უცენზურო Kimi K3 API

მოდელის შერჩევის სახელმძღვანელოების უმეტესობა ისე იწერება, თითქოს შესაძლებლობა უფასო იყოს. ის უფასო არაა. საინტერესო კითხვა უმაღლესი დონის მოდელზე არასოდეს არის „უკეთესია თუ არა“ — ჩვეულებრივ არის — არამედ „საკმარისად უკეთესია თუ არა ამ კონკრეტულ ამოცანაზე, რომ ერთი საფეხურით ქვევით მდგომ მოდელზე ხუთჯერ დიდი ანგარიში გაამართლოს“. ეს სახელმძღვანელო ამას რეალური არითმეტიკით პასუხობს და პირდაპირ ამბობს, სად იმარჯვებს იაფი ვარიანტი.

01რა არის სინამდვილეში Kimi K3

Kimi K3 არის Moonshot AI-ს ღია წონების ფლაგმანი, გამოშვებული 2026 წლის ივლისში Kimi K3 ლიცენზიით — მესამე თაობა იმ წარმომავლობისა, რომელიც Kimi K2-ით დაიწყო, და ნამდვილად ახალი არქიტექტურა და არა დამატებითი გაწვრთნა.

გამოქვეყნებული განლაგებაა 93 შრე — 69 იყენებს Kimi Delta Attention-ს, 24 კარიბჭიან მრავალთავიან ლატენტურ ყურადღებას, ერთი მკვრივია — Stable LatentMoE მარშრუტიზატორით, რომელიც ტოკენზე 896-დან 16 ექსპერტს ირჩევს პლუს 2 საზიაროს. Moonshot აღნიშნავს დაახლოებით 2.5-ჯერ გაუმჯობესებულ მასშტაბირების ეფექტიანობას Kimi K2-თან შედარებით სწორედ ამ კომბინაციიდან. ხედვა მშობლიურია და არა მიმაგრებული: 401M-პარამეტრიანი MoonViT-V2 ენკოდერი კვებავს იმავე ღეროს, რომელიც ტექსტს ამუშავებს.

სიმეჩხერის ციფრი დასამახსოვრებელია: K3 ტოკენზე 104 მილიარდ პარამეტრს ააქტიურებს, ჩვენი კატალოგის უმეტესობის 30-დან 40 მილიარდამდე დიაპაზონის საპირისპიროდ. ეს დაახლოებით სამჯერ მეტი არითმეტიკაა თითოეულ წარმოქმნილ ტოკენზე და სწორედ ეს არის მიზეზი, რის გამოც ეს მოდელი ფასების სიას სათავეში უდგას. თქვენ ბრენდის დონეში კი არ იხდით — GPU-წამებში იხდით.

წარმომავლობა მოკლედ

• Kimi K2 — 1 ტრილიონი პარამეტრი, 32 მილიარდი აქტიური, 384 ექსპერტი ტოკენზე 8 მარშრუტიზებულით, წინასწარ გაწვრთნილი 15.5 ტრილიონ ტოკენზე MuonClip ოპტიმიზატორით, აშენებული იმისთვის, რომ შეეჩერებინა ყურადღების აფეთქებები, რომლებიც MoE წვრთნას ამ მასშტაბზე ანგრევს.
• Kimi K2 Thinking — იგივე საფუძველი, ნასწავლი მსჯელობის ინსტრუმენტების გამოყენებასთან გადაწნას; აღწერილია ერთ გაშვებაში 200-დან 300-მდე თანმიმდევრული ინსტრუმენტული გამოძახების შენარჩუნება, 44.9% Humanity's Last Exam-ზე ინსტრუმენტებით და 60.2% BrowseComp-ზე.
• Kimi K3 — თავიდან აშენებული მშობლიური მულტიმოდალურობითა და 1M-ტოკენიანი ფანჯრით საწყის მოდელში, კვანტიზაციაზე გათვლილი წვრთნით ზედამხედველობითი დაზუსტების ეტაპიდან მოყოლებული (MXFP4 წონები, MXFP8 აქტივაციები). სწორედ ამიტომ იტანს K3 აგრესიულ შეკუმშვას უკეთ, ვიდრე მოდელები, რომლებიც ამის გათვალისწინებით არასოდეს გაწვრთნილან.

