API Kimi K3 Gun Chaisgireachd
An ìre comais as àirde air Geata Shannon AI: bunait ioma-mhodhach le 2.8-trillean paramadair le lèirsinn, gairm-inneal agus co-theacsa 262K — gun sreath diùltaidh, agus a' phrìs as àirde air an liosta againn. Seo cuin as fhiach a' phrìs sin a phàigheadh.
Geàrr-chunntas
Kimi-K3-3BIT-REAP am modail as làidire a fhrithealas sinn agus am fear as daoire: $3.83 gach millean token a-steach, $19.12 gach millean a-mach. Tha lèirsinn aige, co-theacsa 262,144-token, toradh as motha de 16,384 token, gairm-inneal, toradh JSON-schema, reasoning_effort so-atharraichte agus sruthadh air na trì dualchainntean API — gun sreath diùltaidh agus gun sìoladh toraidh. An taghadh ceart airson ruithean àidseantach fad-fhàire, reusanachadh duilich ioma-cheumnach, agus obair dhealbhan far a bheil mion-fhiosrachadh lèirsinneach cudromach. An taghadh ceàrr airson seòrsachadh, às-tharraing, còmhradh, agus rud sam bith a ruitheas tu ceud mìle uair san latha.
Tha a' mhòr-chuid de stiùiridhean taghadh-modail air an sgrìobhadh mar gum biodh comas saor an-asgaidh. Chan eil. Chan e a' cheist inntinneach mu mhodail ìre-àrd "a bheil e nas fheàrr" a-riamh — mar as trice tha — ach "a bheil e nas fheàrr gu leòr, air an obair seo, gus cunntas còig thursan nas motha na a' mhodail aon cheum sìos fhastadh." Bheir an stiùireadh seo freagairt le fìor àireamhachd, agus canaidh e gu soilleir càite an buannaich na roghainnean nas saoire.
01Dè th' ann an Kimi K3 dha-rìribh
'S e am prìomh mhodail le cuideaman fosgailte aig Moonshot AI a th' ann an Kimi K3, air a chur a-mach san Iuchar 2026 fo Cheadachas Kimi K3 — an treas ginealach de shinnsireachd a thòisich le Kimi K2, agus ailtireachd ùr dha-rìribh seach fìneadh.
'S e an cruth foillsichte 93 sreath — 69 a' cleachdadh Kimi Delta Attention, 24 a' cleachdadh aire falaichte ioma-chinn geataichte, aon dùmhail — le rianadair Stable LatentMoE a' taghadh 16 de 896 eòlaiche gach token a bharrachd air 2 cho-roinnte. Bidh Moonshot ag aithris timcheall air 2.5x leasachadh air èifeachdas sgèilidh thar Kimi K2 bhon cho-cheangal sin. Tha lèirsinn dùthchasach seach ceangailte air: bidh encoder MoonViT-V2 le 401M paramadair a' biathadh an aon staic a làimhsicheas teacsa.
Is fhiach an àireamh fhànaisdeachd a chur nad chuimhne: bidh K3 a' gnìomhachadh 104 billean paramadair gach token, an aghaidh an raoin 30-gu-40-billean a th' aig a' mhòr-chuid den chatalog againn. Sin timcheall air trì thursan an àireamhachd gach token a chaidh a ghineadh, agus 's e sin an t-adhbhar gu lèir a tha am modail seo aig mullach liosta nam prìsean. Chan eil thu a' pàigheadh airson ìre branda — tha thu a' pàigheadh airson diogan-GPU.
An t-sinnsireachd, ann am beagan fhaclan
- Kimi K2 — 1 trillean paramadair, 32 billean gnìomhach, 384 eòlaiche le 8 air an stiùireadh gach token, ro-thrèanaichte air 15.5 trillean token a' cleachdadh an optimizer MuonClip, air a thogail gus stad a chur air na spreadhaidhean aire a mhilleas trèanadh MoE aig an sgèile sin.
- Kimi K2 Thinking — an aon bhunait air a theagasg gus reusanachadh a chur eadar-fhighte le cleachdadh inneil, air aithris a' cumail suas 200 gu 300 gairm-inneil an dèidh a chèile ann an aon ruith, le 44.9% air Humanity's Last Exam le innealan agus 60.2% air BrowseComp.
