API Kimi K3 senza censura

La maggior parte delle guide alla scelta del modello è scritta come se la capacità fosse gratis. Non lo è. La domanda interessante su un modello di fascia alta non è mai «è migliore?» — di solito lo è — ma «è abbastanza migliore, su questo compito, da giustificare una fattura cinque volte più grande di quella del modello un gradino sotto?». Questa guida risponde con aritmetica vera e dice apertamente dove vincono le opzioni più economiche.

01Che cos'è davvero Kimi K3

Kimi K3 è il modello di punta a pesi aperti di Moonshot AI, rilasciato a luglio 2026 sotto la Kimi K3 License: la terza generazione di una linea iniziata con Kimi K2 e un'architettura genuinamente nuova, non un fine-tuning.

L'impianto pubblicato conta 93 strati — 69 con Kimi Delta Attention, 24 con gated multi-head latent attention, uno denso — con un router Stable LatentMoE che seleziona 16 esperti su 896 per token più 2 condivisi. Moonshot riporta da quella combinazione un miglioramento di circa 2,5 volte nell'efficienza di scaling rispetto a Kimi K2. La visione è nativa e non aggiunta a posteriori: un encoder MoonViT-V2 da 401M di parametri alimenta lo stesso tronco che gestisce il testo.

Vale la pena interiorizzare il dato sulla sparsità: K3 attiva 104 miliardi di parametri per token, contro l'intervallo di 30-40 miliardi della maggior parte del nostro catalogo. È all'incirca il triplo dell'aritmetica per token generato, ed è l'intera ragione per cui questo modello è in cima al listino. Non stai pagando un livello di marchio: stai pagando secondi-GPU.

La linea, in breve

• Kimi K2 — mille miliardi di parametri, 32 miliardi attivi, 384 esperti con 8 instradati per token, pre-addestrato su 15,5 mila miliardi di token con l'ottimizzatore MuonClip, costruito per fermare le esplosioni dell'attenzione che rovinano l'addestramento MoE a quella scala.
• Kimi K2 Thinking — la stessa base, istruita a interlacciare ragionamento e uso degli strumenti, con da 200 a 300 chiamate sequenziali a strumenti sostenute in un'unica esecuzione, 44,9% su Humanity's Last Exam con strumenti e 60,2% su BrowseComp.
• Kimi K3 — ricostruito con multimodalità nativa e una finestra da 1M di token a monte, con addestramento consapevole della quantizzazione dalla fase di fine-tuning supervisionato in poi (pesi MXFP4, attivazioni MXFP8). È per questo che K3 tollera una compressione aggressiva meglio di modelli mai addestrati tenendola presente.

Il filo conduttore è l'agentività a lungo orizzonte: ogni generazione è stata ottimizzata per restare coerente lungo centinaia di passi, non per vincere benchmark a risposta breve. È questa la capacità che stai comprando.

02Che cosa significa «3BIT-REAP» e perché un modello da 2,8T ne ha bisogno

Il suffisso nell'id del modello non è un ornamento: dice che cosa è stato fatto ai pesi prima che venissero caricati sul nostro cluster GPU, ed è l'avvertenza onesta allegata a ogni affermazione di questa pagina. Partiamo dall'aritmetica. Un modello da 2,8 mila miliardi di parametri a precisione 16 bit occupa circa 5,6 terabyte di pesi. A 3 bit per peso si avvicina a 1,05 terabyte: ancora grande, ma un deployment trattabile con spazio residuo per una cache KV da 262K token. REAP è la seconda metà: un metodo di pruning degli esperti che profila quali esperti il router raggiunge davvero e scarta quelli selezionati di rado prima della quantizzazione anziché dopo. Su un modello che instrada solo 16 esperti su 896 per token è una scelta naturale — una distribuzione così sparsa ha una coda lunga che contribuisce pochissimo al traffico reale — e potare per primo significa spendere il budget di bit rimanente sugli esperti che contano.

