Առանց ցենզուրայի Kimi K3 API

Մոդելի ընտրության ուղեցույցների մեծ մասը գրված է այնպես, կարծես ունակությունն անվճար է։ Դա այդպես չէ։ Ամենաբարձր-մակարդակի մոդելի մասին հետաքրքիր հարցը երբեք «ավելի՞ լավն է» չէ — սովորաբար այո է — այլ «բավականաչա՞փ ավելի լավն է, այս առաջադրանքի վրա, արդարացնելու համար հաշիվ, որ հինգ անգամ մեծ է, քան մեկ աստիճան ցածր մոդելինը»։ Այս ուղեցույցը դրան պատասխանում է իրական թվաբանությամբ, և ուղղակի ասում է, թե որտեղ են ավելի էժան տարբերակները հաղթում։

01Ինչ է իրականում Kimi K3-ը

Kimi K3-ը Moonshot AI-ի բաց կշիռների դրոշակակիրն է, թողարկված 2026 թ. հուլիսին Kimi K3 լիցենզիայի ներքո — տոհմի երրորդ սերունդը, որը սկսվեց Kimi K2-ով, և իսկապես նոր ճարտարապետություն, ոչ թե fine-tune։

Հրապարակված դասավորությունը 93 շերտ է — 69-ը օգտագործում է Kimi Delta Attention, 24-ը gated multi-head latent attention, մեկը խիտ — Stable LatentMoE երթուղիչով, որն ընտրում է 896-ից 16 փորձագետ մեկ տոկենի դիմաց, գումարած 2 ընդհանուր։ Moonshot-ը հայտնում է մոտավորապես 2.5 անգամ բարելավում մասշտաբավորման արդյունավետության մեջ, Kimi K2-ի դեմ, այդ համադրությունից։ Տեսողությունը նատիվ է, ոչ թե կպցված. 401Մլն-պարամետրանոց MoonViT-V2 կոդավորիչը սնուցում է նույն միջուկը, որ մշակում է տեքստը։

Sparsity թիվն արժե յուրացնել. K3-ը ակտիվացնում է 104 միլիարդ պարամետր մեկ տոկենի դիմաց, մեր կատալոգի մեծ մասի 30-ից-40-միլիարդ միջակայքի դեմ։ Դա մոտավորապես երեք անգամ ավելի թվաբանություն է մեկ գեներացված տոկենի դիմաց, և դա ամբողջ պատճառն է, թե ինչու այս մոդելը գլխավորում է գների ցանկը։ Դուք չեք վճարում բրենդի մակարդակի համար — դուք վճարում եք GPU-վայրկյանների համար։

Տոհմը, համառոտ

• Kimi K2 — 1 տրիլիոն պարամետր, 32 միլիարդ ակտիվ, 384 փորձագետ՝ 8 երթուղավորված մեկ տոկենի դիմաց, նախնական ուսուցանված 15.5 տրիլիոն տոկենի վրա՝ MuonClip օպտիմիզատորով, կառուցված կանգնեցնելու ուշադրության պայթյունները, որոնք քայքայում են MoE ուսուցումն այդ մասշտաբում։
• Kimi K2 Thinking — նույն հիմքը, սովորեցված interleave անել դատողությունը գործիքի օգտագործման հետ, հայտնված՝ պահպանելով 200-ից 300 հաջորդական գործիքի կանչ մեկ աշխատացման մեջ, 44.9%-ով Humanity's Last Exam-ում գործիքներով և 60.2%-ով BrowseComp-ում։
• Kimi K3 — վերակառուցված նատիվ մուլտիմոդալությամբ և 1Մ-տոկեն պատուհանով վերին-հոսքում, քվանտացման-գիտակից ուսուցումով՝ ուսուցանվող fine-tuning փուլից սկսած (MXFP4 կշիռներ, MXFP8 ակտիվացումներ)։ Հենց դա է պատճառը, թե ինչու K3-ը ագրեսիվ սեղմումը հանդուրժում է ավելի լավ, քան մոդելները, որոնք երբեք դրա մասին մտածելով չեն ուսուցանվել։