გამჭოლი ხაზია გრძელჰორიზონტიანი აგენტურობა: ყოველი თაობა ოპტიმიზებული იყო ასეულობით ნაბიჯზე თანმიმდევრულობის შენარჩუნებაზე და არა მოკლეპასუხიანი ბენჩმარკების მოგებაზე. სწორედ ამ შესაძლებლობას ყიდულობთ.

02რას ნიშნავს „3BIT-REAP“ და რატომ სჭირდება ის 2.8T მოდელს

სუფიქსი მოდელის იდენტიფიკატორზე დეკორაცია არაა — ის ამბობს, რა გაუკეთდა წონებს, სანამ ისინი ჩვენსავე GPU კლასტერზე ჩაიტვირთებოდა, და ეს არის პატიოსანი დათქმა, რომელიც აქ ყოველ მტკიცებას ახლავს. დაიწყეთ არითმეტიკით. 2.8 ტრილიონპარამეტრიანი მოდელი 16-ბიტიან სიზუსტეზე დაახლოებით 5.6 ტერაბაიტი წონაა. წონაზე 3 ბიტით ის უფრო 1.05 ტერაბაიტთან ახლოსაა — მაინც დიდი, მაგრამ განხორციელებადი განთავსება, სადაც ადგილი რჩება 262K-ტოკენიანი KV ქეშისთვისაც. REAP მეორე ნახევარია: ექსპერტების გასხვლის მეთოდი, რომელიც აპროფილებს, რომელ ექსპერტებს მიმართავს რეალურად მარშრუტიზატორი, და იშვიათად შერჩეულებს აშორებს კვანტიზაციამდე და არა მის შემდეგ. მოდელზე, რომელიც ტოკენზე 896-დან მხოლოდ 16 ექსპერტს მარშრუტიზებს, ეს ბუნებრივად ჯდება — ასეთ მეჩხერ განაწილებას გრძელი კუდი აქვს, რომელიც რეალურ ტრაფიკში ძალიან ცოტას წვლილს დებს — და ჯერ გასხვლა ნიშნავს, რომ დარჩენილი ბიტების ბიუჯეტი მნიშვნელოვან ექსპერტებზე იხარჯება.

ჩვენი კატალოგი სამ სუფიქსს განზრახ კიბედ იყენებს. 3BIT-REAP უდიდეს საფუძვლებზე მიდის, სადაც სხვა არაფერი ეტევა. W4A16-AUTOROUND-REAP არის 4-ბიტიანი წონები 16-ბიტიანი აქტივაციებით, კვანტიზებული AutoRound-ით — ნასწავლი დამრგვალებით, რომელიც რეალურ სიზუსტეს იბრუნებს გულუბრყვილო უახლოესზე დამრგვალებასთან შედარებით — პლუს იგივე გასხვლა. W8A16 უმაღლესი ერთგულების დონეა იმ საფუძვლებისთვის, რომლებიც საკმარისად პატარაა, რომ აგრესიული შეკუმშვა არ დასჭირდეთ. მოკლედ: სუფიქსი გეუბნებათ, რამდენი გადარჩა ორიგინალიდან; ფასი გეუბნებათ, რა ღირს მისი გაშვება.

