API بدون سانسور Kimi K3

بیشتر راهنماهای انتخاب مدل طوری نوشته می‌شوند که انگار توانمندی رایگان است. نیست. پرسش جالب درباره یک مدل رده‌بالا هرگز «آیا بهتر است» نیست — معمولاً هست — بلکه «آیا روی این کار آن‌قدر بهتر است که صورت‌حسابی پنج برابر بزرگ‌تر از مدل یک پله پایین‌تر را توجیه کند». این راهنما با حساب‌وکتاب واقعی به آن پاسخ می‌دهد، و صریح می‌گوید کجا گزینه‌های ارزان‌تر برنده‌اند.

01Kimi K3 در واقع چیست

Kimi K3 پرچم‌دار وزن‌باز Moonshot AI است که در ژوئیه ۲۰۲۶ ذیل مجوز Kimi K3 منتشر شد — نسل سوم تباری که با Kimi K2 آغاز شد، و معماری واقعاً تازه‌ای است نه یک تنظیم دقیق.

چیدمان منتشرشده ۹۳ لایه است — ۶۹ لایه با Kimi Delta Attention، ۲۴ لایه با توجه نهفته چندسری گیت‌دار، و یک لایه چگال — با روتر Stable LatentMoE که به ازای هر توکن ۱۶ متخصص از ۸۹۶ به‌علاوه ۲ متخصص مشترک را انتخاب می‌کند. Moonshot از این ترکیب تقریباً ۲٫۵ برابر بهبود در کارایی مقیاس‌پذیری نسبت به Kimi K2 گزارش می‌کند. بینایی بومی است نه پیچ‌شده از بیرون: یک انکودر MoonViT-V2 با ۴۰۱ میلیون پارامتر به همان تنه‌ای خوراک می‌دهد که متن را پردازش می‌کند.

عدد تُنُکی ارزش درونی‌سازی دارد: K3 به ازای هر توکن ۱۰۴ میلیارد پارامتر را فعال می‌کند، در برابر بازه ۳۰ تا ۴۰ میلیاردی بیشتر کاتالوگ ما. این تقریباً سه برابر محاسبه به ازای هر توکن تولیدشده است، و همین تمامِ دلیلی است که این مدل صدر فهرست قیمت را دارد. شما بابت یک رده برند پول نمی‌دهید — بابت ثانیه-GPU پول می‌دهید.

تبار، به‌اختصار

• Kimi K2 — یک تریلیون پارامتر، ۳۲ میلیارد فعال، ۳۸۴ متخصص با ۸ مسیریابی‌شده به ازای هر توکن، پیش‌آموزش‌دیده روی ۱۵٫۵ تریلیون توکن با بهینه‌ساز MuonClip، ساخته‌شده برای متوقف کردن انفجارهای توجه که آموزش MoE را در آن مقیاس نابود می‌کنند.
• Kimi K2 Thinking — همان بنیان که یاد گرفت استدلال را با کاربرد ابزار درهم ببافد، و گزارش شده که ۲۰۰ تا ۳۰۰ فراخوانی ابزار پیاپی را در یک اجرا حفظ می‌کند، با ۴۴٫۹٪ در Humanity's Last Exam همراه ابزار و ۶۰٫۲٪ در BrowseComp.
• Kimi K3 — بازساخته‌شده با چندوجهی بودن بومی و پنجره یک‌میلیون توکنی در بالادست، با آموزش آگاه به کوانتیزاسیون از مرحله تنظیم دقیق نظارت‌شده به‌بعد (وزن‌های MXFP4، فعال‌سازی‌های MXFP8). به همین دلیل است که K3 فشرده‌سازی تهاجمی را بهتر از مدل‌هایی تحمل می‌کند که هرگز با این ملاحظه آموزش ندیده‌اند.

