fi importa. És l'elecció equivocada per a classificació, extracció, xat i qualsevol cosa que executis cent mil vegades al dia.
La majoria de guies de selecció de models estan escrites com si la capacitat fos gratuïta. No ho és. La pregunta interessant sobre un model de primer nivell mai no és «és millor» — normalment ho és —, sinó «és prou millor, en aquesta tasca, per justificar una factura cinc vegades més gran que la del model d'un esglaó més avall». Aquesta guia ho respon amb aritmètica real, i diu clarament on guanyen les opcions més barates.
01Què és realment Kimi K3
Kimi K3 és el model insígnia de pesos oberts de Moonshot AI, publicat el juliol de 2026 sota la Kimi K3 License — la tercera generació d'un llinatge que va començar amb Kimi K2, i una arquitectura genuïnament nova i no un ajust fi.
La disposició publicada és de 93 capes — 69 amb Kimi Delta Attention, 24 amb atenció latent multicap amb portes i una de densa — amb un router Stable LatentMoE que selecciona 16 de 896 experts per token més 2 de compartits. Moonshot informa d'una millora aproximada de 2,5× en eficiència d'escalat respecte de Kimi K2 gràcies a aquesta combinació. La visió és nativa i no afegida: un codificador MoonViT-V2 de 401M de paràmetres alimenta el mateix tronc que gestiona el text.
La xifra d'esparsitat val la pena interioritzar-la: K3 activa 104.000 milions de paràmetres per token, contra el rang de 30.000 a 40.000 milions de la major part del nostre catàleg. Això és aproximadament el triple d'aritmètica per token generat, i és tota la raó per la qual aquest model encapçala la llista de preus. No pagues per un nivell de marca — pagues per GPU-segons.
El llinatge, en breu
- Kimi K2 — un bilió de paràmetres, 32.000 milions actius, 384 experts amb 8 encaminats per token, preentrenat amb 15,5 bilions de tokens fent servir l'optimitzador MuonClip, construït per aturar les explosions d'atenció que arruïnen l'entrenament de MoE a aquesta escala.
- Kimi K2 Thinking — la mateixa base ensenyada a intercalar raonament amb ús d'eines, amb de 200 a 300 crides a eines seqüencials sostingudes en una sola execució segons el que s'ha reportat, amb un 44,9% a Humanity's Last Exam amb eines i un 60,2% a BrowseComp.
- Kimi K3 — reconstruït amb multimodalitat nativa i una finestra d'1M de tokens a l'origen, amb entrenament conscient de la quantització des de l'etapa d'ajust fi supervisat en endavant (pesos MXFP4, activacions MXFP8). Per això K3 tolera la compressió agressiva millor que els models que mai no s'han entrenat pensant-hi.
El fil conductor és l'agència d'horitzó llarg: cada generació s'ha optimitzat per mantenir-se coherent al llarg de centenars de passos i no per guanyar proves de resposta curta. Aquesta és la capacitat que compres.
02Què vol dir «3BIT-REAP» i per què un model de 2,8T el necessita
El sufix de l'id del model no és decoració — diu què s'ha fet als pesos abans de carregar-los al nostre propi clúster de GPU, i és la matisació honesta adjunta a cada afirmació d'aquí. Comença per l'aritmètica. Un model de 2,8 bilions de paràmetres amb precisió de 16 bits són uns 5,6 terabytes de pesos. A 3 bits per pes s'acosta a 1,05 terabytes — encara gran, però un desplegament abordable amb marge per a una memòria cau KV de 262K tokens. REAP és la segona meitat: un mètode de poda d'experts que perfila quins experts fa servir realment el router i elimina els seleccionats poques vegades abans de quantitzar i no després. En un model que encamina només 16 de 896 experts per token això encaixa de manera natural — una distribució tan esparsa té una cua llarga que aporta molt poc al trànsit real — i podar primer vol dir que el pressupost de bits restant es gasta en els experts que importen.
Sigues honest sobre la contrapartida
La compressió costa exactitud, i no de manera uniforme. Es nota primer en la memorització de fets de cua llarga i en els últims punts de precisió en matemàtiques difícils, i molt menys en el seguiment d'instruccions, el format de les crides a eines o l'estructura d'un pla agèntic llarg. L'entrenament conscient de la quantització de K3 és la raó per la qual aquesta compilació aguanta. Però si la teva càrrega de treball és recuperar fets obscurs d'un sol tret, no donis per fet que un model de 2,8T quantitzat guanya un de més petit a 8 bits només pel nombre de paràmetres.
