Zentsurarik gabeko Kimi K3 APIa

Eredua hautatzeko gida gehienak gaitasuna doakoa balitz bezala idatzita daude. Ez da. Goi mailako eredu bati buruzko galdera interesgarria ez da inoiz «hobea al da» — normalean bai da — baizik eta «nahikoa hobea al da, zeregin honetan, maila bat beherago dagoen ereduarena baino bost aldiz handiagoa den faktura bat justifikatzeko». Gida honek aritmetika errealarekin erantzuten dio horri, eta argi esaten du non irabazten duten aukera merkeek.

01Zer den Kimi K3 benetan

Kimi K3 Moonshot AI-ren pisu irekiko eredu nagusia da, 2026ko uztailean kaleratua Kimi K3 Lizentziapean — Kimi K2rekin hasi zen leinuaren hirugarren belaunaldia, eta benetan arkitektura berri bat, ez fine-tune bat.

Argitaratutako diseinua 93 geruzakoa da — 69k Kimi Delta Attention erabiltzen dute, 24k atedun multi-buru arreta latentea, eta bat trinkoa — Stable LatentMoE bideratzaile batekin, token bakoitzeko 896 adituetatik 16 hautatzen dituena gehi 2 partekatu. Moonshot-ek konbinazio horretatik Kimi K2 baino 2.5x eskalatze-eraginkortasun hobea jakinarazten du gutxi gorabehera. Ikusmena natiboa da eta ez gainean itsatsia: 401M parametroko MoonViT-V2 kodetzaile batek testua kudeatzen duen enbor berari elikatzen dio.

Bakantasunaren zenbakia barneratzea merezi du: K3-k 104 mila milioi parametro aktibatzen ditu token bakoitzeko, gure katalogoaren gehienaren 30-40 mila milioiko tartearen aldean. Hori sortutako token bakoitzeko aritmetikaren hiru halako da gutxi gorabehera, eta hori da eredu honek prezio-zerrenda buru izateko arrazoi osoa. Ez zaude marka-maila bat ordaintzen — GPU-segundoak ordaintzen ari zara.

Leinua, laburki

• Kimi K2 — bilioi bat parametro, 32 mila milioi aktibo, 384 aditu token bakoitzeko 8 bideratuta, 15.5 bilioi tokenekin aurre-entrenatua MuonClip optimizatzailea erabiliz, eskala horretan MoE entrenamendua hondatzen duten arreta-leherketak eragozteko eraikia.
• Kimi K2 Thinking — oinarri bera, arrazoiketa tresnen erabilerarekin txandakatzen irakatsita, exekuzio bakar batean 200 eta 300 arteko tresna-dei sekuentzial eusten zituela jakinarazita, % 44.9 Humanity's Last Exam proban tresnekin eta % 60.2 BrowseComp-en.
• Kimi K3 — multimodaltasun natiboarekin eta goragoko milioi bat tokeneko leiho batekin berreraikia, kuantizazioaz jabetutako entrenamenduarekin gainbegiratutako fine-tuning fasetik aurrera (MXFP4 pisuak, MXFP8 aktibazioak). Horregatik jasaten du K3-k konpresio agresiboa hori kontuan izan gabe entrenatutako ereduek baino hobeto.

Hari nagusia epe luzeko agentzia da: belaunaldi guztiak ehunka urratsetan zehar koherente mantentzeko optimizatu ziren, erantzun laburreko benchmarkak irabazteko baino. Hori da erosten ari zaren gaitasuna.

