API Kimi K3 sans censure

La plupart des guides de sélection de modèle sont écrits comme si la capacité était gratuite. Elle ne l'est pas. La question intéressante à propos d'un modèle haut de gamme n'est jamais « est-il meilleur » — il l'est en général — mais « est-il suffisamment meilleur, sur cette tâche, pour justifier une facture cinq fois plus lourde que celle du modèle du cran en dessous ». Ce guide y répond avec de vrais calculs, et dit franchement là où les options moins chères l'emportent.

01Ce qu'est réellement Kimi K3

Kimi K3 est le modèle phare à poids ouverts de Moonshot AI, publié en juillet 2026 sous la licence Kimi K3 — la troisième génération d'une lignée commencée avec Kimi K2, et une architecture véritablement nouvelle plutôt qu'un simple affinage.

L'architecture publiée compte 93 couches — 69 utilisant la Kimi Delta Attention, 24 une attention latente multi-tête à portes, une dense — avec un routeur Stable LatentMoE sélectionnant 16 experts sur 896 par token, plus 2 partagés. Moonshot rapporte une amélioration d'environ 2,5× de l'efficacité de mise à l'échelle par rapport à Kimi K2 grâce à cette combinaison. La vision est native plutôt que rapportée : un encodeur MoonViT-V2 de 401 millions de paramètres alimente le même tronc que celui qui traite le texte.

Le chiffre de parcimonie mérite d'être intégré : K3 active 104 milliards de paramètres par token, contre une plage de 30 à 40 milliards pour l'essentiel de notre catalogue. Cela représente environ trois fois plus de calcul par token généré, et c'est toute la raison pour laquelle ce modèle est en tête de la grille tarifaire. Vous ne payez pas un palier de marque — vous payez des secondes-GPU.

La lignée, en bref

• Kimi K2 — 1 000 milliards de paramètres, 32 milliards actifs, 384 experts dont 8 routés par token, pré-entraîné sur 15 500 milliards de tokens avec l'optimiseur MuonClip, conçu pour éviter les explosions d'attention qui ruinent l'entraînement des MoE à cette échelle.
• Kimi K2 Thinking — la même fondation, à laquelle on a appris à entrelacer raisonnement et usage d'outils ; Moonshot rapporte le maintien de 200 à 300 appels d'outils séquentiels en une seule exécution, avec 44,9 % à Humanity's Last Exam avec outils et 60,2 % à BrowseComp.
• Kimi K3 — reconstruit avec une multimodalité native et une fenêtre d'un million de tokens en amont, avec un entraînement tenant compte de la quantification dès l'étape d'affinage supervisé (poids MXFP4, activations MXFP8). C'est pourquoi K3 tolère mieux une compression agressive que des modèles jamais entraînés dans cette optique.

Le fil conducteur, c'est l'autonomie sur long horizon : chaque génération a été optimisée pour rester cohérente sur des centaines d'étapes plutôt que pour gagner des benchmarks à réponse courte. C'est cette capacité que vous achetez.

02Ce que signifie « 3BIT-REAP », et pourquoi un modèle de 2,8 T en a besoin

Le suffixe de l'identifiant de modèle n'est pas décoratif — il indique ce qui a été fait aux poids avant leur chargement sur notre propre cluster GPU, et c'est la réserve honnête attachée à chaque affirmation de cette page. Commençons par l'arithmétique. Un modèle de 2 800 milliards de paramètres en précision 16 bits représente environ 5,6 téraoctets de poids. À 3 bits par poids, on est plus près de 1,05 téraoctet — encore volumineux, mais un déploiement praticable avec de la place pour un cache KV de 262K tokens. REAP est la seconde moitié : une méthode d'élagage d'experts qui profile ceux que le routeur sollicite réellement et supprime les rarement sélectionnés avant la quantification plutôt qu'après. Sur un modèle qui ne route que 16 experts sur 896 par token, c'est un choix naturel — une distribution aussi éparse a une longue traîne qui contribue très peu au trafic réel — et élaguer d'abord signifie que le budget de bits restant est dépensé pour les experts qui comptent.