03ხედვა: რას გაძლევთ სურათის გაგება

Kimi-K3 ჩვენი თორმეტმოდელიანი კატალოგის იმ ხუთი მოდელიდან ერთ-ერთია, რომელსაც ხედვა აქვს, და ხუთიდან ყველაზე შესაძლებლიანი. კომერციული ხედვის API-ების უმეტესობა ატარებს კლასიფიკატორს ატვირთულ სურათებზე და შემავალის ფართო კატეგორიაზე უარს ამბობს, სანამ მოდელი მათ საერთოდ დაინახავს — გონივრული სამომხმარებლო ნაგულისხმევი და სერიოზული დაბრკოლება ლეგიტიმური სამუშაოსთვის. უსაფრთხოების მკვლევრები, რომლებიც ექსპლოიტის გამოსავალს იღებენ ეკრანის სურათად, მოდერაციის გუნდები, რომლებიც საკუთარ კლასიფიკატორებს აშენებენ, სასამართლო-ექსპერტული და მონაცემთა ნაკრების აუდიტის სამუშაო და წითელი გუნდის შეფასება — ყველა ამ კედელს ეჯახება. Kimi-K3-ს უარის ფენა და გამოსავლის ფილტრი არ აქვს.

სად ამართლებს K3-ის ხედვა თავის ფასს იაფ ხედვის მოდელებთან შედარებით

• მკვრივი დიაგრამები და სქემები — არქიტექტურის დიაგრამები, ქსელის ტოპოლოგიები, სქემები: ყველაფერი, სადაც პასუხი ხაზებისა და წარწერების მიდევნებაზეა დამოკიდებული და არა ობიექტების დასახელებაზე.
• წვრილი ტექსტი ეკრანის სურათებში — სტეკის კვალი, ტერმინალის გამოსავალი, ცხრილის უჯრები. ხედვის დონეებს შორის სხვაობა ყველაზე დიდია სწორედ წვრილ მასშტაბზე წაკითხვადობაში.
• სურათი გრძელი ტექსტის შიგნით — ეკრანის სურათი, ჩაგდებული 200K-ტოკენიან კონტექსტში, სადაც მოდელმა ნანახი უნდა დაუკავშიროს იმას, რაც ორმოცდაათი ათასი ტოკენით ადრე წაიკითხა.
• რამდენიმე სურათის შედარება — ინტერფეისის ორი ვერსია, ან დიაგრამა იმ ცხრილის საპირისპიროდ, რომელმაც ის წარმოქმნა.

სად არ ამართლებს ის თავის ფასს: წარწერების წერა, alt ტექსტი, სუფთა დოკუმენტების OCR და ტეგირების კონვეიერები. ეს ამოცანები $0.50-ად მილიონ შემავალ ტოკენზე უკვე გადაწყვეტილია — თუ თქვენი სურათებით დატვირთვა მოცულობითია და თითოეული ერთეული ცალკე მარტივია, Kimi-K2.6 ან MiniMax-M3 ისეთ პასუხებს გამოიღებს, რომლებსაც K3-ისგან ვერ გაარჩევთ.

სურათები ტოკენებს იმავე 262,144-ტოკენიანი ბიუჯეტიდან ხარჯავს, რაც ტექსტი, და შემავალის ტარიფით ითვლება. რამდენიმე მაღალი გარჩევადობის ეკრანის სურათი უფასო არაა.

04გრძელჰორიზონტიანი აგენტური სამუშაო — რისთვისაც ეს დონეა

თუ ერთი დატვირთვა ამართლებს უმაღლეს დონეს, ეს სწორედ ისაა. მოკლე ამოცანები მიმტევებლად ვარდება: მოდელი ცდება, თქვენ ამჩნევთ, ხელახლა უშვებთ, დაკარგეთ ოთხი წამი. ორმოცნაბიჯიანი აგენტი, რომელიც მეექვსე ნაბიჯზე არასწორ განშტოებას აირჩევს, მომდევნო ოცდათოთხმეტ ნაბიჯს შეცდომაზე დახვეწილი ნაგებობის აშენებაში ხარჯავს, თქვენ კი ბოლოს იგებთ ამას, როცა შუალედური ყოველი ტოკენი უკვე გადახდილი გაქვთ. სწორედ ეს ასიმეტრიაა მიზეზი, რის გამოც ტოკენზე ფასი აქ თითქმის არასწორი საზომია. მნიშვნელოვანია ერთი წარმატებული დასრულების ღირებულება, რომელსაც განსაზღვრავს ის, რამდენად ხშირად იყრება გაშვება ნაგავში. Moonshot-ის გამოქვეყნებული ციფრები K3 საფუძვლისთვის აგენტურ ბენჩმარკებზე:

ყველა ციფრი Moonshot-ის მიერაა გამოქვეყნებული შეუკუმშავი Kimi K3 საფუძვლისთვის, 2026 წლის ივლისი. ისინი ჩვენი 3BIT-REAP ბილდის გაზომვები არაა და ჩვენც ასე არ წარმოგიდგენთ.