02Zer esan nahi duen «3BIT-REAP» esateak, eta zergatik behar duen 2.8T-ko eredu batek

Ereduaren identifikatzaileko atzizkia ez da apaingarria — pisuei zer egin zitzaien esaten du gure GPU kluster propioan kargatu aurretik, eta hemengo baieztapen bakoitzari eransten zaion oharpen zintzoa da. Has gaitezen aritmetikatik. 2.8 bilioi parametroko eredu bat 16 biteko zehaztasunean 5.6 terabyte pisu inguru da. Pisuko 3 bitetan 1.05 terabyte ingurura hurbiltzen da — handia oraindik, baina hedapen bideragarri bat, 262K tokeneko KV cache batentzat tokia utzita. REAP da bigarren erdia: aditu-inausketaren metodo bat, bideratzaileak zein aditu jotzen dituen benetan profilatzen duena eta gutxitan hautatzen direnak kentzen dituena kuantizatu aurretik, eta ez ondoren. Token bakoitzeko 896 adituetatik 16 soilik bideratzen dituen eredu batean hori berezko egokia da — hain banaketa bakan batek trafiko errealari oso gutxi ekartzen dion buztan luze bat du — eta lehenik inaustean, gainerako bit-aurrekontua axola duten adituetan gastatzen da.

Gure katalogoak hiru atzizki erabiltzen ditu nahita eskailera gisa. 3BIT-REAP oinarririk handienetan jartzen da, non beste ezer ez den sartzen. W4A16-AUTOROUND-REAP 4 biteko pisuak dira 16 biteko aktibazioekin, AutoRound erabiliz kuantizatuta — ikasitako biribiltzea, hurbilenera biribiltze inozoaren gainetik zehaztasun erreala berreskuratzen duena — gehi inausketa bera. W8A16 fideltasun handieneko maila da, konpresio agresiboa behar ez izateko adina txiki diren oinarrientzat. Laburbilduz: atzizkiak jatorrizkotik zenbat bizirik geratu den esaten dizu; prezioak zenbat kostatzen den exekutatzea.

03Ikusmena: zer erosten dizun irudi-ulermenak

Kimi-K3 gure hamabi ereduko katalogoan ikusmena duten bost ereduetako bat da, eta bostetatik gaitasun handienekoa. Ikusmen-API komertzial gehienek sailkatzaile bat exekutatzen dute igotako irudien gainean eta sarrera-kategoria zabal bati uko egiten diote ereduak haiek ikusi aurretik ere — kontsumitzailearentzako lehenetsi zentzuzko bat eta lan legitimoarentzako oztopo larri bat. Ustiapenen irteera pantaila-argazkitzen duten segurtasun-ikertzaileek, beren sailkatzaileak eraikitzen dituzten moderazio-taldeek, lan forentseak eta datu-multzoen auditoretzak, eta red team ebaluazioak, denek jotzen dute horma horren aurka. Kimi-K3-k ez du uko egiteko geruzarik ez irteerako iragazkirik.

Non irabazten duen K3-ren ikusmenak bere prezioa ikusmen-eredu merkeagoen aldean

• Diagrama eta eskema trinkoak — arkitektura-diagramak, sare-topologiak, zirkuituak: erantzuna objektuak izendatzean baino marrak eta etiketak jarraitzean datzan edozer.
• Testu txikia pantaila-argazkietan — pila-aztarnak, terminaleko irteera, kalkulu-orriko gelaxkak. Ikusmen-mailen arteko aldea eskala txikiko irakurgarritasunean da handiena.
• Irudia testu luze baten barruan — 200K tokeneko testuinguru batean sartutako pantaila-argazki bat, non ereduak ikusten duena berrogeita hamar mila token lehenago irakurri zuenarekin lotu behar duen.
• Hainbat irudiren konparaketa — interfaze baten bi bertsio, edo grafiko bat hura sortu zuen taularen aurka.

Non ez duen bere prezioa irabazten: epigrafeak, testu alternatiboa, dokumentu garbien OCRa, eta etiketatze-kanalizazioak. Horiek $0.50 milioi sarrera-tokeneko prezioan konponduta daude — zure irudi-lan-karga bolumen handikoa bada eta elementu bakoitza banaka sinplea bada, Kimi-K2.6 edo MiniMax-M3 ereduek K3-renetatik bereiziko ez dituzun erantzunak sortzen dituzte.