خط ممتد، عاملیت افق‌بلند است: هر نسل به‌جای بردن بنچمارک‌های پاسخ‌کوتاه، برای منسجم ماندن در طول صدها گام بهینه شده. همین توانمندی است که می‌خرید.

02«3BIT-REAP» یعنی چه، و چرا یک مدل ۲٫۸ تریلیونی به آن نیاز دارد

پسوند روی شناسه مدل تزئین نیست — می‌گوید پیش از بارگذاری وزن‌ها روی خوشه GPU خودمان چه بر سرشان آمده، و همان قید صادقانه‌ای است که به هر ادعای این صفحه چسبیده است. از حساب‌وکتاب شروع کنیم. یک مدل ۲٫۸ تریلیون پارامتری با دقت ۱۶ بیتی حدود ۵٫۶ ترابایت وزن است. با ۳ بیت به ازای هر وزن به ۱٫۰۵ ترابایت نزدیک می‌شود — هنوز بزرگ، اما استقراری شدنی با جای باقی‌مانده برای یک کش KV در ابعاد ۲۶۲ هزار توکن. REAP نیمه دوم ماجراست: روشی برای هرس متخصص که پروفایل می‌گیرد روتر واقعاً سراغ کدام متخصص‌ها می‌رود و آنهایی را که به‌ندرت انتخاب می‌شوند پیش از کوانتیزه کردن حذف می‌کند نه بعد از آن. روی مدلی که به ازای هر توکن فقط ۱۶ متخصص از ۸۹۶ را مسیریابی می‌کند این تناسب طبیعی است — توزیعی به این حد تُنُک دنباله بلندی دارد که سهم بسیار کمی در ترافیک واقعی می‌گذارد — و هرس کردن در گام اول یعنی بودجه بیتیِ باقی‌مانده خرج متخصص‌هایی می‌شود که اهمیت دارند.

کاتالوگ ما از سه پسوند به‌عنوان یک نردبان عمدی استفاده می‌کند. 3BIT-REAP روی بزرگ‌ترین بنیان‌ها می‌رود، جایی که هیچ چیز دیگری جا نمی‌شود. W4A16-AUTOROUND-REAP یعنی وزن‌های ۴ بیتی با فعال‌سازی‌های ۱۶ بیتی که با AutoRound کوانتیزه شده‌اند — گِردکردن آموخته‌شده که نسبت به گِردکردن ساده به نزدیک‌ترین مقدار، دقت واقعی را بازمی‌گرداند — به‌علاوه همان هرس. W8A16 رده بالاترین وفاداری است، برای بنیان‌هایی که آن‌قدر کوچک‌اند که به فشرده‌سازی تهاجمی نیاز ندارند. به‌طور خلاصه: پسوند به شما می‌گوید چه مقدار از نسخه اصلی باقی مانده؛ قیمت می‌گوید اجرایش چه هزینه‌ای دارد.

03بینایی: فهم تصویر چه چیزی برایتان می‌خرد

Kimi-K3 یکی از پنج مدل دارای بینایی در کاتالوگ دوازده‌مدلی ماست، و تواناترین آن پنج. بیشتر APIهای تجاری بینایی یک دسته‌بند را روی تصاویر آپلودشده اجرا می‌کنند و دسته گسترده‌ای از ورودی‌ها را پیش از آنکه مدل اصلاً ببیندشان رد می‌کنند — پیش‌فرضی معقول برای کاربر عادی و مانعی جدی برای کار مشروع. پژوهشگران امنیتی که از خروجی اکسپلویت اسکرین‌شات می‌گیرند، تیم‌های نظارت محتوا که دسته‌بند خودشان را می‌سازند، کار جرم‌شناسی و ممیزی دیتاست، و ارزیابی تیم قرمز همگی به همین دیوار می‌خورند. Kimi-K3 هیچ لایه رد درخواست و هیچ فیلتری روی خروجی ندارد.

