Unzensierte Kimi-K3-API

Die meisten Leitfäden zur Modellauswahl sind so geschrieben, als wäre Leistungsfähigkeit kostenlos. Ist sie nicht. Die interessante Frage zu einem Spitzenmodell lautet nie „ist es besser“ — meistens ist es das —, sondern „ist es bei dieser Aufgabe so viel besser, dass es eine fünfmal höhere Rechnung als das Modell eine Stufe darunter rechtfertigt“. Dieser Leitfaden beantwortet das mit echter Rechnung und sagt klar, wo die günstigeren Optionen gewinnen.

01Was Kimi K3 tatsächlich ist

Kimi K3 ist das Open-Weights-Flaggschiff von Moonshot AI, veröffentlicht im Juli 2026 unter der Kimi K3 License — die dritte Generation einer Linie, die mit Kimi K2 begann, und eine wirklich neue Architektur statt eines Fine-Tunes.

Das veröffentlichte Layout umfasst 93 Schichten — 69 mit Kimi Delta Attention, 24 mit gated Multi-head Latent Attention, eine dichte — mit einem Stable-LatentMoE-Router, der 16 von 896 Experten pro Token auswählt, plus 2 geteilte. Moonshot berichtet aus dieser Kombination eine etwa 2,5-fache Verbesserung der Skalierungseffizienz gegenüber Kimi K2. Vision ist nativ statt angeflanscht: Ein MoonViT-V2-Encoder mit 401 Mio. Parametern speist denselben Rumpf, der auch den Text verarbeitet.

Die Sparsity-Zahl lohnt sich zu verinnerlichen: K3 aktiviert 104 Milliarden Parameter pro Token, gegenüber 30 bis 40 Milliarden bei den meisten Modellen unseres Katalogs. Das ist etwa die dreifache Rechenarbeit pro erzeugtem Token, und es ist der ganze Grund, warum dieses Modell die Preisliste anführt. Sie zahlen nicht für eine Markenstufe — Sie zahlen für GPU-Sekunden.

Die Linie in Kürze

• Kimi K2 — 1 Billion Parameter, 32 Milliarden aktiv, 384 Experten mit 8 gerouteten pro Token, vortrainiert auf 15,5 Billionen Token mit dem MuonClip-Optimierer, gebaut, um die Attention-Explosionen zu stoppen, die MoE-Training in dieser Größenordnung ruinieren.
• Kimi K2 Thinking — dasselbe Fundament, dem beigebracht wurde, Reasoning mit Werkzeugnutzung zu verschränken; berichtet werden 200 bis 300 aufeinanderfolgende Tool-Aufrufe in einem Lauf, mit 44,9% auf Humanity's Last Exam mit Werkzeugen und 60,2% auf BrowseComp.
• Kimi K3 — neu gebaut mit nativer Multimodalität und upstream einem Fenster von 1 Mio. Token, mit quantisierungsbewusstem Training ab der Stufe des Supervised Fine-Tuning (MXFP4-Gewichte, MXFP8-Aktivierungen). Deshalb verträgt K3 aggressive Kompression besser als Modelle, die nie mit ihr im Blick trainiert wurden.

Der rote Faden ist Handlungsfähigkeit über lange Horizonte: Jede Generation wurde darauf optimiert, über Hunderte von Schritten kohärent zu bleiben, statt Kurzantwort-Benchmarks zu gewinnen. Das ist die Fähigkeit, die Sie kaufen.