Irudiek testuaren 262,144 tokeneko aurrekontu beretik kontsumitzen dituzte tokenak eta sarrera-tasan fakturatzen dira. Bereizmen handiko pantaila-argazki batzuk ez dira doakoak.

04Epe luzeko lan agentikoa — zertarako den maila hau

Lan-karga batek goi maila justifikatzen badu, hau da. Zeregin laburrek modu barkaberan huts egiten dute: ereduak oker egiten du, konturatzen zara, berriro saiatzen zara, lau segundo galdu dituzu. Berrogei txandako agente batek seigarren txandan adar oker bat hartzen badu, hurrengo hogeita hamalau txandak akats baten gainean landuki eraikitzen ematen ditu, eta amaieran jakiten duzu, tarteko token guztiak ordainduta. Asimetria hori da hemen token bakoitzeko prezioa ia metrika okerra izatearen arrazoia. Axola duena arrakastaz osatutako bakoitzeko kostua da, eta exekuzio bat zenbat aldiz botatzen den horrek menderatzen du. Moonshot-ek K3 oinarrirako benchmark agentikoetan argitaratutako zenbakiak:

Zenbaki guztiak Moonshot-ek jakinarazitakoak dira kuantizatu gabeko Kimi K3 oinarrirako, 2026ko uztaila. Ez dira gure 3BIT-REAP eraikuntzaren neurketak eta ez ditugu halakotzat aurkezten.

Formak arkitektura zertarako eraiki zen islatzen du: BrowseComp eta Terminal-Bench tresna-begiztako benchmarkak dira — jardun, behatu eta berrikusi zikloak errepikatuz. SWE Marathon 42.0an da kontrapisua: multzoko epe luzeko kodetze-ebaluaziorik zailena, non eredu aurreratu batek ere zeregin gehienetan huts egiten duen. «Agentikoa» ez da konponduta dagoen kategoria bat; diseinatu hutsegiterako aukeratzen duzun eredua aukeratzen duzula.

Ezarpen praktikoak exekuzio luzeetarako

K3-k reasoning_effort eskaintzen du, eta hemen benetako kostu-palanka bat da: arrazoiketa-tokenak irteera-token gisa fakturatzen dira, $19.12 milioiko.

• Low — tresna-deien bideratzea eta erauzketa egituratua, non ereduak aukera ezagun gutxi batzuen artean hautatzen duen.
• High — lan agentiko errealerako lehenetsia: hainbat urratseko aldaketa bat planifikatzea, pila-aztarna batetik arazteak, iturri kontraesankorrak bateratzea.
• Max — gorde ezazu kanalizazioko dei zailenerako: exekuzioaren hasierako plana, edo azken berrikuspena. High moduan 30K arrazoiketa-token eta max moduan 90K gastatzen dituen exekuzio batek $1.15 gehiago ordaintzen ditu bandera horrengatik.

Aurrekontua testuingururako ere nahita egin: gure leihoa 262,144 token da 16,384 tokeneko gehienezko irteerarekin, eta $3.83 milioi sarrerako prezioan inausi gabeko historia batek metatu egiten du — txanda bakoitzak aurrizki osoa berriro fakturatzen du.

05Zer esan nahi duen «zentsurarik gabekoak» amaierapuntu honetan

Shannon AI atebideko eredu guztiak uko egiteko geruzarik gabe eta irteeran eduki-iragazkirik gabe zerbitzatzen dira. Goi mailan garrantzi handiagoa du, jendeak goi mailako eredu batera eramaten dituen zereginak baitira iragazki bat abiarazteko probableenak: segurtasun-ikerketa aurkaria, eraso-tresnen analisia, moderazio-sailkatzaileen garapena, mehatxuen adimena, fikzio zaila, eta ereduak detektatu nahi duzun gauza bera sortzea eskatzen duen edozein ebaluazio.