کجا بینایی K3 قیمتش را نسبت به مدل‌های بینایی ارزان‌تر درمی‌آورد

• نمودارها و شماتیک‌های متراکم — نمودارهای معماری، توپولوژی‌های شبکه، مدارها: هر چیزی که پاسخ در آن به دنبال کردن خطوط و برچسب‌ها بستگی دارد نه به نام بردن اشیاء.
• متن ریز در اسکرین‌شات‌ها — ردّ پشته، خروجی ترمینال، سلول‌های صفحه‌گسترده. شکاف میان رده‌های بینایی در خوانایی در مقیاس کوچک از همه‌جا بیشتر است.
• تصویر درون متن بلند — یک اسکرین‌شات که در کانتکستی ۲۰۰ هزار توکنی افتاده، جایی که مدل باید آنچه می‌بیند را به آنچه پنجاه هزار توکن پیش‌تر خوانده مرتبط کند.
• مقایسه چند تصویر — دو نسخه از یک رابط کاربری، یا یک نمودار در برابر جدولی که آن را تولید کرده است.

جایی که قیمتش را در نمی‌آورد: نوشتن کپشن، متن جایگزین، OCR اسناد تمیز، و خطوط لوله برچسب‌گذاری. آنها با ۰٫۵۰ دلار به ازای هر میلیون توکن ورودی حل شده‌اند — اگر بارِ کاری تصویری شما پرحجم است و هر قلمش به‌تنهایی ساده، Kimi-K2.6 یا MiniMax-M3 پاسخ‌هایی می‌دهند که از پاسخ K3 تشخیصشان نخواهید داد.

تصاویر از همان بودجه ۲۶۲٬۱۴۴ توکنی متن، توکن مصرف می‌کنند و با نرخ ورودی محاسبه می‌شوند. یک مشت اسکرین‌شات با وضوح بالا رایگان نیست.

04کار عامل‌محورِ افق‌بلند — این رده برای همین است

اگر یک بارِ کاری رده برتر را توجیه کند، همین است. کارهای کوتاه بخشنده شکست می‌خورند: مدل اشتباه می‌کند، شما متوجه می‌شوید، دوباره امتحان می‌کنید، چهار ثانیه از دست داده‌اید. عاملی چهل‌نوبتی که در نوبت ششم شاخه اشتباهی را می‌گیرد، سی‌وچهار نوبت بعدی را صرف ساختن مفصل روی یک خطا می‌کند و شما در پایان می‌فهمید، در حالی که بابت هر توکن میانی پول داده‌اید. همین ناتقارنی است که قیمت به ازای هر توکن را اینجا به معیاری تقریباً نادرست تبدیل می‌کند. آنچه اهمیت دارد هزینه به ازای هر تکمیل موفق است، که میزان دور ریخته شدن اجراها بر آن غلبه دارد. اعداد منتشرشده Moonshot برای بنیان K3 روی بنچمارک‌های عامل‌محور:

همه اعداد از سوی Moonshot برای بنیان کوانتیزه‌نشده Kimi K3 در ژوئیه ۲۰۲۶ گزارش شده‌اند. اینها اندازه‌گیری بیلد 3BIT-REAP ما نیستند و آنها را چنین ارائه نمی‌کنیم.

این شکل با همان چیزی می‌خواند که معماری برایش ساخته شده: BrowseComp و Terminal-Bench بنچمارک‌های حلقه ابزار هستند — چرخه‌های مکرر عمل، مشاهده، بازنگری. امتیاز ۴۲٫۰ در SWE Marathon وزنه تعادل ماجراست: سخت‌ترین ارزیابی کدنویسی افق‌بلند این مجموعه، جایی که حتی یک مدل پیشرو هم در بیشتر وظایف شکست می‌خورد. «عامل‌محور» دسته‌ای حل‌شده نیست؛ هر مدلی را که انتخاب کنید، برای شکست طراحی کنید.