Ընդհանուր գիծը երկարաժամկետ հորիզոնի գործակալությունն է. ամեն սերունդ օպտիմիզացվել է մնալու համահունչ հարյուրավոր քայլերի ընթացքում, ոչ թե հաղթելու կարճ-պատասխան բենչմարկներում։ Դա այն ունակությունն է, որ դուք գնում եք։

02Ինչ է նշանակում «3BIT-REAP»-ը, և ինչու է 2.8Տ մոդելին այն անհրաժեշտ

Մոդելի id-ի վերջածանցը զարդարանք չէ — այն ասում է, թե ինչ է արվել կշիռների հետ, նախքան դրանք բեռնվեին մեր սեփական GPU կլաստերի վրա, և դա ազնիվ նախազգուշացումն է, կցված այստեղի ամեն պնդման։ Սկսենք թվաբանությունից։ 2.8-տրիլիոն-պարամետրանոց մոդելը 16-բիթ ճշգրտությամբ մոտավորապես 5.6 տերաբայթ կշիռ է։ 3 բիթ մեկ կշռի դիմաց այն ավելի մոտ է 1.05 տերաբայթի — դեռ մեծ, բայց կառավարելի տեղակայում՝ տեղով մնացած 262K-տոկեն KV քեշի համար։ REAP-ը երկրորդ կեսն է. փորձագետների-կրճատման մեթոդ, որը պրոֆիլավորում է, թե երթուղիչն իրականում որ փորձագետներին է հասնում, և ջնջում է հազվադեպ-ընտրվածներին նախքան քվանտացումը, ոչ հետո։ Մոդելի վրա, որը երթուղավորում է ընդամենը 896-ից 16 փորձագետ մեկ տոկենի դիմաց, դա բնական համապատասխանություն է — այդքան sparse բաշխումն ունի երկար պոչ, որը շատ քիչ է նպաստում իրական տրաֆիկին — և նախ կրճատելը նշանակում է, որ մնացած բիթի բյուջեն ծախսվում է կարևոր փորձագետների վրա։

Մեր կատալոգն օգտագործում է երեք վերջածանց որպես դիտավորյալ սանդուղք։ 3BIT-REAP-ը դրվում է ամենամեծ հիմքերի վրա, որտեղ ուրիշ ոչինչ չի տեղավորվում։ W4A16-AUTOROUND-REAP-ը 4-բիթ կշիռ է՝ 16-բիթ ակտիվացումով, քվանտացված AutoRound-ով — սովորած կլորացում, որը վերականգնում է իրական ճշգրտություն naive round-to-nearest-ի նկատմամբ — գումարած նույն կրճատումը։ W8A16-ը ամենաբարձր-հավատարմության մակարդակն է, հիմքերի համար, որոնք բավական փոքր են՝ ագրեսիվ սեղմում չպահանջելու։ Կարճ ասած. վերջածանցն ասում է, թե ինքնականի ինչքանն է գոյատևել; գինն ասում է, թե ինչ արժե այն աշխատեցնելը։

03Տեսողություն. ինչ է գնում պատկերի հասկացողությունը

Kimi-K3-ը մեր տասներկու-մոդելանոց կատալոգի հինգ տեսողություն ունեցող մոդելներից մեկն է, և հինգից ամենաունակը։ Կոմերցիոն տեսողության API-ների մեծ մասը դասակարգիչ է աշխատեցնում վերբեռնված պատկերների վրա և մերժում է մուտքերի լայն կատեգորիա, նախքան մոդելը երբևէ կտեսներ դրանք — ողջամիտ սպառողական լռելյայն կարգավորում, և իրական խոչընդոտ օրինական աշխատանքի համար։ Անվտանգության հետազոտողները, որոնք սքրինշոթ են անում exploit-ի ելքից, մոդերացիայի թիմերը, որոնք կառուցում են սեփական դասակարգիչներ, դատաբժշկական և տվյալների-աուդիտի աշխատանքը, և red-team գնահատումը բոլորն ընդհարվում են այդ պատին։ Kimi-K3-ը ունի ոչ մի մերժման շերտ և ոչ մի զտում ելքի վրա։