Notre catalogue utilise trois suffixes comme une échelle délibérée. 3BIT-REAP va sur les plus grandes fondations, là où rien d'autre ne tient. W4A16-AUTOROUND-REAP, ce sont des poids 4 bits avec des activations 16 bits quantifiées à l'aide d'AutoRound — un arrondi appris qui récupère une exactitude réelle par rapport à un arrondi naïf au plus proche — plus le même élagage. W8A16 est le palier de plus haute fidélité, pour des fondations assez petites pour ne pas nécessiter de compression agressive. En résumé : le suffixe vous dit ce qui a survécu de l'original ; le prix vous dit ce que coûte son exécution.

03Vision : ce que la compréhension d'images vous apporte

Kimi-K3 est l'un des cinq modèles dotés de vision dans notre catalogue de douze, et le plus capable des cinq. La plupart des API de vision commerciales font passer un classifieur sur les images envoyées et refusent une large catégorie d'entrées avant même que le modèle ne les voie — un choix par défaut raisonnable pour le grand public, et un obstacle sérieux au travail légitime. Les chercheurs en sécurité qui capturent la sortie d'un exploit, les équipes de modération qui construisent leurs propres classifieurs, le travail de forensique et d'audit de jeux de données, et l'évaluation en red team se heurtent tous à ce mur. Kimi-K3 n'a aucune couche de refus ni filtrage sur la sortie.

Là où la vision de K3 justifie son prix face à des modèles de vision moins chers

• Schémas et diagrammes denses — diagrammes d'architecture, topologies réseau, circuits : tout ce dont la réponse dépend du suivi de lignes et d'étiquettes plutôt que de la désignation d'objets.
• Petit texte dans les captures d'écran — traces d'exécution, sortie de terminal, cellules de tableur. L'écart entre paliers de vision est le plus large sur la lisibilité à petite échelle.
• Image au sein d'un long texte — une capture d'écran glissée dans un contexte de 200K tokens, où le modèle doit relier ce qu'il voit à ce qu'il a lu cinquante mille tokens plus tôt.
• Comparaison de plusieurs images — deux versions d'une interface, ou un graphique face au tableau qui l'a produit.

Là où il ne justifie pas son prix : le sous-titrage, les textes alternatifs, l'OCR de documents propres et les chaînes d'étiquetage. Ces problèmes sont résolus à 0,50 $ par million de tokens d'entrée — si votre charge sur images est à gros volume et que chaque élément est individuellement simple, Kimi-K2.6 ou MiniMax-M3 produisent des réponses que vous ne distinguerez pas de celles de K3.

Les images consomment des tokens sur le même budget de 262,144 tokens que le texte et sont facturées au tarif d'entrée. Une poignée de captures d'écran en haute résolution n'est pas gratuite.

04Travail agentique sur long horizon — ce à quoi sert ce palier

S'il est une charge de travail qui justifie le palier supérieur, c'est celle-ci. Les tâches courtes échouent avec indulgence : le modèle se trompe, vous le remarquez, vous réessayez, vous avez perdu quatre secondes. Un agent de quarante tours qui prend une mauvaise branche au tour six passe les trente-quatre tours suivants à bâtir minutieusement sur une erreur, et vous ne le découvrez qu'à la fin, après avoir payé chaque token de l'intervalle. Cette asymétrie explique pourquoi le prix au token est ici presque la mauvaise métrique. Ce qui compte, c'est le coût par exécution réussie, dominé par la fréquence à laquelle une exécution part à la poubelle. Voici les chiffres publiés par Moonshot pour la fondation K3 sur les benchmarks agentiques :

Tous ces chiffres sont rapportés par Moonshot pour la fondation Kimi K3 non quantifiée, juillet 2026. Ce ne sont pas des mesures de notre build 3BIT-REAP et nous ne les présentons pas comme telles.

Le profil correspond à ce pour quoi l'architecture a été bâtie : BrowseComp et Terminal-Bench sont des benchmarks de boucle d'outils — des cycles répétés d'action, d'observation et de révision. SWE Marathon à 42,0 est le contrepoids : l'évaluation de codage sur long horizon la plus difficile du lot, où même un modèle de pointe échoue sur la majorité des tâches. « Agentique » n'est pas une catégorie résolue ; concevez pour l'échec quel que soit le modèle choisi.

Réglages pratiques pour les longues exécutions

K3 expose reasoning_effort, et c'est ici un véritable levier de coût : les tokens de raisonnement sont facturés comme des tokens de sortie, à 19,12 $ par million.