تنظیمات عملی برای اجراهای طولانی

K3 پارامتر reasoning_effort را در دسترس می‌گذارد، و اینجا اهرم هزینه‌ای واقعی است: توکن‌های استدلال به‌عنوان توکن خروجی محاسبه می‌شوند، با ۱۹٫۱۲ دلار به ازای هر میلیون.

• Low — مسیردهی فراخوانی ابزار و استخراج ساختاریافته، جایی که مدل میان مشتی گزینه شناخته‌شده انتخاب می‌کند.
• High — پیش‌فرض برای کار واقعی عامل‌محور: برنامه‌ریزی یک تغییر چندمرحله‌ای، اشکال‌زدایی از روی ردّ پشته، آشتی دادن منابع متناقض.
• Max — آن را برای سخت‌ترین فراخوان تکی در یک خط لوله نگه دارید: برنامه‌ریزی در سر اجرا، یا بازبینی نهایی. اجرایی که ۳۰ هزار توکن استدلال در حالت high و ۹۰ هزار در حالت max خرج کند، بابت همان یک پرچم ۱٫۱۵ دلار اضافه می‌پردازد.

کانتکست را هم آگاهانه بودجه‌بندی کنید: پنجره ما ۲۶۲٬۱۴۴ توکن با بیشینه خروجی ۱۶٬۳۸۴ توکن است، و با ۳٫۸۳ دلار به ازای هر میلیون ورودی، تاریخچه‌ای که هرس نشود انباشته می‌شود — هر نوبت کل پیشوند را دوباره صورت‌حساب می‌کند.

05«بدون سانسور» روی این اندپوینت یعنی چه

هر مدل روی گیت‌وی Shannon AI با هیچ لایه رد درخواست و هیچ فیلتر محتوایی روی خروجی سرو می‌شود. این روی رده برتر بیشتر اهمیت دارد، چون کارهایی که مردم سراغ یک مدل رده‌بالا می‌آورند محتمل‌ترین کارها برای گیر افتادن در یک فیلترند: پژوهش امنیتی خصمانه، تحلیل ابزارهای تهاجمی، توسعه دسته‌بند نظارت محتوا، اطلاعات تهدید، داستان دشوار، و هر ارزیابی‌ای که لازم دارد مدل همان چیزی را تولید کند که می‌خواهید تشخیصش دهید.

• بدون دسته‌بند خروجی. پاسخ‌ها پس از تولید اسکن و بازنویسی یا مسدود نمی‌شوند.
• بدون دروازه ورودی. پرامپت‌ها و تصاویر پیش از رسیدن به مدل غربال نمی‌شوند.
• مدل متفاوتی نیست. این همان بنیان Kimi K3 است که بدون لایه‌ای که معمولاً جلویش می‌نشیند سرو می‌شود.
• انتقال مسئولیت نیست. برداشتن یک لایه رد درخواست، تصمیم را به شما منتقل می‌کند — سیاست استفاده مسئولانه ما را ببینید.

یک فایده خاموش‌تر هم برای هرکسی که سامانه ارزیابی می‌سازد وجود دارد: یک مدل بی‌فیلتر یک خط پایه پایدار است. مدلی که غیرقابل‌پیش‌بینی رد می‌کند اندازه‌گیری‌ها را پرنویز می‌کند، چون نمی‌توانید محدودیت توانمندی را از محدودیت سیاستی جدا کنید. اینجا یک شکست، شکست توانمندی است — تنها نوعی که می‌توانید اشکال‌زدایی‌اش کنید.

06قیمت: ۳٫۸۳ دلار ورودی، ۱۹٫۱۲ دلار خروجی — و اینکه کِی درش می‌آورد

این با اختلاف زیاد گران‌ترین مدل فهرست ماست: خروجی ۹٫۶ برابر کف ۲٫۰۰ دلاری ما و ۵٫۲ برابر هزینه Kimi-K2.6 است. حساب‌وکتاب را رو می‌کنیم.