- Kimi K3 — air ath-thogail le ioma-mhodhachd dùthchasach agus uinneag millean-token an-àirde, le trèanadh mothachail air cuantachadh o ìre an fhìneadh fo-stiùirichte a-mach (cuideaman MXFP4, gnìomhachaidhean MXFP8). Sin as coireach gum fuiling K3 teannachadh dàna nas fheàrr na modailean nach deach an trèanadh a-riamh leis an sin nan cuimhne.
'S e àidseantachd fad-fhàire an snàth: chaidh gach ginealach a mheudachadh airson fuireach ciallach thairis air ceudan cheuman seach airson buannachadh deuchainnean-coimeis freagairt-ghoirid. Sin an comas air a bheil thu a' ceannach.
02Dè tha "3BIT-REAP" a' ciallachadh, agus carson a dh'fheumas modail 2.8T e
Chan e sgeadachadh a th' anns an iar-leasachan air aithne a' mhodail — tha e ag innse dè chaidh a dhèanamh ris na cuideaman mus deach an luchdachadh air a' chruinneachadh GPU againn fhìn, agus 's e an caveat onarach a th' ann an ceangal ri gach tagradh an seo. Tòisich leis an àireamhachd. Tha modail le 2.8-trillean paramadair aig mionaideachd 16-bit mu 5.6 terabyte de chuideaman. Aig 3 bit gach cuideam tha e nas fhaisge air 1.05 terabyte — mòr fhathast, ach cleachdadh so-dhèanta le àite air fhàgail airson tasgadan KV de 262K-token. 'S e REAP an dàrna leth: dòigh bearraidh eòlaichean a bhios a' proifileadh dè na h-eòlaichean air a bheil an rianadair a' ruighinn dha-rìribh agus a' toirt air falbh an fheadhainn nach tèid an taghadh ach ainneamh mus tèid an cuantachadh seach às a dhèidh. Air modail nach eil a' stiùireadh ach 16 de 896 eòlaiche gach token, tha sin na fhreagairt nàdarra — tha earball fada aig sgaoileadh cho fànaisdeach sin nach cuir mòran ris an trafaic fhìor — agus tha bearradh an toiseach a' ciallachadh gun tèid am buidseat bit a tha air fhàgail a chosg air na h-eòlaichean a tha cudromach.
Bi onarach mun cho-mhalairt
Bidh teannachadh a' cosg cruinneas, agus chan ann gu co-ionnan. Nochdaidh e an toiseach ann an cuimhneachadh fìrinneach earball-fhada agus anns na puingean mu dheireadh de chruinneas cruaidh-mhatamataig, fada nas lugha ann an leantainn stiùiridh, cumadh gairm-inneil, no structar plana àidseantach fhada. 'S e trèanadh mothachail air cuantachadh K3 as coireach gum fan an togail seo seasmhach. Ach ma 's e an obair agad ath-fhaighinn fìrinnean dorcha aon-shot, na gabh ris gum buadhaich modail 2.8T cuantaichte air fear beag 8-bit air àireamh pharamadairean a-mhàin.
Bidh an catalog againn a' cleachdadh trì iar-leasachain mar ladar a dh'aon ghnothach. Thèid 3BIT-REAP air na bunaitean as motha, far nach freagair dad eile. 'S e W4A16-AUTOROUND-REAP cuideaman 4-bit le gnìomhachaidhean 16-bit air an cuantachadh le AutoRound — cruinneachadh ionnsaichte a dh'aisigeas fìor chruinneas thairis air cruinneachadh sìmplidh gu ìre-as-fhaisge — a bharrachd air an aon bhearradh. 'S e W8A16 an ìre as àirde de dhìlseachd, airson bunaitean beag gu leòr gun fheum air teannachadh dàna. Ann am facal: innsidh an t-iar-leasachan dè na mhair den fhear thùsail; innsidh a' phrìs dè a chosgas e a ruith.