Il nostro catalogo usa tre suffissi come una scala deliberata. 3BIT-REAP va sulle basi più grandi, dove nient'altro entra. W4A16-AUTOROUND-REAP significa pesi a 4 bit con attivazioni a 16 bit quantizzati con AutoRound — arrotondamento appreso che recupera accuratezza reale rispetto al banale arrotondamento al più vicino — più lo stesso pruning. W8A16 è il livello di massima fedeltà, per basi abbastanza piccole da non aver bisogno di una compressione aggressiva. In breve: il suffisso ti dice quanto dell'originale è sopravvissuto; il prezzo ti dice quanto costa farlo girare.

03Visione: che cosa ti compra la comprensione delle immagini

Kimi-K3 è uno dei cinque modelli con visione del nostro catalogo di dodici, ed è il più capace dei cinque. La maggior parte delle API di visione commerciali passa un classificatore sulle immagini caricate e rifiuta un'ampia categoria di input prima ancora che il modello le veda: un'impostazione predefinita ragionevole per il consumatore e un ostacolo serio al lavoro legittimo. Ricercatori di sicurezza che catturano lo schermo dell'output di un exploit, team di moderazione che costruiscono i propri classificatori, lavoro forense e di audit sui dataset e valutazioni di red team sbattono tutti contro quel muro. Kimi-K3 non ha alcuno strato di rifiuto né alcun filtro sull'output.

Dove la visione di K3 si guadagna il prezzo rispetto a modelli con visione più economici

• Diagrammi e schemi densi — diagrammi di architettura, topologie di rete, circuiti: tutto ciò in cui la risposta dipende dal seguire linee ed etichette invece che dal nominare oggetti.
• Testo piccolo negli screenshot — stack trace, output di terminale, celle di foglio di calcolo. Il divario tra i livelli di visione è più ampio proprio sulla leggibilità alle piccole dimensioni.
• Immagine dentro un testo lungo — uno screenshot inserito in un contesto da 200K token, dove il modello deve mettere in relazione ciò che vede con ciò che ha letto cinquantamila token prima.
• Confronto tra più immagini — due versioni di una UI, o un grafico messo a confronto con la tabella che lo ha generato.

Dove non si guadagna il prezzo: didascalie, testo alternativo, OCR di documenti puliti e pipeline di tagging. Quelli si risolvono a 0,50 $ per milione di token in input: se il tuo carico su immagini è ad alto volume e ogni elemento è di per sé semplice, Kimi-K2.6 o MiniMax-M3 producono risposte che non distinguerai da quelle di K3.

Le immagini consumano token dallo stesso budget da 262.144 token del testo e sono fatturate alla tariffa di input. Una manciata di screenshot ad alta risoluzione non è gratis.

04Lavoro agentico a lungo orizzonte: ecco a cosa serve questo livello

Se c'è un carico di lavoro che giustifica il livello di punta, è questo. I compiti brevi falliscono in modo indulgente: il modello sbaglia, te ne accorgi, riprovi, hai perso quattro secondi. Un agente da quaranta turni che prende il ramo sbagliato al turno sei passa i trentaquattro turni successivi a costruire elaboratamente su un errore, e lo scopri alla fine, avendo pagato ogni token nel frattempo. È questa asimmetria che rende il prezzo per token quasi la metrica sbagliata qui. Ciò che conta è il costo per completamento riuscito, dominato da quanto spesso un'esecuzione viene buttata via. Ecco i dati pubblicati da Moonshot per la base K3 sui benchmark agentici:

Tutti i dati sono riportati da Moonshot per il modello di base Kimi K3 non quantizzato, luglio 2026. Non sono misurazioni della nostra build 3BIT-REAP e non li presentiamo come tali.

La forma corrisponde a ciò per cui l'architettura è stata costruita: BrowseComp e Terminal-Bench sono benchmark di ciclo con strumenti, cioè cicli ripetuti di agire, osservare, correggere. SWE Marathon a 42,0 è il contrappeso: la valutazione di programmazione a lungo orizzonte più difficile del gruppo, dove anche un modello di frontiera fallisce la maggior parte dei compiti. «Agentico» non è una categoria risolta: progetta per il fallimento qualunque modello tu scelga.

Impostazioni pratiche per le esecuzioni lunghe

K3 espone reasoning_effort, e qui è una vera leva di costo: i token di ragionamento sono fatturati come token di output, a 19,12 $ per milione.