• Low — routage d'appels d'outils et extraction structurée, là où le modèle choisit entre une poignée d'options connues.
• High — le réglage par défaut pour du vrai travail agentique : planifier une modification en plusieurs étapes, déboguer à partir d'une trace d'exécution, réconcilier des sources contradictoires.
• Max — réservez-le à l'appel le plus difficile d'un pipeline : le plan en tête d'exécution, ou la relecture finale. Une exécution qui dépense 30K tokens de raisonnement en high et 90K en max paie 1,15 $ de plus pour ce seul réglage.

Budgétez aussi le contexte délibérément : notre fenêtre est de 262,144 tokens avec une sortie maximale de 16,384 tokens, et à 3,83 $ par million en entrée, un historique non élagué s'accumule — chaque tour refacture tout le préfixe.

05Ce que « sans censure » veut dire sur ce point de terminaison

Tous les modèles de la passerelle Shannon AI sont servis sans couche de refus ni filtrage de contenu sur la sortie. Cela compte davantage sur le palier supérieur, parce que les tâches que les gens confient à un modèle haut de gamme sont les plus susceptibles de déclencher un filtre : recherche adverse en sécurité, analyse d'outils offensifs, développement de classifieurs de modération, renseignement sur les menaces, fiction difficile, et toute évaluation exigeant du modèle qu'il produise précisément la chose que vous cherchez à détecter.

• Aucun classifieur de sortie. Les réponses ne sont ni analysées puis réécrites, ni bloquées après génération.
• Aucun portail d'entrée. Les requêtes et les images ne sont pas filtrées avant d'atteindre le modèle.
• Ce n'est pas un modèle différent. C'est la fondation Kimi K3 servie sans la couche qui se tient d'habitude devant elle.
• Ce n'est pas un transfert de responsabilité. Retirer une couche de refus déplace le jugement vers vous — voyez notre politique d'usage responsable.

Il y a un bénéfice plus discret pour qui construit des systèmes d'évaluation : un modèle non filtré est une référence stable. Un modèle qui refuse de façon imprévisible rend les mesures bruitées, parce que vous ne pouvez pas séparer une limite de capacité d'une limite de politique. Ici, un échec est un échec de capacité — le seul type que vous puissiez déboguer.

06Le prix : 3,83 $ en entrée, 19,12 $ en sortie — et quand il le vaut

C'est de loin le modèle le plus cher de notre liste : la sortie coûte 9,6× notre plancher de 2,00 $ et 5,2× ce que coûte Kimi-K2.6. Voici les calculs, à découvert.

Modèle	Entrée / 1M	Sortie / 1M	Vision	JSON schema
Kimi-K3 · 3BIT-REAP	3,83 $	19,12 $	Oui	Oui
DeepSeek-V4-Pro-0813 · 3BIT-REAP	1,95 $	3,90 $	Non	Oui
inkling · W4A16-AUTOROUND-REAP	1,42 $	6,07 $	Oui	Non
Kimi-K2.6 · W4A16-AUTOROUND-REAP	0,78 $	3,67 $	Oui	Oui
GLM-5.2 · 3BIT-REAP	0,73 $	2,34 $	Non	Oui
MiniMax-M3 · 3BIT-REAP	0,50 $	2,00 $	Oui	Oui
MiMo-V2.5 · W8A16	0,50 $	2,00 $	Oui	Oui

Lignes sélectionnées, classées par prix d'entrée. Les douze modèles partagent le même contexte de 262,144 tokens, la même sortie maximale de 16,384 tokens, le streaming, l'appel d'outils et reasoning_effort. Les indicateurs de capacités en vigueur figurent sur la page de documentation de l'API.

Deux exemples chiffrés

D'abord, une entrée de 120 000 tokens — un vidage de base de code, un dépôt réglementaire — produisant une analyse de 3 000 tokens. Ensuite, une exécution d'agent de quarante tours : environ 1,2M de tokens d'entrée cumulés à mesure que le contexte s'accumule, 90 000 tokens de sortie raisonnement compris.

Scénario	Kimi-K3	Kimi-K2.6	MiniMax-M3
120K en entrée / 3K en sortie	0,517 $	0,105 $	0,066 $
Exécution d'agent de 40 tours	6,32 $	1,27 $	0,78 $

K3 coûte environ 4,9× Kimi-K2.6 sur l'appel documentaire. Cinquante cents, ce n'est rien une fois ; c'est 517 $ par jour à mille appels, contre 105 $. Sur l'exécution d'agent, l'écart est d'environ 5 $. Appliquez maintenant le seul test qui compte : si la tâche vaut une heure du temps d'un ingénieur à 100 $, K3 se rembourse dès qu'il relève le taux de réussite du premier coup de cinq points de pourcentage — et sur du travail vraiment difficile sur long horizon, l'écart entre paliers est en général plus grand. Si la tâche vaut trente secondes du temps de quiconque, ces mêmes 5 $ sont indéfendables.