ფორმა ემთხვევა იმას, რისთვისაც არქიტექტურა აშენდა: BrowseComp და Terminal-Bench ინსტრუმენტული მარყუჟის ბენჩმარკებია — მოქმედების, დაკვირვებისა და გადასინჯვის განმეორებადი ციკლები. SWE Marathon 42.0-ზე საწინააღმდეგო წონაა: ნაკრების ყველაზე რთული გრძელჰორიზონტიანი კოდირების შეფასება, სადაც სასაზღვრო მოდელიც კი ამოცანათა უმეტესობას ვერ ართმევს თავს. „აგენტურობა“ გადაწყვეტილი კატეგორია არაა; დაპროექტეთ წარუმატებლობის გათვალისწინებით, რომელი მოდელიც არ უნდა აირჩიოთ.

პრაქტიკული პარამეტრები გრძელი გაშვებებისთვის

K3 reasoning_effort-ს გამოაქვს გარეთ და აქ ეს რეალური ხარჯის ბერკეტია: მსჯელობის ტოკენები გამომავალ ტოკენებად ითვლება, $19.12-ად მილიონზე.

• Low — ინსტრუმენტული გამოძახების მარშრუტიზაცია და სტრუქტურირებული ამოღება, სადაც მოდელი რამდენიმე ცნობილ ვარიანტს შორის ირჩევს.
• High — ნაგულისხმევი რეალური აგენტური სამუშაოსთვის: მრავალსაფეხურიანი ცვლილების დაგეგმვა, გამართვა სტეკის კვალიდან, ურთიერთსაწინააღმდეგო წყაროების შეჯერება.
• Max — შემოინახეთ კონვეიერის ერთი ყველაზე რთული გამოძახებისთვის: გეგმა გაშვების თავში ან საბოლოო გადასინჯვა. გაშვება, რომელიც high-ზე 30K მსჯელობის ტოკენს ხარჯავს და max-ზე 90K-ს, ამ ერთი დროშისთვის დამატებით $1.15-ს იხდის.

კონტექსტიც განზრახ დაგეგმეთ: ჩვენი ფანჯარაა 262,144 ტოკენი 16,384-ტოკენიანი მაქსიმალური გამოსავლით და $3.83-ად მილიონ შემავალ ტოკენზე გაუსხლავი ისტორია გროვდება — ყოველი სვლა მთელ პრეფიქსს ხელახლა ითვლის.

05რას ნიშნავს „უცენზურო“ ამ ენდპოინტზე

Shannon AI-ს გეითვეიზე ყოველი მოდელი უარის ფენისა და გამოსავალზე კონტენტის ფილტრის გარეშე მუშაობს. უმაღლეს დონეზე ამას მეტი მნიშვნელობა აქვს, რადგან ის ამოცანები, რომლებსაც ხალხი უმაღლესი დონის მოდელს მიაქვს, ყველაზე მეტად აქვს მიდრეკილება ფილტრის ჩართვისკენ: შემტევი უსაფრთხოების კვლევა, შეტევითი ინსტრუმენტების ანალიზი, მოდერაციის კლასიფიკატორების შემუშავება, საფრთხეთა დაზვერვა, რთული მხატვრული ლიტერატურა და ნებისმიერი შეფასება, რომელიც მოითხოვს, რომ მოდელმა სწორედ ის წარმოქმნას, რისი აღმოჩენაც გინდათ.