Որտեղ K3-ի տեսողությունն արժանանում է իր գնին ավելի էժան տեսողության մոդելների նկատմամբ

• Խիտ դիագրամներ և սխեմաներ — ճարտարապետության դիագրամներ, ցանցի տոպոլոգիաներ, միացումներ. ամեն ինչ, որտեղ պատասխանը կախված է գծերին և պիտակներին հետևելուց, ոչ թե առարկաներ անվանելուց։
• Փոքր տեքստ սքրինշոթներում — stack trace-ներ, տերմինալի ելք, աղյուսակի բջիջներ։ Տեսողության մակարդակների միջև բացը ամենալայնն է փոքր մասշտաբի ընթեռնելիության վրա։
• Պատկեր երկար տեքստի ներսում — սքրինշոթ, նետված 200Հ-տոկեն համատեքստի մեջ, որտեղ մոդելը պետք է կապակցի, ինչ տեսնում է, ինչի հետ, որ կարդացել է հիսուն հազար տոկեն առաջ։
• Բազմա-պատկեր համեմատություն — UI-ի երկու տարբերակ, կամ գծապատկեր՝ իրեն գեներացրած աղյուսակի դեմ։

Որտեղ այն չի արժանանում իր գնին. կապտիոնավորում, alt տեքստ, մաքուր փաստաթղթերի OCR, և պիտակավորման խողովակաշարեր։ Դրանք լուծված են $0.50 մեկ միլիոն մուտքային տոկենի դիմաց — եթե ձեր պատկերի բեռը բարձր-ծավալ է և ամեն միավոր առանձին-առանձին պարզ է, Kimi-K2.6-ը կամ MiniMax-M3-ը արտադրում են պատասխաններ, որոնք չեք տարբերի K3-ից։

Պատկերները սպառում են տոկեններ նույն 262,144-տոկեն բյուջեից, ինչ տեքստը, և հաշվարկվում են մուտքի տոկոսադրույքով։ Մի քանի բարձր-լուծաչափի սքրինշոթը անվճար չէ։

04Երկարաժամկետ հորիզոնի ագենտային աշխատանք — ինչի համար է այս մակարդակը

Եթե մեկ բեռ արդարացնում է ամենաբարձր մակարդակը, դա սա է։ Կարճ առաջադրանքները ներողամտորեն ձախողվում են. մոդելը սխալվում է, դուք նկատում եք, կրկնում եք, կորցրել եք չորս վայրկյան։ Քառասուն-հերթափոխ ագենտը, որը սխալ ճյուղ է վերցնում վեցերորդ հերթափոխին, հաջորդ երեսունչորս հերթափոխերն անցկացնում է սխալի վրա մանրամասն կառուցելով, և դուք իմանում եք վերջում՝ վճարելով միջանկյալ ամեն տոկենի համար։ Այդ ասիմետրիան է պատճառը, թե ինչու է մեկ-տոկենի գինն այստեղ գրեթե սխալ չափանիշ։ Կարևորն է արժեքն ամեն հաջողված ավարտման դիմաց, գերիշխված նրանով, թե որքան հաճախ է աշխատացումը դեն նետվում։ Moonshot-ի հրապարակած թվերը K3 հիմքի համար ագենտային բենչմարկների վրա.

Բոլոր թվերը Moonshot-ի հայտարարածն են չքվանտացված Kimi K3 հիմքի համար, 2026 թ. հուլիս։ Դրանք մեր 3BIT-REAP կառուցման չափումներ չեն, և մենք դրանք որպես այդպիսին չենք ներկայացնում։

Ձևը համապատասխանում է նրան, ինչի համար ճարտարապետությունը կառուցվել էր. BrowseComp-ը և Terminal-Bench-ը գործիք-հանգույցի բենչմարկներ են — կրկնվող ցիկլեր՝ գործել, դիտարկել, վերանայել։ SWE Marathon-ը 42.0-ով հակակշիռն է. հավաքածուի ամենադժվար երկարաժամկետ կոդագրման գնահատումը, որտեղ նույնիսկ առաջնագծի մոդելը ձախողում է աշխատանքների մեծ մասը։ «Ագենտային»-ը լուծված կատեգորիա չէ; նախագծեք ձախողման համար, ցանկացած մոդել էլ ընտրեք։