03Lèirsinn: dè a cheannaicheas tuigse dhealbhan dhut
'S e Kimi-K3 fear de chòignear modail sa chatalog dhà-dheug-modail againn le lèirsinn, agus am fear as comasaiche dhiubh. Bidh a' mhòr-chuid de APIan lèirsinn malairteach a' ruith seòrsaichear thairis air dealbhan air an luchdachadh suas agus a' diùltadh roinn farsaing de dh'ionchuir mus fhaic am modail iad idir — bun-roghainn reusanta do luchd-cleachdaidh coitcheann agus cnap-starra dona do dh'obair dhligheach. Bidh luchd-rannsachaidh tèarainteachd a' togail glacaidhean-sgrìn de thoradh brath, sgiobaidhean maorsainneachd a' togail an seòrsaichearan fhèin, obair sgrùdaidh forensaig is seata-dàta, agus measadh sgioba-dhearg uile a' bualadh air a' bhalla sin. Chan eil sreath diùltaidh no sìoladh air an toradh aig Kimi-K3.
Càite an cosnaidh lèirsinn K3 a phrìs thairis air modailean lèirsinn nas saoire
- Diagraman dùmhail agus sgeamaichean — diagraman ailtireachd, cruthan lìonra, cuairtean: rud sam bith far a bheil an fhreagairt an urra ri bhith a' leantainn loidhnichean agus leubail seach a bhith ag ainmeachadh nithean.
- Teacsa beag ann an glacaidhean-sgrìn — lorgan-cruaiche, toradh tèirmineil, ceallan cliath-dhuilleige. 'S ann air so-leughadh aig sgèile bheag as fharsainge a tha am beàrn eadar ìrean lèirsinn.
- Dealbh am broinn teacsa fhada — glacadh-sgrìn air a chur ann an co-theacsa 200K-token, far am feum am modail na chì e a cheangal ris na leugh e leth-cheud mìle token na bu tràithe.
- Coimeas ioma-dhealbh — dà thionndadh de UI, no clàr an aghaidh a' chlàir-dàta a ghin e.
Càite nach cosnaich e a phrìs: fo-thiotalan, teacsa alt, OCR de sgrìobhainnean glana, agus pìoban tagaidh. Tha iad sin air am fuasgladh aig $0.50 gach millean token a-steach — ma tha an t-uallach-obrach dealbhan agad àrd-thomhas agus gach nì fa leth sìmplidh, bheir Kimi-K2.6 no MiniMax-M3 seachad freagairtean nach dèan thu eadar-dhealachadh bho fheadhainn K3.
Bidh dealbhan a' caitheamh tokenan às an aon bhuidseat de 262,144 token ri teacsa agus a' cosg aig ìre an ionchuir. Chan eil dòrlach de ghlacaidhean-sgrìn àrd-dhìumhachd saor an-asgaidh.
04Obair àidseantach fad-fhàire — càite a bheil an ìre seo airson
Ma tha aon uallach-obrach a' fìreanachadh na h-ìre as àirde, 's e seo e. Bidh gnìomhan goirid a' fàilligeadh gu maitheanach: gheibh am modail ceàrr e, mothaichidh tu, feuchaidh tu a-rithist, chaill thu ceithir diogan. Bidh àidseant dà-fhichead-cuairt a ghabhas meur cheàrr air cuairt a sia a' cosg an ath thrithead 's a ceithir cuairtean a' togail gu mionaideach air mearachd, agus gheibh thu a-mach aig an deireadh às dèidh dhut pàigheadh airson gach token eadar. Sin as coireach gu bheil prìs gach token faisg air an t-slat-thomhais cheàrr an seo. 'S e cosgais gach coileanadh soirbheachail a tha cudromach, fo smachd cho tric 's a thèid ruith a thilgeil air falbh. Àireamhan foillsichte Moonshot airson bunait K3 air deuchainnean-coimeis àidseantach:
Tha na h-àireamhan uile air an aithris le Moonshot airson bunait Kimi K3 neo-chuantaichte, Iuchar 2026. Chan e tomhasan air an togail 3BIT-REAP againn a th' annta agus cha bhith sinn gan taisbeanadh mar sin.
Tha an cumadh a' freagairt na chaidh an ailtireachd a thogail air a shon: 's e deuchainnean-coimeis lùb-inneil a th' ann am BrowseComp agus Terminal-Bench — cuairtean a-rithist de ghnìomhachadh, amharc, ath-sgrùdadh. 'S e SWE Marathon aig 42.0 an cothrom-meidh: an deuchainn-coimeis còdaidh fad-fhàire as duilghe san t-seata, far am fàillig eadhon modail fìor-thoisich a' mhòr-chuid de ghnìomhan. Chan e roinn air a fuasgladh a th' ann an "àidseantach"; dealbhaich airson fàilligeadh ge b' e dè am modail a thaghas tu.