• გამოსავლის კლასიფიკატორი არ არსებობს. პასუხები არ სკანირდება და გენერაციის შემდეგ არ გადაიწერება ან იბლოკება.
• შემავალის კარიბჭე არ არსებობს. მოთხოვნები და სურათები არ იფილტრება, სანამ მოდელამდე მიაღწევს.
• ეს სხვა მოდელი არაა. ეს არის Kimi K3 საფუძველი, რომელიც იმ ფენის გარეშე მუშაობს, რაც ჩვეულებრივ მის წინ დგას.
• ეს პასუხისმგებლობის გადაბარება არაა. უარის ფენის მოხსნა განსჯას თქვენზე გადმოაქვს — იხილეთ ჩვენი პასუხისმგებლიანი გამოყენების პოლიტიკა.

არსებობს უფრო ჩუმი სარგებელიც ყველასთვის, ვინც შეფასების სისტემებს აშენებს: გაუფილტრავი მოდელი სტაბილური საბაზისოა. მოდელი, რომელიც არაპროგნოზირებადად ამბობს უარს, გაზომვებს ხმაურიანს ხდის, რადგან შესაძლებლობის ზღვარს პოლიტიკის ზღვრისგან ვერ გამოყოფთ. აქ წარუმატებლობა შესაძლებლობის წარუმატებლობაა — ერთადერთი სახეობა, რომლის გამართვაც შეგიძლიათ.

06ფასი: $3.83 შემავალზე, $19.12 გამომავალზე — და როდის ამართლებს ის

ეს ჩვენი სიის ყველაზე ძვირი მოდელია დიდი სხვაობით: გამოსავალი ჩვენს $2.00 ფსკერზე 9.6-ჯერ ძვირია და Kimi-K2.6-ის ფასზე 5.2-ჯერ. აი, არითმეტიკა ღიად.

მოდელი	შემავალი / 1M	გამომავალი / 1M	ხედვა	JSON Schema
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	დიახ	დიახ
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	არა	დიახ
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	დიახ	არა
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	დიახ	დიახ
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	არა	დიახ
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	დიახ	დიახ
MiMo-V2.5 · W8A16	$0.50	$2.00	დიახ	დიახ

შერჩეული სტრიქონები, დალაგებული შემავალის ფასით. სამივე თორმეტივე მოდელს იგივე 262,144-ტოკენიანი კონტექსტი, 16,384-ტოკენიანი მაქსიმალური გამოსავალი, სტრიმინგი, ინსტრუმენტების გამოძახება და reasoning_effort აქვს. შესაძლებლობების ცოცხალი დროშები API-ის დოკუმენტაციის გვერდზეა.

ორი გამოთვლილი მაგალითი

ჯერ 120,000-ტოკენიანი შემავალი — კოდის ბაზის ამონაწერი, მარეგულირებელი განაცხადი — რომელიც 3,000-ტოკენიან ანალიზს გამოიღებს. შემდეგ ორმოცსვლიანი აგენტური გაშვება: დაახლოებით 1.2M კუმულაციური შემავალი ტოკენი კონტექსტის დაგროვებასთან ერთად, 90,000 გამომავალი ტოკენი მსჯელობის ჩათვლით.

სცენარი	Kimi-K3	Kimi-K2.6	MiniMax-M3
120K შემავალი / 3K გამომავალი	$0.517	$0.105	$0.066
ორმოცსვლიანი აგენტური გაშვება	$6.32	$1.27	$0.78

K3 დოკუმენტის გამოძახებაზე დაახლოებით 4.9-ჯერ ძვირი ჯდება, ვიდრე Kimi-K2.6. ორმოცდაათი ცენტი ერთხელ არაფერია; ათას გამოძახებაზე ეს დღეში $517-ია $105-ის საპირისპიროდ. აგენტურ გაშვებაზე სხვაობა დაახლოებით $5-ია. ახლა გამოიყენეთ ერთადერთი მნიშვნელოვანი ტესტი: თუ ამოცანა ინჟინრის ერთი საათის ღირსია $100-ად, K3 თავს იმ წამსვე იმართლებს, როცა პირველივე გავლის წარმატებას ხუთი პროცენტული პუნქტით გაზრდის — და ჭეშმარიტად რთულ გრძელჰორიზონტიან სამუშაოზე დონეებს შორის სხვაობა ჩვეულებრივ უფრო დიდია. თუ ამოცანა ვინმეს ოცდაათი წამის ღირსია, იგივე $5 დაუცველია.