Գործնական կարգավորումներ երկար աշխատացումների համար

K3-ը բացահայտում է reasoning_effort-ը, և այստեղ դա իրական արժեքի լծակ է. դատողության տոկենները հաշվարկվում են որպես ելքային տոկեններ, $19.12 մեկ միլիոնի դիմաց։

• Low — գործիքի-կանչման ուղղորդում և կառուցվածքային արդյունահանում, որտեղ մոդելն ընտրում է մի քանի հայտնի տարբերակների միջև։
• High — կանխադրվածը իրական ագենտային աշխատանքի համար. բազմաքայլ փոփոխության պլանավորում, stack trace-ից վրիպազերծում, հակասական աղբյուրների հաշտեցում։
• Max — վերապահեք ամենադժվար մեկ կանչի համար խողովակաշարում. աշխատացման սկզբի պլանը, կամ վերջնական վերանայումը։ Աշխատացումը, որ ծախսում է 30Հ դատողության տոկեն high-ում և 90Հ max-ում, վճարում է լրացուցիչ $1.15 այդ մեկ դրոշակի համար։

Բյուջետավորեք համատեքստը դիտավորյալ։ մեր պատուհանը 262,144 տոկեն է՝ 16,384-տոկեն առավելագույն ելքով, և $3.83-ով մեկ միլիոն մուտքի դիմաց չկրճատված պատմությունը կուտակվում է — ամեն հերթափոխ վերահաշվարկում է ամբողջ նախածանցը։

05Ինչ է նշանակում «առանց ցենզուրայի»-ն այս էնդփոինթում

Shannon AI Gateway-ի ամեն մոդել մատուցվում է առանց մերժման շերտի և առանց բովանդակության զտման ելքի վրա։ Դա ավելի կարևոր է ամենաբարձր մակարդակի վրա, որովհետև առաջադրանքները, որ մարդիկ բերում են ամենաբարձր-մակարդակի մոդելին, ամենահավանականն են գործարկելու զտիչ. հակառակորդային անվտանգության հետազոտություն, հարձակողական-գործիքների վերլուծություն, մոդերացիայի-դասակարգիչի մշակում, սպառնալիքի հետախուզություն, բարդ գեղարվեստական գրականություն, և ցանկացած գնահատում, որը պահանջում է, որ մոդելը արտադրի հենց այն, ինչ դուք փորձում եք հայտնաբերել։

• Ոչ մի ելքի դասակարգիչ։ Պատասխանները չեն սկանավորվում և վերաշարադրվում կամ արգելափակվում գեներացումից հետո։
• Ոչ մի մուտքի դարպաս։ Հուշումները և պատկերները չեն զննվում, նախքան մոդելին կհասնեն։
• Ոչ տարբեր մոդել։ Սա Kimi K3 հիմքն է, մատուցվող առանց այն շերտի, որ սովորաբար կանգնում է դրա առջևում։
• Ոչ պատասխանատվության փոխանցում։ Մերժման շերտը հեռացնելը որոշման բեռը տեղափոխում է ձեզ վրա — տես մեր պատասխանատու օգտագործման քաղաքականությունը։

Կա ավելի հանգիստ առավելություն ցանկացածի համար, ով կառուցում է գնահատման համակարգեր. չզտված մոդելը կայուն base line է։ Մոդելը, որ անկանխատեսելիորեն մերժում է, չափումները դարձնում է աղմկոտ, որովհետև չեք կարող ունակության սահմանաչափը առանձնացնել քաղաքականության սահմանաչափից։ Այստեղ ձախողումը ունակության ձախողում է — միակ տեսակը, որ կարող եք debug անել։

06Գինը. $3.83 մուտք, $19.12 ելք — և երբ է դա արժանանում իրեն

Սա մեր ցանկի ամենաթանկ մոդելն է, մեծ տարբերությամբ. ելքն արժե 9.6 անգամ ավելի, քան մեր $2.00 հատակը, և 5.2 անգամ ավելի, քան Kimi-K2.6-ը արժե։ Ահա թվաբանությունը բացահայտ։