El nostre catàleg fa servir tres sufixos com una escala deliberada. 3BIT-REAP va a les bases més grans, on no hi cap res més. W4A16-AUTOROUND-REAP són pesos de 4 bits amb activacions de 16 bits quantitzats amb AutoRound — arrodoniment après que recupera exactitud real respecte de l'arrodoniment ingenu al més proper — més la mateixa poda. W8A16 és el nivell de màxima fidelitat, per a bases prou petites per no necessitar compressió agressiva. En resum: el sufix et diu quant ha sobreviscut de l'original; el preu et diu què costa executar-lo.
03Visió: què et compra la comprensió d'imatges
Kimi-K3 és un dels cinc models amb visió del nostre catàleg de dotze, i el més capaç dels cinc. La majoria d'API comercials de visió passen un classificador per sobre de les imatges pujades i rebutgen una categoria àmplia d'entrades abans que el model les vegi — un valor per defecte raonable per al consum i un obstacle seriós per a la feina legítima. Els investigadors de seguretat que capturen sortides d'exploits, els equips de moderació que construeixen els seus propis classificadors, la feina forense i d'auditoria de conjunts de dades i l'avaluació d'equips vermells topen tots amb aquest mur. Kimi-K3 no té cap capa de refús ni cap filtratge de la sortida.
On la visió de K3 es guanya el preu respecte de models de visió més barats
- Diagrames i esquemes densos — diagrames d'arquitectura, topologies de xarxa, circuits: qualsevol cosa on la resposta depengui de seguir línies i etiquetes i no d'anomenar objectes.
- Text petit en captures de pantalla — traces de pila, sortida de terminal, cel·les de full de càlcul. La distància entre nivells de visió és més gran en la llegibilitat a escala petita.
- Imatge dins de text llarg — una captura de pantalla deixada dins d'un context de 200K tokens, on el model ha de relacionar el que veu amb el que ha llegit cinquanta mil tokens abans.
- Comparació de diverses imatges — dues versions d'una interfície, o un gràfic contra la taula que el va generar.
On no es guanya el preu: peus de foto, text alternatiu, OCR de documents nets i canonades d'etiquetatge. Això està resolt a 0,50 $ per milió de tokens d'entrada — si la teva càrrega d'imatges és d'alt volum i cada element és senzill individualment, Kimi-K2.6 o MiniMax-M3 produeixen respostes que no distingiràs de les de K3.
Les imatges consumeixen tokens del mateix pressupost de 262.144 tokens que el text i es facturen a la tarifa d'entrada. Un grapat de captures de pantalla d'alta resolució no són gratuïtes.
04Feina agèntica d'horitzó llarg — per a això és aquest nivell
Si hi ha una càrrega de treball que justifica el nivell superior, és aquesta. Les tasques curtes fallen de manera indulgent: el model s'equivoca, te n'adones, ho tornes a provar i has perdut quatre segons. Un agent de quaranta torns que agafa una branca equivocada al torn sis es passa els trenta-quatre torns següents construint elaboradament sobre un error, i te n'assabentes al final havent pagat cada token del camí. Aquesta asimetria és la raó per la qual el preu per token aquí està a prop de ser la mètrica equivocada. El que importa és el cost per compleció reeixida, dominat per la freqüència amb què una execució s'ha de llençar. Les xifres publicades per Moonshot per a la base K3 en proves agèntiques:
Totes les xifres les reporta Moonshot per a la base Kimi K3 sense quantitzar, juliol de 2026. No són mesures de la nostra compilació 3BIT-REAP i no les presentem com a tals.
La forma coincideix amb allò per a què es va construir l'arquitectura: BrowseComp i Terminal-Bench són proves de bucle d'eines — cicles repetits d'actuar, observar i revisar. SWE Marathon amb un 42,0 és el contrapès: l'avaluació de programació d'horitzó llarg més difícil del conjunt, on fins i tot un model de frontera falla la majoria de tasques. «Agèntic» no és una categoria resolta; dissenya pensant en la fallada, triïs el model que triïs.