Suidheachaidhean practaigeach airson ruithean fada
Bidh K3 a' nochdadh reasoning_effort, agus an seo 's e fìor luamhan cosgais a th' ann: bidh tokenan reusanachaidh a' cosg mar thokenan toraidh, aig $19.12 gach millean.
- Ìseal — stiùireadh gairm-inneil agus às-tharraing structarach, far a bheil am modail a' taghadh eadar dòrlach de roghainnean aithnichte.
- Àrd — am bun-roghainn airson fìor obair àidseantach: dealbhadh atharrachaidh ioma-cheumnach, dì-bhugachadh o lorg-cruaiche, a' rèiteachadh thùsan a tha a' dol an aghaidh a chèile.
- As motha — glèidh e airson a' ghairm as duilghe ann am pìoban: am plana aig toiseach ruithe, no an lèirmheas mu dheireadh. Bidh ruith a chosgas 30K token reusanachaidh aig àrd agus 90K aig as motha a' pàigheadh $1.15 a bharrachd airson an aon bhrataich.
Buidsead co-theacsa a dh'aon ghnothach cuideachd: 's e an uinneag againn 262,144 token le toradh as motha de 16,384 token, agus aig $3.83 gach millean a-steach bidh eachdraidh gun bhearradh a' co-mheudachadh — bidh gach cuairt ag ath-chosg an ro-leasachain shlàin.
05Dè tha "gun chaisgireachd" a' ciallachadh air an oir-phuing seo
Tha gach modail air Geata Shannon AI air fhrithealadh gun sreath diùltaidh agus gun sìoladh susbaint air an toradh. Tha e cudromach nas motha air an ìre as àirde, oir 's e na h-obraichean a bheir daoine gu modail ìre-àrd na feadhainn as buailtiche sìoltachan a bhrosnachadh: rannsachadh tèarainteachd nàimhdeil, mion-sgrùdadh innealan ionnsaigh, leasachadh seòrsaichearan maorsainneachd, fiosrachadh bagairt, ficsean duilich, agus measadh sam bith a dh'fheumas am modail an rud air a bheil thu a' feuchainn ri lorg a thoirt a-mach.
- Gun seòrsaichear toraidh. Chan eil freagairtean air an sganadh agus air an ath-sgrìobhadh no air am bacadh às dèidh gineadh.
- Gun gheata ionchuir. Chan eil brosnachaidhean agus dealbhan air an sgrùdadh mus ruig iad am modail.
- Chan e modail eadar-dhealaichte a th' ann. 'S e bunait Kimi K3 a th' ann seo air fhrithealadh gun an sreath a bhios mar as trice na shuidhe air a bheulaibh.
- Chan e gluasad dleastanais a th' ann. Bidh toirt air falbh sreath diùltaidh a' gluasad a' cho-dhùnaidh thugadsa — faic ar poileasaidh cleachdaidh cunntachail.
Tha buannachd na bu shàmhaiche ann do dhuine sam bith a tha a' togail siostaman measaidh: 's e bun-loidhne sheasmhach a th' ann am modail gun sìoladh. Bidh modail a dhiùltas gu neo-thuairmseach a' dèanamh tomhasan fuaimneach, oir chan urrainn dhut crìoch comais a sgaradh o chrìoch phoileasaidh. An seo 's e fàilligeadh comais a th' ann am fàillinn — an aon seòrsa as urrainn dhut a dhì-bhugachadh.
06A' phrìs: $3.83 a-steach, $19.12 a-mach — agus cuin a chosnas i i fhèin
'S e seo am modail as daoire air an liosta againn le farsaingeachd mhòr: cosgaidh an toradh 9.6x an làr $2.00 againn agus 5.2x na chosgas Kimi-K2.6. Seo an àireamhachd gu fosgailte.
| Modail | A-steach / 1M | A-mach / 1M | Lèirsinn | Sgeama JSON |
|---|---|---|---|---|
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | Tha | Tha |
| DeepSeek-V4-Pro-0813 · 3BIT-REAP | $1.95 | $3.90 | Chan eil | Tha |
| inkling · W4A16-AUTOROUND-REAP | $1.42 | $6.07 | Tha | Chan eil |
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | $0.78 | $3.67 | Tha | Tha |
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | Chan eil | Tha |
| MiniMax-M3 · 3BIT-REAP | $0.50 | $2.00 | Tha | Tha |
| MiMo-V2.5 · W8A16 | $0.50 | $2.00 | Tha | Tha |
Sreathan air an taghadh, air an òrdachadh a rèir prìs an ionchuir. Bidh na dhà-dheug modail uile a' co-roinneadh an aon cho-theacsa 262,144-token, toradh as motha 16,384-token, sruthadh, gairm-inneal agus reasoning_effort. Tha brataichean comais beò air duilleag sgrìobhainnean an API.