Մոդել	Մուտք / 1Մ	Ելք / 1Մ	Տեսողություն	JSON schema
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Այո	Այո
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	Ոչ	Այո
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	Այո	Ոչ
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	Այո	Այո
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Ոչ	Այո
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Այո	Այո
MiMo-V2.5 · W8A16	$0.50	$2.00	Այո	Այո

Ընտրված տողեր, դասավորված ըստ մուտքի գնի։ Բոլոր տասներկու մոդելները կիսում են նույն 262,144-տոկեն համատեքստը, 16,384-տոկեն առավելագույն ելքը, հոսքային փոխանցումը, գործիքի կանչումը և reasoning_effort-ը։ Կենդանի ունակության դրոշները API փաստաթղթերի էջում են։

Երկու մշակված օրինակ

Առաջինը, 120,000-տոկեն մուտք — կոդաբազայի dump, կարգավորիչ հայտարարագիր — արտադրող 3,000-տոկեն վերլուծություն։ Երկրորդը, քառասուն-հերթափոխ ագենտի աշխատացում. մոտավորապես 1.2Մ կուտակային մուտքային տոկեն, ինչպես համատեքստը կուտակվում է, 90,000 ելքային տոկեն՝ ներառյալ դատողությունը։

Սցենար	Kimi-K3	Kimi-K2.6	MiniMax-M3
120Հ մուտք / 3Հ ելք	$0.517	$0.105	$0.066
40-հերթափոխ ագենտի աշխատացում	$6.32	$1.27	$0.78

K3-ը արժե մոտավորապես 4.9 անգամ ավելի, քան Kimi-K2.6-ը փաստաթղթի կանչի վրա։ Հիսուն ցենտն ոչինչ չէ մեկ անգամ; դա $517 է օրական հազար կանչի դեպքում, $105-ի դեմ։ Ագենտի աշխատացման վրա տարբերությունը մոտավորապես $5 է։ Այժմ կիրառեք միակ թեստը, որ նշանակություն ունի. եթե առաջադրանքն արժե ինժեների մեկ ժամ $100-ով, K3-ը վճարում է իր համար, հենց որ բարձրացնում է առաջին-փորձի հաջողությունը հինգ տոկոսային կետով — և իսկապես դժվար երկարաժամկետ աշխատանքի վրա մակարդակների միջև բացը սովորաբար ավելի մեծ է։ Եթե առաջադրանքն արժե ցանկացած մեկի երեսուն վայրկյանը, նույն $5-ը անպաշտպանելի է։

07Kimi-K3, թե ավելի էժան քույր մոդել

Մեր կատալոգի երկու Kimi մոդելները մեկ սանդուղքի երկու աստիճան են, ոչ մրցակիցներ։ Kimi-K2.6-ը քվանտացված է ավելի քիչ ագրեսիվ — W4A16-AUTOROUND-REAP, 4-բիթ կշիռ սովորած կլորացումով, K3-ի 3-բիթի դեմ — ավելի փոքր հիմքի վրա։ Այն ունի տեսողություն, JSON-schema ելք, նույն համատեքստի պատուհանը, և արժե մոտավորապես մեկ հինգերորդը։

Առաջադրանք	Օգտագործեք	Ինչու
Քառասուն-հերթափոխ ինքնավար ագենտ	Kimi-K3	Ձախողումը կուտակվում է; պլանի որակը առաջին հերթափոխին որոշում է աշխատացումը
Պահոց-մասշտաբի refactor	Kimi-K3	Անհրաժեշտ է ամբողջ համատեքստը համահունչ պահել, ոչ պարզապես նրանից վերականգնել
Խիտ դիագրամներ, փոքր սքրինշոթ տեքստ	Kimi-K3	Մակարդակների միջև ամենալայն տեսողության բացը ընթեռնելիությունն ու տարածական դատողությունն են
Մեկ-ֆայլի խմբագրումներ, լավ սահմանված	Kimi-K2.6	Սահմանված առաջադրանք, էժան կրկնափորձ, առաստաղի չափելի տարբերություն չկա
Պատկերի կապտիոնավորում ծավալով	MiniMax-M3 / MiMo-V2.5	Լուծված $0.50 մուտքի դիմաց; K3-ի ելքը 9.6 անգամ է նույն կապտիոնի համար
Դատողություն-ծանր, բայց միայն-տեքստային	DeepSeek-V4-Pro	$3.90 ելք $19.12-ի դեմ — բաց թողեք K3-ը, եթե պատկեր պետք չէ