• Low — instradamento delle tool call ed estrazione strutturata, dove il modello sceglie tra una manciata di opzioni note.
• High — l'impostazione predefinita per il vero lavoro agentico: pianificare una modifica in più passi, fare debug da uno stack trace, conciliare fonti contraddittorie.
• Max — riservalo alla chiamata più difficile di una pipeline: il piano all'inizio di un'esecuzione, oppure la revisione finale. Un'esecuzione che spende 30K token di ragionamento a high e 90K a max paga 1,15 $ in più per quel solo flag.

Pianifica con altrettanta cura anche il contesto: la nostra finestra è di 262.144 token con un output massimo di 16.384 token, e a 3,83 $ per milione in input una cronologia non potata si accumula — ogni turno rifattura l'intero prefisso.

05Che cosa significa «senza censura» su questo endpoint

Ogni modello dello Shannon AI Gateway è servito senza alcuno strato di rifiuto e senza filtri sui contenuti in output. Sul livello di punta conta ancora di più, perché i compiti che le persone portano a un modello di fascia alta sono i più propensi a far scattare un filtro: ricerca avversariale sulla sicurezza, analisi di strumenti offensivi, sviluppo di classificatori di moderazione, threat intelligence, narrativa difficile e qualsiasi valutazione che richieda al modello di produrre proprio la cosa che stai cercando di rilevare.

• Nessun classificatore sull'output. Le risposte non vengono scansionate e riscritte o bloccate dopo la generazione.
• Nessun cancello in ingresso. Prompt e immagini non vengono filtrati prima di raggiungere il modello.
• Non è un modello diverso. È il modello di base Kimi K3 servito senza lo strato che di solito gli sta davanti.
• Non è un trasferimento di responsabilità. Rimuovere uno strato di rifiuto sposta il giudizio su di te — vedi la nostra politica di uso responsabile.

C'è un vantaggio più silenzioso per chi costruisce sistemi di valutazione: un modello non filtrato è una linea di base stabile. Un modello che rifiuta in modo imprevedibile rende rumorose le misurazioni, perché non puoi separare un limite di capacità da un limite di policy. Qui un fallimento è un fallimento di capacità, l'unico tipo che si possa debuggare.

06Il prezzo: 3,83 $ in, 19,12 $ out — e quando se lo merita

È il modello più caro del nostro listino con ampio margine: l'output costa 9,6 volte il nostro minimo di 2,00 $ e 5,2 volte quanto costa Kimi-K2.6. Ecco l'aritmetica allo scoperto.

Modello	In / 1M	Out / 1M	Visione	Schema JSON
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Sì	Sì
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	No	Sì
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	Sì	No
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	Sì	Sì
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	No	Sì
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Sì	Sì
MiMo-V2.5 · W8A16	$0.50	$2.00	Sì	Sì

Righe selezionate, ordinate per prezzo in input. Tutti e dodici i modelli condividono lo stesso contesto da 262.144 token, lo stesso output massimo di 16.384 token, streaming, tool calling e reasoning_effort. I flag di capacità aggiornati sono nella pagina di documentazione API.

Due esempi svolti

Primo: un input da 120.000 token — il dump di una base di codice, un deposito normativo — che produce un'analisi da 3.000 token. Secondo: un'esecuzione agentica da quaranta turni, con circa 1,2M di token di input cumulativi man mano che il contesto si accumula e 90.000 token di output compreso il ragionamento.

Scenario	Kimi-K3	Kimi-K2.6	MiniMax-M3
120K in / 3K out	$0.517	$0.105	$0.066
Esecuzione agentica da 40 turni	$6.32	$1.27	$0.78

Sulla chiamata documentale K3 costa circa 4,9 volte Kimi-K2.6. Cinquanta centesimi non sono nulla una volta sola; sono 517 $ al giorno con mille chiamate, contro 105 $. Sull'esecuzione agentica la differenza è di circa 5 $. Applica ora l'unico test che conta: se il compito vale un'ora del tempo di un ingegnere a 100 $, K3 si ripaga nel momento in cui alza il successo al primo tentativo di cinque punti percentuali — e sul lavoro davvero difficile a lungo orizzonte il divario tra i livelli è di solito maggiore. Se il compito vale trenta secondi del tempo di chiunque, gli stessi 5 $ sono indifendibili.