Dà eisimpleir obraichte
An toiseach, ionchur 120,000-token — ùrlach bunait-chòd, teachdadh riaghlaidh — a' gineadh anailis 3,000-token. San dara h-àite, ruith àidseant dà-fhichead-cuairt: timcheall air 1.2M token ionchuir carnach fhad 's a bhios co-theacsa a' cruinneachadh, 90,000 token toraidh a' gabhail a-steach reusanachadh.
| Cùis | Kimi-K3 | Kimi-K2.6 | MiniMax-M3 |
|---|---|---|---|
| 120K a-steach / 3K a-mach | $0.517 | $0.105 | $0.066 |
| Ruith àidseant dà-fhichead-cuairt | $6.32 | $1.27 | $0.78 |
Cosgaidh K3 mu 4.9x Kimi-K2.6 air a' ghairm sgrìobhainn. Chan eil leth-dhollar na dad aon uair; 's e $517 san latha aig mìle gairm a th' ann, an aghaidh $105. Air an ruith àidseant, 's e an diofar mu $5. Cuir an aon deuchainn a tha cudromach an sàs a-nis: ma tha an obair fiach uair a thìde de dh'ùine innleadair aig $100, pàighidh K3 air a shon fhèin cho luath 's a dh'àrdaicheas e ìre soirbheachais a' chiad char le còig puingean sa cheud — agus air fìor obair fhad-fhàire dhuilich, mar as trice bidh am beàrn eadar na h-ìrean nas motha. Ma tha an obair fiach leth-mhionaid de dh'ùine duine sam bith, chan urrainnear an aon $5 a dhìon.
An riaghailt a chleachdas sinn dha-rìribh
Àrdaich gu Kimi-K3 nuair a tha cosgais fàilligeadh na ruithe a' dol thairis air diofar prìse ruith air a' mhodail nas fheàrr. Tha sin a' cur a' cho-dhùnaidh air luach na h-obrach seach prìs an token. Tha obair luach-àrd, tomhas-ìseal, fad-fhàire, doirbh-a-dhearbhadh a' dol gu K3. Chan eil obair tomhas-àrd, cunnart-ìseal, furasta-ath-fheuchainn — ge b' e cho drùidhteach 's a tha an àireamh pharamadairean.
07Kimi-K3 no co-ogha nas saoire?
Tha an dà mhodail Kimi sa chatalog againn nan dà cheum de aon fhàradh seach farpaisich. Tha Kimi-K2.6 air a chuantachadh nas lugha dàna — W4A16-AUTOROUND-REAP, cuideaman 4-bit le cruinneachadh ionnsaichte, an aghaidh 3-bit K3 — air bunait nas lugha. Tha lèirsinn aige, toradh JSON-schema, an aon uinneag cho-theacsa, agus cosgaidh e mu chòigeamh cuid na tha e.