Paràmetres pràctics per a execucions llargues
K3 exposa reasoning_effort, i aquí és una palanca de cost real: els tokens de raonament es facturen com a tokens de sortida, a 19,12 $ per milió.
- Low — encaminament de crides a eines i extracció estructurada, on el model tria entre un grapat d'opcions conegudes.
- High — el valor per defecte per a la feina agèntica real: planificar un canvi de diversos passos, depurar a partir d'una traça de pila, conciliar fonts contradictòries.
- Max — reserva'l per a la crida més difícil d'una canonada: el pla al principi d'una execució, o la revisió final. Una execució que gasta 30K tokens de raonament amb high i 90K amb max paga 1,15 $ de més per aquest sol indicador.
Pressuposta el context també deliberadament: la nostra finestra és de 262.144 tokens amb una sortida màxima de 16.384 tokens, i a 3,83 $ per milió d'entrada un historial sense podar s'acumula — cada torn torna a facturar tot el prefix.
05Què vol dir «sense censura» en aquest extrem
Tots els models de la passarel·la de Shannon AI se serveixen sense cap capa de refús ni filtratge de contingut a la sortida. Importa més al nivell superior, perquè les tasques que la gent porta a un model de primer nivell són les que més probablement faran saltar un filtre: recerca adversària en seguretat, anàlisi d'eines ofensives, desenvolupament de classificadors de moderació, intel·ligència d'amenaces, ficció difícil i qualsevol avaluació que requereixi que el model produeixi allò mateix que intentes detectar.
- Cap classificador de sortida. Les respostes no s'escanegen per reescriure-les o bloquejar-les després de generar-les.
- Cap porta d'entrada. Els prompts i les imatges no es filtren abans d'arribar al model.
- No és un model diferent. És la base Kimi K3 servida sense la capa que normalment s'hi posa al davant.
- No és una transferència de responsabilitat. Treure una capa de refús trasllada el judici a tu — vegeu la nostra política d'ús responsable.
Hi ha un benefici més discret per a qui construeix sistemes d'avaluació: un model sense filtrar és una línia de base estable. Un model que refusa de manera imprevisible fa sorolloses les mesures, perquè no pots separar un límit de capacitat d'un límit de política. Aquí una fallada és una fallada de capacitat — l'única mena que pots depurar.
06El preu: 3,83 $ d'entrada, 19,12 $ de sortida — i quan s'ho val
Aquest és el model més car de la nostra llista amb diferència: la sortida costa 9,6× el nostre terra de 2,00 $ i 5,2× el que costa Kimi-K2.6. Aquí tens l'aritmètica a la vista.
| Model | Entrada / 1M | Sortida / 1M | Visió | Esquema JSON |
|---|---|---|---|---|
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | Sí | Sí |
| DeepSeek-V4-Pro-0813 · 3BIT-REAP | $1.95 | $3.90 | No | Sí |
| inkling · W4A16-AUTOROUND-REAP | $1.42 | $6.07 | Sí | No |
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | $0.78 | $3.67 | Sí | Sí |
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | No | Sí |
| MiniMax-M3 · 3BIT-REAP | $0.50 | $2.00 | Sí | Sí |
| MiMo-V2.5 · W8A16 | $0.50 | $2.00 | Sí | Sí |
Files seleccionades, ordenades per preu d'entrada. Els dotze models comparteixen el mateix context de 262.144 tokens, la mateixa sortida màxima de 16.384 tokens, streaming, crides a eines i reasoning_effort. Els indicadors de capacitat en viu són a la pàgina de documentació de l'API.