• Irteera-sailkatzailerik ez. Erantzunak ez dira eskaneatzen eta berridazten edo blokeatzen sortu ondoren.
• Sarrera-aterik ez. Promptak eta irudiak ez dira baheatzen eredura iritsi aurretik.
• Ez da beste eredu bat. Hau Kimi K3 oinarria da, normalean aurrean egoten den geruzarik gabe zerbitzatuta.
• Ez da erantzukizun-transferentzia bat. Uko egiteko geruza bat kentzeak epaia zuregana eramaten du — ikusi gure erabilera arduratsuaren politika.

Isilagoa den onura bat dago ebaluazio-sistemak eraikitzen dituen edonorentzat: iragazi gabeko eredu bat oinarri egonkor bat da. Modu ezusteko batean uko egiten duen eredu batek neurketak zaratatsu bihurtzen ditu, ezin baituzu gaitasun-muga bat politika-muga batetik bereizi. Hemen hutsegite bat gaitasun-hutsegite bat da — araz dezakezun mota bakarra.

06Prezioa: $3.83 sarreran, $19.12 irteeran — eta noiz irabazten duen

Hau da gure zerrendako eredurik garestiena alde handiz: irteerak gure $2.00 zoruaren 9.6x balio du eta Kimi-K2.6-k balio duenaren 5.2x. Hona hemen aritmetika agerian.

Eredua	Sarrera / 1M	Irteera / 1M	Ikusmena	JSON eskema
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Bai	Bai
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	Ez	Bai
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	Bai	Ez
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	Bai	Bai
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Ez	Bai
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Bai	Bai
MiMo-V2.5 · W8A16	$0.50	$2.00	Bai	Bai

Hautatutako errenkadak, sarrera-prezioaren arabera ordenatuta. Hamabi ereduek 262,144 tokeneko testuinguru bera, 16,384 tokeneko gehienezko irteera, streaminga, tresna-deiak eta reasoning_effort partekatzen dituzte. Gaitasun-bandera biziak APIaren dokumentazio-orrian daude.

Bi adibide landu

Lehena, 120,000 tokeneko sarrera bat — kode-base baten iraulketa, arau-aurkezpen bat — 3,000 tokeneko analisi bat sortzen duena. Bigarrena, berrogei txandako agente-exekuzio bat: 1.2M sarrera-token metatu inguru testuingurua pilatzen den heinean, 90,000 irteera-token arrazoiketa barne.

Eszenatokia	Kimi-K3	Kimi-K2.6	MiniMax-M3
120K sarreran / 3K irteeran	$0.517	$0.105	$0.066
40 txandako agente-exekuzioa	$6.32	$1.27	$0.78

K3-k Kimi-K2.6-ren 4.9x inguru balio du dokumentuaren deian. Berrogeita hamar zentimo ez da ezer behin; mila deitan $517 dira egunean, $105en aldean. Agente-exekuzioan aldea $5 ingurukoa da. Orain aplikatu axola duen proba bakarra: zeregina ingeniari baten orduerdi bat balio badu $100ean, K3-k bere burua ordaintzen du lehen pasaldiko arrakasta bost puntu portzentual igotzen duen unean — eta benetan zaila den epe luzeko lanean mailen arteko aldea handiagoa izan ohi da. Zereginak edonoren hogeita hamar segundo balio baditu, $5 horiek berak defendaezinak dira.

07Kimi-K3 ala anaia merkeago bat?

Gure katalogoko bi Kimi ereduak eskailera bakar baten bi maila dira, eta ez lehiakideak. Kimi-K2.6 modu ez hain agresiboan kuantizatuta dago — W4A16-AUTOROUND-REAP, 4 biteko pisuak ikasitako biribiltzearekin, K3-ren 3 bitaren aldean — oinarri txikiago batean. Ikusmena du, JSON eskemako irteera, testuinguru-leiho bera, eta bosten bat inguru balio du.