| Obair | Cleachd | Carson |
|---|---|---|
| Àidseant fèin-riaghailteach dà-fhichead-cuairt | Kimi-K3 | Bidh fàillinn a' co-mheudachadh; co-dhùnaidh càileachd a' phlana aig cuairt a h-aon an ruith |
| Ath-structaradh air sgèile tasglainn | Kimi-K3 | Feumaidh e an co-theacsa slàn air a chumail ciallach, chan e dìreach ga fhaighinn air ais |
| Diagraman dùmhail, teacsa beag glacaidh-sgrìn | Kimi-K3 | 'S e so-leughadh agus reusanachadh spàsail am beàrn lèirsinn as fharsainge eadar ìrean |
| Deasachaidhean aon-fhaidhle, gu math sònraichte | Kimi-K2.6 | Obair chuingealaichte, ath-fheuchainn saor, gun diofar mullaich so-thomhaiste |
| Fo-thiotal dhealbhan aig tomhas | MiniMax-M3 / MiMo-V2.5 | Air fhuasgladh aig $0.50 a-steach; tha toradh K3 9.6x airson an aon fho-thiotal |
| Reusanachadh trom ach teacsa a-mhàin | DeepSeek-V4-Pro | $3.90 toradh an aghaidh $19.12 — leig às K3 mura feum thu dealbhan |
'S e an sreath mu dheireadh sin an sàbhaladh as trice a thèid a chall. Mura h-eil dealbhan an sàs san obair agad, sgrùd DeepSeek-V4-Pro an toiseach. Tha e cuideachd na thogail 3BIT-REAP air bunait mòr, làidir air reusanachadh cruaidh, agus cosgaidh an toradh aige $3.90 an aghaidh $19.12 K3. Thèid cuid mhath den trafaic a ruigeas an ìre as àirde a fhrithealadh cheart cho math aon sreath sìos, le reusanachadh teacsa a-mhàin.
08A' gairm API Kimi K3 gun chaisgireachd
Tha am modail ri fhaighinn mar Kimi-K3-3BIT-REAP air na trì dualchainntean uile, le sruthadh air gach fear agus gun diofar comais eatarra — dìreach cruth an t-sreim: /v1/chat/completions (co-chòrdail ri OpenAI), /v1/messages (co-chòrdail ri Anthropic), agus /v1/responses. Iarrtas lèirsinn le spàirn reusanachaidh air àrdachadh airson obair lèirsinneach duilich:
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": "Lorg slighe an dàta san diagram seo agus liostaich gach puing far an tèid ionchur neo-earbsach thairis air crìoch earbsa." },
{ "type": "image_url",
"image_url": { "url": "data:image/png;base64,..." } }
]
}]
}'Tha taic aig K3 airson an dà chuid response_format agus json_schema slàn, agus mar sin 's urrainn dhut argamaidean inneil àidseant a chuingealachadh no aithisg a sparradh ann an cumadh stèidhichte gun parsadh às a dhèidh. Tha gairm-inneal dùthchasach agus 's e an dòigh a bha san amharc airson ruithean fada a stiùireadh. Tha paramadairean, dearbhadh, cuingealachaidhean ìre agus raon-cluiche beò air duilleag sgrìobhainnean an API.
Trì rudan a shàbhaileas airgead air an latha thoiseachaidh
- Bearr an ro-leasachan. Bidh gach cuairt ag ath-chosg a' chòmhraidh slàin aig $3.83 gach millean; le bhith a' gearr-chunntas eachdraidh dà-fhichead-cuairt gu nì-stàite 4K-token aon uair sàbhailidh tu barrachd na tha a' mhòr-chuid de mhalairtean modail.
- Lùghdaich meud nan dealbhan. 'S e tokenan ionchuir a th' ann an tokenan dhealbh; bheir glacadh-sgrìn 4K air a mheudachadh gu rud fhathast so-leughte an aon fhreagairt airson nas lugha.
- Seòl a rèir duilgheadais. Modail saor air na cuairtean àbhaisteach, le K3 air a' phlana, am meur duilich agus an lèirmheas mu dheireadh, gu tric 80% den chomas aig 25% den chunntas.
09Ceistean cumanta
Dè th' ann an API Kimi K3 gun chaisgireachd?
'S e am modail Kimi-K3 3BIT-REAP air Geata Shannon AI a th' ann: bunait ioma-mhodhach Mixture-of-Experts aig Moonshot AI le 2.8-trillean paramadair, air fhrithealadh air a' chruinneachadh GPU againn fhìn le co-theacsa de 262,144 token, toradh as motha de 16,384 token, lèirsinn, gairm-inneal, toradh structarach JSON-schema agus sruthadh, gun sreath diùltaidh agus gun sìoladh air an toradh. Tha e ruigsinneach tro /v1/chat/completions, /v1/messages agus /v1/responses.
A bheil taic aig API Kimi K3 gun chaisgireachd do lèirsinn?