07Kimi-K3 ou un voisin moins cher ?

Les deux modèles Kimi de notre catalogue sont deux barreaux d'une même échelle plutôt que des concurrents. Kimi-K2.6 est quantifié moins agressivement — W4A16-AUTOROUND-REAP, poids 4 bits avec arrondi appris, contre le 3 bits de K3 — sur une fondation plus petite. Il a la vision, la sortie JSON-schema, la même fenêtre de contexte, et coûte environ cinq fois moins cher.

Tâche	Utiliser	Pourquoi
Agent autonome de quarante tours	Kimi-K3	L'échec s'accumule ; la qualité du plan au premier tour décide de l'exécution
Refactorisation à l'échelle du dépôt	Kimi-K3	Exige de tenir tout le contexte de façon cohérente, pas simplement d'y puiser
Schémas denses, petit texte dans une capture	Kimi-K3	Le plus grand écart de vision entre paliers porte sur la lisibilité et le raisonnement spatial
Modifications d'un seul fichier, bien spécifiées	Kimi-K2.6	Tâche bornée, réessai bon marché, aucune différence de plafond mesurable
Sous-titrage d'images à grande échelle	MiniMax-M3 / MiMo-V2.5	Résolu à 0,50 $ en entrée ; la sortie de K3 coûte 9,6× pour la même légende
Fort en raisonnement mais purement textuel	DeepSeek-V4-Pro	3,90 $ en sortie contre 19,12 $ — laissez K3 de côté si vous n'avez pas besoin d'images

Cette dernière ligne est l'économie la plus souvent manquée. Si votre tâche n'implique pas d'images, regardez DeepSeek-V4-Pro en premier. C'est aussi un build 3BIT-REAP sur une grande fondation, solide en raisonnement difficile, et sa sortie coûte 3,90 $ contre 19,12 $ pour K3. Une bonne part du trafic qui vise le palier supérieur est du raisonnement purement textuel tout aussi bien servi un cran plus bas.

08Appeler l'API Kimi K3 sans censure

Le modèle est exposé sous l'identifiant Kimi-K3-3BIT-REAP sur les trois dialectes, avec le streaming sur chacun et aucune différence de capacités entre eux — seulement le format de transport : /v1/chat/completions (compatible OpenAI), /v1/messages (compatible Anthropic) et /v1/responses. Une requête avec vision et effort de raisonnement relevé pour une tâche visuelle difficile :

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 prend en charge à la fois response_format et json_schema complet : vous pouvez donc contraindre les arguments d'outils d'un agent ou forcer un rapport dans une forme fixe sans analyse a posteriori. L'appel d'outils est natif et constitue la manière prévue de piloter de longues exécutions. Les paramètres, l'authentification, les limites de débit et un bac à sable interactif se trouvent sur la page de documentation de l'API.

Trois choses qui font économiser dès le premier jour

• Élaguez le préfixe. Chaque tour refacture toute la conversation à 3,83 $ par million ; résumer un historique de 40 tours en un objet d'état de 4K tokens, une seule fois, fait économiser plus que la plupart des changements de modèle.
• Réduisez les images. Les tokens d'image sont des tokens d'entrée ; une capture d'écran 4K redimensionnée à une taille encore lisible donne la même réponse pour moins cher.
• Routez selon la difficulté. Un modèle bon marché sur les tours de routine, avec K3 pour le plan, la branche difficile et la relecture finale, donne souvent 80 % de la capacité pour 25 % de la facture.

09Questions fréquentes

---

Les faits d'architecture et les benchmarks sont les chiffres publiés par Moonshot AI pour Kimi K3 et Kimi K2 et décrivent les modèles amont non quantifiés ; notre build est une quantification REAP 3 bits et différera. Les prix, le contexte et les indicateurs de capacités sont ceux de Shannon AI, à jour au 5 septembre 2026 — les valeurs en vigueur sont toujours celles renvoyées par /v1/models. Sources : fiche de modèle Kimi K3 · dépôt Kimi K3 · Kimi K2 Thinking.