Այդ վերջին տողն ամենահաճախ բաց թողնված խնայողությունն է։ Եթե ձեր առաջադրանքը պատկերներ չի ներառում, նախ ստուգեք DeepSeek-V4-Pro-ն։ Այն նույնպես 3BIT-REAP կառուցում է մեծ հիմքի վրա, ուժեղ դժվար դատողության վրա, և իր ելքն արժե $3.90, K3-ի $19.12-ի դեմ։ Տրաֆիկի մեծ մասը, որ ձգտում է ամենաբարձր մակարդակին, միայն-տեքստային դատողություն է, որին նույնքան լավ ծառայում է մեկ աստիճան ցածր մոդելը։

08Կանչելով առանց ցենզուրայի Kimi K3 API-ն

Մոդելը բացահայտված է որպես Kimi-K3-3BIT-REAP երեք բարբառներում էլ, հոսքային փոխանցումով ամեն մեկում և ոչ մի ունակության տարբերությամբ դրանց միջև — միայն wire ձևաչափ. /v1/chat/completions (OpenAI-ի հետ համատեղելի), /v1/messages (Anthropic-ի հետ համատեղելի), և /v1/responses։ Տեսողության հարցում՝ բարձրացված դատողության ջանքով դժվար տեսողական առաջադրանքի համար.

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-ը աջակցում է և՛ response_format, և՛ լրիվ json_schema, այնպես որ կարող եք սահմանափակել ագենտի գործիքի արգումենտները կամ ստիպել հաշվետվությունը մտնել ֆիքսված ձև՝ առանց հետագա վերլուծության։ Գործիքի կանչումը նատիվ է և նախատեսված ձևն է երկար աշխատացումներ վարելու համար։ Պարամետրերը, նույնականացումը, արագության սահմանափակումները և կենդանի playground-ը API փաստաթղթերի էջում են։

Երեք բան, որ առաջին օրից գումար են խնայում

• Կրճատեք նախածանցը։ Ամեն հերթափոխ վերահաշվարկում է ամբողջ խոսակցությունը $3.83 մեկ միլիոնի դիմաց; 40-հերթափոխ պատմությունն ամփոփել 4Հ-տոկեն վիճակի օբյեկտի մեջ մեկ անգամ խնայում է ավելին, քան մոդելների մեծ մասի փոխարինումը։
• Փոքրացրեք պատկերները։ Պատկերի տոկենները մուտքային տոկեններ են; 4Հ սքրինշոթը, փոքրացված ինչ-որ դեռ ընթեռնելիի, տալիս է նույն պատասխանը ավելի քիչով։
• Ուղղորդեք ըստ բարդության։ Էժան մոդել առօրյա հերթափոխերին, K3-ը՝ պլանի, դժվար ճյուղի և վերջնական վերանայման վրա, հաճախ ունակության 80%-ն է հաշվի 25%-ի դիմաց։

09Հաճախ տրվող հարցեր

---

Հիմքի փաստերն ու բենչմարկները Moonshot AI-ի հրապարակած թվերն են Kimi K3-ի և Kimi K2-ի համար և նկարագրում են չքվանտացված վերին-հոսքի մոդելները; մեր կառուցումը 3-բիթ REAP քվանտացում է և կտարբերվի։ Գները, համատեքստը և ունակության դրոշները Shannon AI-ի սեփականն են, ընթացիկ 2026 թ. սեպտեմբերի 5-ի դրությամբ — կենդանի արժեքները միշտ դրանք են, որ վերադարձնում է /v1/models-ը։ Աղբյուրներ. Kimi K3 մոդելի քարտ · Kimi K3 պահոց · Kimi K2 Thinking։