Tha. 'S e Kimi-K3 fear de chòignear modail sa chatalog againn le tuigse dhealbhan, agus 's e am fear as comasaiche dhiubh. Cuiridh tu dealbhan a-null san aon dòigh 's a chuireadh tu gu oir-phuing co-chòrdail ri OpenAI sam bith, mar phìosan susbaint image_url ri taobh teacsa. Bidh dealbhan a' caitheamh co-theacsa às an aon bhuidseat de 262,144 token ri teacsa, agus thèid tokenan dhealbh a chosgas aig ìre an ionchuir de $3.83 gach millean.
Carson a chosgas Kimi K3 $3.83 a-steach agus $19.12 a-mach nuair a tha modailean Shannon eile aig $0.50 agus $2.00?
Air sgàth 's gu bheil am bunait timcheall air 2.8 trillean paramadair le 104 billean gnìomhach gach token, an aghaidh modailean 30-gu-40-billean-gnìomhach ann an àiteachan eile sa chatalog. Tha barrachd pharamadairean gnìomhach gach token a' ciallachadh barrachd dhiogan-GPU gach token, agus tha a' phrìs a' nochdadh cosgais an fhrithealaidh seach cìs comais. Tha an toradh 9.6x prìs nam modailean-làr againn, agus mar sin 's e a' cheist cho-dhùnaidh a bheil ìre soirbheachais a' chiad char nas àirde air obair fhada fiach mu chòig thursan a' chunntais.
A bheil Kimi K3 an aon mhodail ri Kimi K2 no Kimi K2 Thinking?
Chan eil. B' e MoE le 1-trillean paramadair a bh' ann an Kimi K2, le 32 billean paramadair gnìomhach agus 384 eòlaiche; chuir K2 Thinking reusanachadh eadar-fhighte agus slabhraidhean gairm-inneil fada ris an aon bhunait sin. 'S e ailtireachd eadar-dhealaichte a th' ann an Kimi K3, air a chur a-mach le Moonshot AI san Iuchar 2026: 2.8 trillean paramadair uile-gu-lèir, 104 billean gnìomhach, 896 eòlaiche le 16 air an stiùireadh gach token, Kimi Delta Attention, agus encoder lèirsinn dùthchasach. Tha sinnsireachd chumanta aig K2 agus K3, chan e an aon mhodail.
Cuin bu chòir dhomh Kimi-K2.6 a chleachdadh seach Kimi-K3?
Cleachd Kimi-K2.6 W4A16-AUTOROUND-REAP nuair a tha an obair cuingealaichte agus gum biodh tu ga ruith iomadh uair: seòrsachadh, às-tharraing, deasachaidhean aon-fhaidhle, còmhradh, agus obair dhealbhan far nach fheum thu ach tuairisgeul comasach seach reusanachadh lèirsinneach mionaideach. Tha lèirsinn aige cuideachd, chan eil e air a chuantachadh cho dàna, agus cosgaidh e $0.78 a-steach agus $3.67 a-mach, mu chòigeamh cuid de K3. Àrdaich gu Kimi-K3 nuair a tha ruith fada, meurach, no daor ma thèid ceàrr.
Tha gach àireamh ailtireachd is deuchainn-choimeis an seo air fhoillseachadh le Moonshot AI no ri fhaicinn air a' chairt mhodail fhosgailte aca, agus a' mìneachadh a' bhunait neo-chuantaichte seach an togail 3BIT-REAP againn. Sgrùd iad thu fhèin.
Feuch an API Kimi K3 gun chaisgireachd
An ìre àidseantach agus lèirsinn as àirde comas. Gun sreath diùltaidh. Pàigh gach token.
Leugh Sgrìobhainnean an API Rùraich a h-uile ModailShannon Lab LLC · New Mexico, na SA · modailean air am frithealadh air a' chruinneachadh GPU againn fhìn
Tha fìrinnean bunaiteach agus deuchainnean-coimeis nan àireamhan foillsichte aig Moonshot AI airson Kimi K3 agus Kimi K2 agus a' mìneachadh nam modailean iomraidh neo-chuantaichte; 's e cuantachadh 3-bit REAP a th' anns an togail againne agus bidh e eadar-dhealaichte. Tha prìsean, co-theacsa agus brataichean comais nam feadhainn aig Shannon AI fhèin, mar a bha 5 Sultain 2026 — 's e na luachan beò an fheadhainn a thilleas /v1/models an-còmhnaidh. Tùsan: cairt mhodail Kimi K3 · tasglann Kimi K3 · Kimi K2 Thinking.