Dos exemples treballats
Primer, una entrada de 120.000 tokens — un bolcat de base de codi, una presentació reguladora — que produeix una anàlisi de 3.000 tokens. Segon, una execució d'agent de quaranta torns: aproximadament 1,2M de tokens d'entrada acumulats a mesura que s'acumula el context, i 90.000 tokens de sortida incloent-hi el raonament.
| Escenari | Kimi-K3 | Kimi-K2.6 | MiniMax-M3 |
|---|---|---|---|
| 120K d'entrada / 3K de sortida | $0.517 | $0.105 | $0.066 |
| Execució d'agent de 40 torns | $6.32 | $1.27 | $0.78 |
K3 costa aproximadament 4,9× el que costa Kimi-K2.6 a la crida del document. Cinquanta cèntims no són res una vegada; són 517 $ al dia amb mil crides, contra 105 $. A l'execució d'agent la diferència és d'uns 5 $. Ara aplica l'única prova que importa: si la tasca val una hora del temps d'un enginyer a 100 $, K3 es paga sola en el moment que apuja l'èxit a la primera en cinc punts percentuals — i en feina genuïnament difícil d'horitzó llarg la distància entre nivells sol ser més gran. Si la tasca val trenta segons del temps de qualsevol, aquests mateixos 5 $ són indefensables.
La regla que fem servir de debò
Escala a Kimi-K3 quan el cost que fracassi l'execució supera la diferència de preu d'executar-la al model millor. Això posa la decisió sobre el valor de la tasca i no sobre el preu del token. La feina d'alt valor, poc volum, horitzó llarg i difícil de verificar va a K3. La feina d'alt volum, poc en joc i fàcil de reintentar, no — per impressionant que sigui el nombre de paràmetres.
07Kimi-K3 o un germà més barat?
Els dos models Kimi del nostre catàleg són dos esglaons d'una mateixa escala i no competidors. Kimi-K2.6 està quantitzat menys agressivament — W4A16-AUTOROUND-REAP, pesos de 4 bits amb arrodoniment après, contra els 3 bits de K3 — sobre una base més petita. Té visió, sortida amb esquema JSON, la mateixa finestra de context i costa aproximadament una cinquena part.
| Tasca | Fes servir | Per què |
|---|---|---|
| Agent autònom de quaranta torns | Kimi-K3 | La fallada s'acumula; la qualitat del pla al primer torn decideix l'execució |
| Refactorització a escala de repositori | Kimi-K3 | Cal mantenir tot el context de manera coherent, no només recuperar-ne trossos |
| Diagrames densos, text petit en captures | Kimi-K3 | La distància de visió més gran entre nivells és la llegibilitat i el raonament espacial |
| Edicions d'un sol fitxer, ben especificades | Kimi-K2.6 | Tasca acotada, reintent barat, cap diferència de sostre mesurable |
| Peus de foto a gran volum | MiniMax-M3 / MiMo-V2.5 | Resolt a 0,50 $ d'entrada; la sortida de K3 és 9,6× pel mateix peu de foto |
| Molt raonament però només text | DeepSeek-V4-Pro | 3,90 $ de sortida contra 19,12 $ — deixa K3 si no necessites imatges |
Aquesta última fila és l'estalvi que més sovint es passa per alt. Si la teva tasca no involucra imatges, mira't DeepSeek-V4-Pro primer. També és una compilació 3BIT-REAP sobre una base gran, forta en raonament difícil, i la seva sortida costa 3,90 $ contra els 19,12 $ de K3. Bona part del trànsit que va a buscar el nivell superior és raonament només de text que se serveix igual de bé una fila més avall.
08Com cridar l'API de Kimi K3 sense censura
El model s'exposa com a Kimi-K3-3BIT-REAP als tres dialectes, amb streaming a cadascun i sense cap diferència de capacitat entre ells — només de format de transport: /v1/chat/completions (compatible amb OpenAI), /v1/messages (compatible amb Anthropic) i /v1/responses. Una petició amb visió i esforç de raonament apujat per a una tasca visual difícil:
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 admet tant response_format com json_schema complet, així que pots restringir els arguments d'eina d'un agent o forçar un informe a una forma fixa sense analitzar-lo després. Les crides a eines són natives i són la manera prevista de conduir execucions llargues. Els paràmetres, l'autenticació, els límits de freqüència i un espai de proves en viu són a la pàgina de documentació de l'API.
Tres coses que estalvien diners des del primer dia
- Poda el prefix. Cada torn torna a facturar tota la conversa a 3,83 $ per milió; resumir un historial de 40 torns en un objecte d'estat de 4K tokens una sola vegada estalvia més que la majoria de canvis de model.
- Redueix la mida de les imatges. Els tokens d'imatge són tokens d'entrada; una captura 4K redimensionada a alguna cosa encara llegible dona la mateixa resposta per menys.