02Was „3BIT-REAP“ bedeutet und warum ein 2,8-Bio.-Modell es braucht

Das Suffix an der Modell-ID ist keine Zierde — es sagt, was mit den Gewichten geschah, bevor sie auf unseren eigenen GPU-Cluster geladen wurden, und es ist der ehrliche Vorbehalt zu jeder Aussage hier. Beginnen wir mit der Rechnung. Ein Modell mit 2,8 Billionen Parametern in 16-Bit-Präzision sind etwa 5,6 Terabyte Gewichte. Bei 3 Bit pro Gewicht sind es eher 1,05 Terabyte — immer noch viel, aber ein handhabbarer Betrieb mit Platz für einen KV-Cache über 262K Token. REAP ist die zweite Hälfte: eine Methode zum Experten-Pruning, die erfasst, welche Experten der Router tatsächlich ansteuert, und die selten gewählten vor der Quantisierung entfernt statt danach. Bei einem Modell, das nur 16 von 896 Experten pro Token routet, passt das natürlich — eine so dünne Verteilung hat einen langen Schwanz, der zum echten Verkehr sehr wenig beiträgt —, und zuerst zu prunen heißt, dass das verbleibende Bit-Budget für die Experten ausgegeben wird, auf die es ankommt.

Unser Katalog nutzt drei Suffixe als bewusste Leiter. 3BIT-REAP kommt auf die größten Fundamente, wo nichts anderes hineinpasst. W4A16-AUTOROUND-REAP sind 4-Bit-Gewichte mit 16-Bit-Aktivierungen, quantisiert mit AutoRound — gelerntes Runden, das gegenüber naivem Runden zur nächsten Stufe echte Genauigkeit zurückholt — plus dasselbe Pruning. W8A16 ist die Stufe mit der höchsten Treue, für Fundamente, die klein genug sind, um keine aggressive Kompression zu brauchen. Kurz: Das Suffix sagt Ihnen, wie viel vom Original überlebt hat; der Preis sagt Ihnen, was der Betrieb kostet.

03Vision: was Bildverstehen Ihnen bringt

Kimi-K3 ist eines von fünf Modellen in unserem zwölf Modelle umfassenden Katalog mit Vision und das leistungsfähigste der fünf. Die meisten kommerziellen Vision-APIs lassen einen Klassifikator über hochgeladene Bilder laufen und weisen eine breite Kategorie von Eingaben zurück, bevor das Modell sie überhaupt sieht — eine vernünftige Voreinstellung für Endkunden und ein ernstes Hindernis für legitime Arbeit. Sicherheitsforschende, die Exploit-Ausgaben abfotografieren, Moderationsteams, die eigene Klassifikatoren bauen, forensische Arbeit und Datensatzprüfungen sowie Red-Team-Evaluationen stoßen alle gegen diese Wand. Kimi-K3 hat keine Ablehnungsschicht und keine Filterung der Ausgabe.

Wo die Vision von K3 ihren Preis gegenüber günstigeren Vision-Modellen verdient

• Dichte Diagramme und Schaltpläne — Architekturdiagramme, Netzwerktopologien, Schaltungen: alles, wo die Antwort davon abhängt, Linien und Beschriftungen zu verfolgen, statt Objekte zu benennen.
• Kleiner Text in Screenshots — Stacktraces, Terminalausgaben, Tabellenzellen. Der Abstand zwischen den Vision-Stufen ist bei der Lesbarkeit in kleinem Maßstab am größten.
• Bild in langem Text — ein Screenshot, der in einen Kontext von 200K Token fällt, wo das Modell das Gesehene mit dem in Beziehung setzen muss, was es fünfzigtausend Token früher gelesen hat.
• Vergleich mehrerer Bilder — zwei Versionen einer Oberfläche oder ein Diagramm gegen die Tabelle, aus der es entstand.

Wo es seinen Preis nicht verdient: Bildunterschriften, Alt-Texte, OCR sauberer Dokumente und Tagging-Pipelines. Das ist bei $0.50 pro Million Eingabetoken gelöst — wenn Ihre Bildarbeitslast große Mengen umfasst und jeder einzelne Fall für sich einfach ist, liefern Kimi-K2.6 oder MiniMax-M3 Antworten, die Sie von denen von K3 nicht unterscheiden werden.

Bilder verbrauchen Token aus demselben Budget von 262.144 Token wie Text und werden zum Eingabepreis abgerechnet. Eine Handvoll hochauflösender Screenshots ist nicht kostenlos.