مدل	ورودی / 1M	خروجی / 1M	بینایی	اسکیمای JSON
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	بله	بله
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	خیر	بله
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	بله	خیر
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	بله	بله
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	خیر	بله
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	بله	بله
MiMo-V2.5 · W8A16	$0.50	$2.00	بله	بله

سطرهای منتخب، مرتب‌شده بر اساس قیمت ورودی. هر دوازده مدل همان کانتکست ۲۶۲٬۱۴۴ توکنی، همان بیشینه خروجی ۱۶٬۳۸۴ توکنی، استریمینگ، فراخوانی ابزار و reasoning_effort را دارند. پرچم‌های زنده قابلیت‌ها روی صفحه مستندات API هستند.

دو نمونه کارشده

نخست، یک ورودی ۱۲۰٬۰۰۰ توکنی — تخلیه یک کدبیس، یک پرونده مقرراتی — که تحلیلی ۳٬۰۰۰ توکنی تولید می‌کند. دوم، یک اجرای عامل چهل‌نوبتی: تقریباً ۱٫۲ میلیون توکن ورودی تجمعی همراه با انباشته شدن کانتکست، و ۹۰٬۰۰۰ توکن خروجی شامل استدلال.

سناریو	Kimi-K3	Kimi-K2.6	MiniMax-M3
۱۲۰K ورودی / ۳K خروجی	$0.517	$0.105	$0.066
اجرای عامل ۴۰ نوبتی	$6.32	$1.27	$0.78

K3 روی فراخوان سند حدود ۴٫۹ برابر Kimi-K2.6 هزینه دارد. پنجاه سنت یک بار هیچ است؛ اما در هزار فراخوان می‌شود ۵۱۷ دلار در روز، در برابر ۱۰۵ دلار. روی اجرای عامل، اختلاف حدود ۵ دلار است. حالا تنها آزمونی را که اهمیت دارد اعمال کنید: اگر کار ارزش یک ساعت وقت یک مهندس با نرخ ۱۰۰ دلار را دارد، K3 همان لحظه‌ای خرج خودش را درمی‌آورد که موفقیت در نخستین تلاش را پنج واحد درصد بالا ببرد — و روی کار واقعاً سختِ افق‌بلند، فاصله میان رده‌ها معمولاً بزرگ‌تر است. اگر کار ارزش سی ثانیه وقت هیچ‌کس را ندارد، همان ۵ دلار غیرقابل‌دفاع است.

07Kimi-K3 یا یک هم‌خانواده ارزان‌تر؟

دو مدل Kimi در کاتالوگ ما به‌جای رقیب بودن، دو پله از یک نردبان‌اند. Kimi-K2.6 کم‌تهاجمی‌تر کوانتیزه شده — W4A16-AUTOROUND-REAP، وزن‌های ۴ بیتی با گِردکردن آموخته‌شده، در برابر ۳ بیت K3 — روی بنیانی کوچک‌تر. بینایی دارد، خروجی با اسکیمای JSON دارد، همان پنجره کانتکست را دارد، و حدود یک‌پنجم هزینه دارد.

کار	استفاده کنید از	چرا
عامل خودگردان چهل‌نوبتی	Kimi-K3	شکست انباشته می‌شود؛ کیفیت برنامه در نوبت اول سرنوشت اجرا را تعیین می‌کند
بازآرایی در مقیاس مخزن	Kimi-K3	به نگه داشتن منسجم کل کانتکست نیاز دارد، نه صرفاً بازیابی از آن
نمودارهای متراکم، متن ریز اسکرین‌شات	Kimi-K3	بزرگ‌ترین شکاف بینایی میان رده‌ها در خوانایی و استدلال فضایی است
ویرایش‌های تک‌فایلی، خوب‌مشخص‌شده	Kimi-K2.6	کار محدود، تکرار ارزان، بدون تفاوت سقف قابل‌اندازه‌گیری
کپشن‌نویسی تصویر در حجم بالا	MiniMax-M3 / MiMo-V2.5	با ۰٫۵۰ دلار ورودی حل شده؛ خروجی K3 برای همان کپشن ۹٫۶ برابر است
استدلال‌سنگین اما فقط متنی	DeepSeek-V4-Pro	خروجی ۳٫۹۰ دلار در برابر ۱۹٫۱۲ دلار — اگر به تصویر نیاز ندارید K3 را کنار بگذارید