07Kimi-K3 o un fratello più economico?

I due modelli Kimi del nostro catalogo sono due gradini della stessa scala, non concorrenti. Kimi-K2.6 è quantizzato in modo meno aggressivo — W4A16-AUTOROUND-REAP, pesi a 4 bit con arrotondamento appreso, contro i 3 bit di K3 — su una base più piccola. Ha la visione, l'output con schema JSON, la stessa finestra di contesto e costa circa un quinto.

Compito	Usa	Perché
Agente autonomo da quaranta turni	Kimi-K3	Il fallimento si accumula; la qualità del piano al primo turno decide l'esecuzione
Refactoring su scala di repository	Kimi-K3	Serve tenere coerente l'intero contesto, non solo attingervi
Diagrammi densi, testo piccolo negli screenshot	Kimi-K3	Il divario di visione più ampio tra i livelli è leggibilità e ragionamento spaziale
Modifiche a un singolo file, ben specificate	Kimi-K2.6	Compito delimitato, ripetizione economica, nessuna differenza misurabile di tetto
Didascalie di immagini a volume	MiniMax-M3 / MiMo-V2.5	Risolto a 0,50 $ in input; l'output di K3 costa 9,6 volte per la stessa didascalia
Molto ragionamento ma solo testo	DeepSeek-V4-Pro	3,90 $ di output contro 19,12 $ — lascia perdere K3 se non ti servono le immagini

Quest'ultima riga è il risparmio che sfugge più spesso. Se il tuo compito non riguarda immagini, guarda prima DeepSeek-V4-Pro. Anch'esso è una build 3BIT-REAP su una base grande, forte sul ragionamento difficile, e il suo output costa 3,90 $ contro i 19,12 $ di K3. Buona parte del traffico che punta al livello di punta è ragionamento su solo testo, servito altrettanto bene una riga più sotto.

08Chiamare l'API Kimi K3 senza censura

Il modello è esposto come Kimi-K3-3BIT-REAP su tutti e tre i dialetti, con streaming su ciascuno e nessuna differenza di capacità tra loro: cambia solo il formato di trasmissione — /v1/chat/completions (compatibile OpenAI), /v1/messages (compatibile Anthropic) e /v1/responses. Ecco una richiesta con visione e sforzo di ragionamento alzato per un compito visivo 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 supporta sia response_format sia lo json_schema completo, così puoi vincolare gli argomenti degli strumenti di un agente o costringere un report in una forma fissa senza analisi a posteriori. Il tool calling è nativo ed è il modo previsto per guidare le esecuzioni lunghe. Parametri, autenticazione, limiti di frequenza e un playground interattivo sono nella pagina di documentazione API.

Tre cose che fanno risparmiare dal primo giorno

• Pota il prefisso. Ogni turno rifattura l'intera conversazione a 3,83 $ per milione; riassumere una volta una cronologia da 40 turni in un oggetto di stato da 4K token fa risparmiare più della maggior parte dei cambi di modello.
• Riduci la risoluzione delle immagini. I token delle immagini sono token di input; uno screenshot in 4K ridimensionato a una misura ancora leggibile dà la stessa risposta per meno.
• Instrada per difficoltà. Un modello economico sui turni di routine, con K3 sul piano, sul ramo difficile e sulla revisione finale, spesso vale l'80% della capacità al 25% della fattura.

09Domande frequenti

---

I dati sul modello di base e i benchmark sono i numeri pubblicati da Moonshot AI per Kimi K3 e Kimi K2 e descrivono i modelli a monte non quantizzati; la nostra build è una quantizzazione REAP a 3 bit e differirà. Prezzi, contesto e flag di capacità sono di Shannon AI, aggiornati al 5 settembre 2026 — i valori vivi sono sempre quelli restituiti da /v1/models. Fonti: scheda modello Kimi K3 · repository Kimi K3 · Kimi K2 Thinking.