04Agentische Arbeit über lange Horizonte — wofür diese Stufe da ist

Wenn eine Arbeitslast die Spitzenstufe rechtfertigt, dann diese. Kurze Aufgaben scheitern nachsichtig: Das Modell liegt falsch, Sie merken es, Sie versuchen es erneut, Sie haben vier Sekunden verloren. Ein Agent über vierzig Runden, der in Runde sechs den falschen Zweig nimmt, baut die nächsten vierunddreißig Runden kunstvoll auf einem Fehler weiter, und Sie erfahren es am Ende, nachdem Sie jedes Token dazwischen bezahlt haben. Diese Asymmetrie ist der Grund, warum der Preis pro Token hier fast die falsche Kennzahl ist. Worauf es ankommt, sind die Kosten pro erfolgreichem Abschluss, bestimmt davon, wie oft ein Lauf weggeworfen wird. Moonshots veröffentlichte Zahlen zum K3-Fundament auf agentischen Benchmarks:

Alle Zahlen sind von Moonshot für das unquantisierte Kimi-K3-Fundament berichtet, Juli 2026. Sie sind keine Messungen unseres 3BIT-REAP-Builds, und wir geben sie auch nicht als solche aus.

Das Bild passt zu dem, wofür die Architektur gebaut wurde: BrowseComp und Terminal-Bench sind Tool-Loop-Benchmarks — wiederholte Zyklen aus Handeln, Beobachten, Überarbeiten. SWE Marathon mit 42.0 ist das Gegengewicht: die härteste Bewertung für Coding über lange Horizonte im Satz, bei der selbst ein Spitzenmodell die meisten Aufgaben nicht löst. „Agentisch“ ist keine gelöste Kategorie; planen Sie mit Fehlern, welches Modell Sie auch wählen.

Praktische Einstellungen für lange Läufe

K3 bietet reasoning_effort, und hier ist das ein echter Kostenhebel: Reasoning-Token werden als Ausgabetoken abgerechnet, zu $19.12 pro Million.

• Low — Routing von Tool-Aufrufen und strukturierte Extraktion, wo das Modell zwischen einer Handvoll bekannter Optionen wählt.
• High — die Voreinstellung für echte agentische Arbeit: eine mehrstufige Änderung planen, aus einem Stacktrace debuggen, widersprüchliche Quellen in Einklang bringen.
• Max — heben Sie es für den härtesten einzelnen Aufruf in einer Pipeline auf: den Plan am Anfang eines Laufs oder die abschließende Durchsicht. Ein Lauf, der 30K Reasoning-Token bei high und 90K bei max verbraucht, zahlt für dieses eine Flag $1.15 extra.

Planen Sie auch den Kontext bewusst: Unser Fenster umfasst 262.144 Token bei maximal 16.384 Token Ausgabe, und bei $3.83 pro Million Eingabe summiert sich eine ungekürzte Historie — jede Runde rechnet den gesamten Präfix erneut ab.

05Was „unzensiert“ auf diesem Endpunkt bedeutet

Jedes Modell auf dem Shannon AI Gateway wird ohne Ablehnungsschicht und ohne Inhaltsfilterung der Ausgabe ausgeliefert. Auf der obersten Stufe zählt das mehr, denn die Aufgaben, mit denen Menschen zu einem Spitzenmodell kommen, lösen am ehesten einen Filter aus: adversariale Sicherheitsforschung, Analyse offensiver Werkzeuge, Entwicklung von Moderationsklassifikatoren, Threat Intelligence, schwierige Fiktion und jede Evaluation, bei der das Modell genau das erzeugen muss, was Sie erkennen wollen.

• Kein Ausgabeklassifikator. Antworten werden nach der Generierung nicht gescannt und umgeschrieben oder blockiert.
• Kein Eingangstor. Prompts und Bilder werden nicht geprüft, bevor sie das Modell erreichen.
• Kein anderes Modell. Das ist das Kimi-K3-Fundament, ausgeliefert ohne die Schicht, die üblicherweise davorsitzt.
• Keine Haftungsverschiebung. Eine Ablehnungsschicht zu entfernen verlagert das Urteil zu Ihnen — siehe unsere Richtlinie zur verantwortungsvollen Nutzung.