آن سطر آخر رایج‌ترین صرفه‌جویی از دست رفته است. اگر کار شما تصویر ندارد، اول DeepSeek-V4-Pro را بررسی کنید. آن هم بیلدی 3BIT-REAP روی بنیانی بزرگ است، در استدلال سخت قوی است، و خروجی‌اش ۳٫۹۰ دلار در برابر ۱۹٫۱۲ دلار K3 هزینه دارد. بخش زیادی از ترافیکی که سراغ رده برتر می‌رود استدلال فقط‌متنی است که یک سطر پایین‌تر هم به همان خوبی سرو می‌شود.

08فراخوانی API بدون سانسور Kimi K3

این مدل با نام Kimi-K3-3BIT-REAP روی هر سه گویش در دسترس است، با استریمینگ روی هرکدام و بدون تفاوت قابلیتی میانشان — فقط قالب انتقال فرق دارد: /v1/chat/completions (سازگار با OpenAI)، /v1/messages (سازگار با Anthropic)، و /v1/responses. یک درخواست بینایی با تلاش استدلال بالا برده‌شده برای یک کار بصری سخت:

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 هم از response_format و هم از json_schema کامل پشتیبانی می‌کند، پس می‌توانید آرگومان‌های ابزار یک عامل را مقید کنید یا یک گزارش را بدون تجزیه پس از تولید به شکلی ثابت وادار کنید. فراخوانی ابزار بومی است و همان راه در نظر گرفته‌شده برای راندن اجراهای طولانی است. پارامترها، احراز هویت، محدودیت‌های نرخ و یک پلی‌گراند زنده روی صفحه مستندات API هستند.

سه کار که از همان روز اول پول نگه می‌دارد

• پیشوند را هرس کنید. هر نوبت کل گفت‌وگو را با ۳٫۸۳ دلار به ازای هر میلیون دوباره صورت‌حساب می‌کند؛ خلاصه کردنِ یک‌باره یک تاریخچه ۴۰ نوبتی در یک شیء وضعیت ۴ هزار توکنی بیشتر از بیشتر تعویض‌های مدل صرفه‌جویی می‌کند.
• تصاویر را کوچک کنید. توکن‌های تصویری همان توکن‌های ورودی‌اند؛ یک اسکرین‌شات 4K که به اندازه‌ای همچنان خوانا کوچک شده باشد همان پاسخ را ارزان‌تر می‌دهد.
• بر اساس دشواری مسیردهی کنید. یک مدل ارزان روی نوبت‌های روتین، با K3 روی برنامه‌ریزی، شاخه سخت و بازبینی نهایی، اغلب ۸۰٪ توانمندی را با ۲۵٪ صورت‌حساب می‌دهد.

09پرسش‌های پرتکرار

---

حقایق و بنچمارک‌های بنیان، اعداد منتشرشده Moonshot AI برای Kimi K3 و Kimi K2 هستند و مدل‌های بالادستِ کوانتیزه‌نشده را توصیف می‌کنند؛ بیلد ما یک کوانتیزاسیون ۳ بیتی REAP است و تفاوت خواهد داشت. قیمت‌ها، کانتکست و پرچم‌های قابلیت از آنِ خودِ Shannon AI و تا ۵ سپتامبر ۲۰۲۶ به‌روزند — مقادیر زنده همیشه همان‌هایی هستند که /v1/models برمی‌گرداند. منابع: کارت مدل Kimi K3 · مخزن Kimi K3 · Kimi K2 Thinking.