- Encamina per dificultat. Un model barat als torns rutinaris, amb K3 al pla, a la branca difícil i a la revisió final, sovint és el 80% de la capacitat pel 25% de la factura.
09Preguntes freqüents
Què és l'API de Kimi K3 sense censura?
És el model Kimi-K3 3BIT-REAP a la passarel·la de Shannon AI: la base Mixture-of-Experts multimodal de 2,8 bilions de paràmetres de Moonshot AI, servida al nostre propi clúster de GPU amb un context de 262.144 tokens, una sortida màxima de 16.384 tokens, visió, crides a eines, sortida estructurada amb esquema JSON i streaming, sense cap capa de refús i sense cap filtratge aplicat a la sortida. És accessible mitjançant /v1/chat/completions, /v1/messages i /v1/responses.
L'API de Kimi K3 sense censura admet visió?
Sí. Kimi-K3 és un dels cinc models del nostre catàleg amb comprensió d'imatges, i és el més capaç dels cinc. Envies les imatges igual que ho faries a qualsevol extrem compatible amb OpenAI, com a parts de contingut image_url al costat del text. Les imatges consumeixen context del mateix pressupost de 262.144 tokens que el text, i els tokens d'imatge es facturen a la tarifa d'entrada de 3,83 $ per milió.
Per què Kimi K3 costa 3,83 $ d'entrada i 19,12 $ de sortida quan altres models de Shannon costen 0,50 $ i 2,00 $?
Perquè la base té aproximadament 2,8 bilions de paràmetres amb 104.000 milions actius per token, contra models de 30.000 a 40.000 milions d'actius en altres punts del catàleg. Més paràmetres actius per token vol dir més GPU-segons per token, i el preu reflecteix el cost de servei i no un impost sobre la capacitat. La sortida és 9,6 vegades el preu dels nostres models de terra, així que la pregunta decisiva és si una taxa d'èxit més alta a la primera en una tasca llarga val aproximadament cinc vegades la factura.
Kimi K3 és el mateix model que Kimi K2 o Kimi K2 Thinking?
No. Kimi K2 era una MoE d'un bilió de paràmetres amb 32.000 milions de paràmetres actius i 384 experts; K2 Thinking hi va afegir raonament intercalat i cadenes llargues de crides a eines sobre aquesta mateixa base. Kimi K3, publicat per Moonshot AI el juliol de 2026, és una arquitectura diferent: 2,8 bilions de paràmetres totals, 104.000 milions actius, 896 experts amb 16 encaminats per token, Kimi Delta Attention i un codificador de visió natiu. K2 i K3 comparteixen un llinatge, no un model.
Quan hauria de fer servir Kimi-K2.6 en lloc de Kimi-K3?
Fes servir Kimi-K2.6 W4A16-AUTOROUND-REAP quan la tasca està acotada i l'executaràs moltes vegades: classificació, extracció, edicions d'un sol fitxer, xat i tasques d'imatge on sobretot necessites una descripció competent i no un raonament visual fi. També té visió, està quantitzat menys agressivament i costa 0,78 $ d'entrada i 3,67 $ de sortida, aproximadament una cinquena part de K3. Escala a Kimi-K3 quan una execució és llarga, ramificada o cara d'equivocar.
Cada xifra d'arquitectura i de benchmark d'aquí la publica Moonshot AI o es pot veure a la seva fitxa de model oberta, i descriu la base sense quantitzar i no la nostra compilació 3BIT-REAP. Comprova-les tu mateix.
Prova l'API de Kimi K3 sense censura
El nivell més capaç en agents i visió. Cap capa de refús. Paga per token.
Llegeix la documentació de l'API Consulta tots els modelsShannon Lab LLC · Nou Mèxic, EUA · models servits al nostre propi clúster de GPU
Les dades i els benchmarks de la base són les xifres publicades per Moonshot AI per a Kimi K3 i Kimi K2 i descriuen els models d'origen sense quantitzar; la nostra compilació és una quantització REAP de 3 bits i en diferirà. Els preus, el context i els indicadors de capacitat són propis de Shannon AI, vigents a 5 de setembre de 2026 — els valors en viu són sempre els que retorna /v1/models. Fonts: fitxa del model Kimi K3 · repositori de Kimi K3 · Kimi K2 Thinking.