Zeregina	Erabili	Zergatik
Berrogei txandako agente autonomoa	Kimi-K3	Hutsegitea metatu egiten da; lehen txandako planaren kalitateak erabakitzen du exekuzioa
Biltegi mailako birfaktorizazioa	Kimi-K3	Testuingurua osorik koherenteki eutsi behar du, eta ez handik berreskuratu soilik
Diagrama trinkoak, pantaila-argazkietako testu txikia	Kimi-K3	Mailen arteko ikusmen-alderik handiena irakurgarritasuna eta arrazoiketa espaziala dira
Fitxategi bakarreko edizioak, ondo zehaztuta	Kimi-K2.6	Zeregin mugatua, berriro saiatzea merkea, sabaian alde neurgarririk ez
Irudi-epigrafeak bolumenean	MiniMax-M3 / MiMo-V2.5	$0.50 sarreran konponduta; K3-ren irteera 9.6x da epigrafe bererako
Arrazoiketa-astuna baina testua soilik	DeepSeek-V4-Pro	$3.90 irteeran $19.12ren aldean — utzi K3 irudirik behar ez baduzu

Azken errenkada hori da gehien ahazten den aurrezkia. Zure zereginak irudirik erabiltzen ez badu, begiratu DeepSeek-V4-Pro lehenik. Hura ere 3BIT-REAP eraikuntza bat da oinarri handi baten gainean, indartsua arrazoiketa zailean, eta bere irteerak $3.90 balio du K3-ren $19.12ren aldean. Goi mailara jotzen duen trafiko askoren zati handi bat testu hutsezko arrazoiketa da, errenkada bat beherago berdin ondo zerbitzatuta.

08Zentsurarik gabeko Kimi K3 APIari deitzea

Eredua Kimi-K3-3BIT-REAP gisa dago agerian hiru dialektoetan, bakoitzean streamingarekin eta haien artean gaitasun-alderik gabe — kable-formatua besterik ez: /v1/chat/completions (OpenAIrekin bateragarria), /v1/messages (Anthropicekin bateragarria) eta /v1/responses. Ikusmen-eskaera bat, arrazoiketa-ahalegina igota ikusmen-zeregin zail baterako:

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-k response_format eta json_schema osoa onartzen ditu, biak, beraz agente baten tresna-argumentuak mugatu ditzakezu edo txosten bat forma finko batera behartu, ondorengo analisirik gabe. Tresna-deiak natiboak dira eta exekuzio luzeak gidatzeko modu aurreikusia. Parametroak, autentifikazioa, tasa-mugak eta zuzeneko jolastoki bat APIaren dokumentazio-orrian daude.

Lehen egunetik dirua aurrezten duten hiru gauza

• Inausi aurrizkia. Txanda bakoitzak elkarrizketa osoa berriro fakturatzen du $3.83 milioiko; 40 txandako historia bat 4K tokeneko egoera-objektu batean behin laburbiltzeak eredu-aldaketa gehienek baino gehiago aurrezten du.
• Txikitu irudiak. Irudi-tokenak sarrera-tokenak dira; 4K-ko pantaila-argazki bat oraindik irakurgarria den zerbaitera txikituta erantzun bera ematen du gutxiagoren truke.
• Bideratu zailtasunaren arabera. Eredu merke bat ohiko txandetan, K3 planean, adar zailean eta azken berrikuspenean, askotan gaitasunaren % 80 da fakturaren % 25ean.

09Maiz egiten diren galderak

---

Oinarriari buruzko datuak eta benchmarkak Moonshot AI-k Kimi K3 eta Kimi K2 ereduetarako argitaratutako zenbakiak dira eta goragoko eredu kuantizatu gabeak deskribatzen dituzte; gure eraikuntza 3 biteko REAP kuantizazio bat da eta desberdina izango da. Prezioak, testuingurua eta gaitasun-banderak Shannon AI-renak dira, 2026ko irailaren 5ekoak — balio biziak beti /v1/models helbideak itzultzen dituenak dira. Iturriak: Kimi K3 ereduaren txartela · Kimi K3 biltegia · Kimi K2 Thinking.