Für alle, die Evaluationssysteme bauen, gibt es einen leiseren Vorteil: Ein ungefiltertes Modell ist eine stabile Referenz. Ein Modell, das unvorhersehbar ablehnt, macht Messungen verrauscht, weil sich eine Fähigkeitsgrenze nicht von einer Richtliniengrenze trennen lässt. Hier ist ein Fehlschlag ein Fähigkeitsfehlschlag — die einzige Art, die man debuggen kann.

06Der Preis: $3.83 rein, $19.12 raus — und wann er sich verdient

Das ist mit weitem Abstand das teuerste Modell auf unserer Liste: Die Ausgabe kostet das 9,6-Fache unserer Untergrenze von $2.00 und das 5,2-Fache von Kimi-K2.6. Hier ist die Rechnung offen.

Modell	Rein / 1 Mio.	Raus / 1 Mio.	Vision	JSON-Schema
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Ja	Ja
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	Nein	Ja
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	Ja	Nein
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	Ja	Ja
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Nein	Ja
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Ja	Ja
MiMo-V2.5 · W8A16	$0.50	$2.00	Ja	Ja

Ausgewählte Zeilen, nach Eingabepreis geordnet. Alle zwölf Modelle teilen denselben Kontext von 262.144 Token, dieselbe maximale Ausgabe von 16.384 Token, Streaming, Tool-Calling und reasoning_effort. Die aktuellen Fähigkeits-Flags stehen auf der Seite der API-Dokumentation.

Zwei durchgerechnete Beispiele

Erstens eine Eingabe von 120.000 Token — ein Codebestand-Dump, eine behördliche Eingabe —, die eine Analyse von 3.000 Token erzeugt. Zweitens ein Agentenlauf über vierzig Runden: rund 1,2 Mio. kumulierte Eingabetoken, während der Kontext anwächst, und 90.000 Ausgabetoken einschließlich Reasoning.

Szenario	Kimi-K3	Kimi-K2.6	MiniMax-M3
120K rein / 3K raus	$0.517	$0.105	$0.066
Agentenlauf über 40 Runden	$6.32	$1.27	$0.78

Bei dem Dokumentenaufruf kostet K3 etwa das 4,9-Fache von Kimi-K2.6. Fünfzig Cent sind einmalig nichts; bei tausend Aufrufen sind es $517 pro Tag gegenüber $105. Beim Agentenlauf beträgt die Differenz etwa $5. Wenden Sie nun den einzigen Test an, auf den es ankommt: Ist die Aufgabe eine Stunde Ingenieurszeit zu $100 wert, rechnet sich K3 in dem Moment, in dem es die Erfolgsquote im ersten Anlauf um fünf Prozentpunkte hebt — und bei wirklich schwerer Arbeit über lange Horizonte ist der Abstand zwischen den Stufen meist größer. Ist die Aufgabe dreißig Sekunden von irgendjemandes Zeit wert, sind dieselben $5 nicht zu rechtfertigen.

07Kimi-K3 oder ein günstigeres Geschwistermodell?

Die beiden Kimi-Modelle in unserem Katalog sind zwei Sprossen einer Leiter, keine Konkurrenten. Kimi-K2.6 ist weniger aggressiv quantisiert — W4A16-AUTOROUND-REAP, 4-Bit-Gewichte mit gelerntem Runden, gegenüber den 3 Bit von K3 — auf einem kleineren Fundament. Es hat Vision, JSON-Schema-Ausgabe, dasselbe Kontextfenster und kostet ungefähr ein Fünftel.

Aufgabe	Nehmen Sie	Warum
Autonomer Agent über vierzig Runden	Kimi-K3	Fehler summieren sich; die Planqualität in Runde eins entscheidet den Lauf
Refactoring auf Repository-Ebene	Kimi-K3	Braucht den vollen Kontext kohärent gehalten, nicht bloß abrufbar
Dichte Diagramme, kleiner Text in Screenshots	Kimi-K3	Der größte Vision-Abstand zwischen den Stufen liegt bei Lesbarkeit und räumlichem Schlussfolgern
Gut spezifizierte Änderungen in einer Datei	Kimi-K2.6	Begrenzte Aufgabe, günstiger neuer Versuch, kein messbarer Unterschied an der Obergrenze
Bildunterschriften in großer Menge	MiniMax-M3 / MiMo-V2.5	Bei $0.50 rein gelöst; die Ausgabe von K3 kostet das 9,6-Fache für dieselbe Bildunterschrift
Reasoning-lastig, aber reiner Text	DeepSeek-V4-Pro	$3.90 Ausgabe gegen $19.12 — lassen Sie K3 weg, wenn Sie keine Bilder brauchen

Diese letzte Zeile ist die am häufigsten übersehene Ersparnis. Wenn Ihre Aufgabe keine Bilder umfasst, prüfen Sie zuerst DeepSeek-V4-Pro. Es ist ebenfalls ein 3BIT-REAP-Build auf einem großen Fundament, stark bei schwerem Reasoning, und seine Ausgabe kostet $3.90 gegenüber $19.12 bei K3. Ein großer Teil des Verkehrs, der zur Spitzenstufe greift, ist reines Text-Reasoning, das eine Zeile darunter genauso gut bedient wird.

08Die unzensierte Kimi-K3-API aufrufen

Das Modell ist als Kimi-K3-3BIT-REAP auf allen drei Dialekten verfügbar, jeweils mit Streaming und ohne Unterschied in den Fähigkeiten — nur im Wire-Format: /v1/chat/completions (OpenAI-kompatibel), /v1/messages (Anthropic-kompatibel) und /v1/responses. Eine Vision-Anfrage mit erhöhtem Reasoning-Effort für eine schwere visuelle Aufgabe:

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 unterstützt sowohl response_format als auch vollständiges json_schema, Sie können also die Tool-Argumente eines Agenten einschränken oder einen Bericht ohne nachträgliches Parsen in eine feste Form zwingen. Tool-Calling ist nativ und der vorgesehene Weg, lange Läufe zu steuern. Parameter, Authentifizierung, Ratenbegrenzungen und ein Live-Playground stehen auf der Seite der API-Dokumentation.

Drei Dinge, die vom ersten Tag an Geld sparen

• Kürzen Sie den Präfix. Jede Runde rechnet das gesamte Gespräch erneut zu $3.83 pro Million ab; eine Historie über 40 Runden einmal in ein Zustandsobjekt von 4K Token zusammenzufassen spart mehr als die meisten Modellwechsel.
• Verkleinern Sie Bilder. Bild-Token sind Eingabetoken; ein 4K-Screenshot, auf eine noch lesbare Größe skaliert, liefert dieselbe Antwort für weniger.
• Routen Sie nach Schwierigkeit. Ein günstiges Modell für die Routinerunden, mit K3 für den Plan, den schweren Zweig und die abschließende Durchsicht, ergibt oft 80% der Leistung für 25% der Rechnung.

09Häufige Fragen

---

Die Angaben und Benchmarks zum Fundament sind die von Moonshot AI veröffentlichten Zahlen zu Kimi K3 und Kimi K2 und beschreiben die unquantisierten Upstream-Modelle; unser Build ist eine 3-Bit-REAP-Quantisierung und wird abweichen. Preise, Kontext und Fähigkeits-Flags sind die von Shannon AI, aktuell mit Stand 5. September 2026 — die tatsächlich gültigen Werte sind stets die, die /v1/models zurückgibt. Quellen: Modellkarte Kimi K3 · Kimi-K3-Repository · Kimi K2 Thinking.