07Kimi-K3 თუ უფრო იაფი დანაყოფი?

ჩვენს კატალოგში ორი Kimi მოდელი ერთი კიბის ორი საფეხურია და არა კონკურენტები. Kimi-K2.6 ნაკლებად აგრესიულადაა კვანტიზებული — W4A16-AUTOROUND-REAP, 4-ბიტიანი წონები ნასწავლი დამრგვალებით, K3-ის 3 ბიტის საპირისპიროდ — უფრო პატარა საფუძველზე. მას აქვს ხედვა, JSON Schema გამოსავალი, იგივე კონტექსტის ფანჯარა და ხუთჯერ იაფი ჯდება.

ამოცანა	გამოიყენეთ	რატომ
ორმოცსვლიანი ავტონომიური აგენტი	Kimi-K3	ჩავარდნა გროვდება; პირველ სვლაზე გეგმის ხარისხი წყვეტს გაშვების ბედს
რეპოზიტორიის მასშტაბის რეფაქტორინგი	Kimi-K3	სჭირდება მთელი კონტექსტის თანმიმდევრულად შენარჩუნება და არა უბრალოდ მისგან ამოკრეფა
მკვრივი დიაგრამები, წვრილი ტექსტი ეკრანის სურათზე	Kimi-K3	დონეებს შორის ხედვის ყველაზე დიდი სხვაობა წაკითხვადობასა და სივრცულ მსჯელობაშია
ერთფაილიანი ცვლილებები, კარგად აღწერილი	Kimi-K2.6	შემოსაზღვრული ამოცანა, იაფი ხელახლა გაშვება, გაზომვადი ჭერის სხვაობის გარეშე
სურათებზე წარწერების წერა მოცულობით	MiniMax-M3 / MiMo-V2.5	გადაწყვეტილია $0.50-ად შემავალზე; K3-ის გამოსავალი იმავე წარწერისთვის 9.6-ჯერ ძვირია
მსჯელობით დატვირთული, მაგრამ მხოლოდ ტექსტური	DeepSeek-V4-Pro	$3.90 გამოსავალი $19.12-ის საპირისპიროდ — მიატოვეთ K3, თუ სურათები არ გჭირდებათ

ეს ბოლო სტრიქონი ყველაზე ხშირად გამოტოვებული დანაზოგია. თუ თქვენი ამოცანა სურათებს არ მოიცავს, ჯერ DeepSeek-V4-Pro შეამოწმეთ. ისიც 3BIT-REAP ბილდია დიდ საფუძველზე, ძლიერია რთულ მსჯელობაზე, და მისი გამოსავალი $3.90 ჯდება K3-ის $19.12-ის საპირისპიროდ. უმაღლეს დონეს მიმართული ტრაფიკის დიდი ნაწილი მხოლოდ ტექსტური მსჯელობაა, რომელსაც ერთი სტრიქონით ქვევით ისევე კარგად ემსახურებიან.

08უცენზურო Kimi K3 API-ის გამოძახება

მოდელი სამივე დიალექტზე Kimi-K3-3BIT-REAP-ის სახითაა ხელმისაწვდომი, თითოეულზე სტრიმინგით და მათ შორის შესაძლებლობების სხვაობის გარეშე — მხოლოდ ფორმატის სხვაობით: /v1/chat/completions (OpenAI-თან თავსებადი), /v1/messages (Anthropic-თან თავსებადი) და /v1/responses. ხედვის მოთხოვნა აწეული მსჯელობის ძალისხმევით რთული ვიზუალური ამოცანისთვის:

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 მხარს უჭერს როგორც response_format-ს, ისე სრულ json_schema-ს, ასე რომ აგენტის ინსტრუმენტულ არგუმენტებს შეზღუდავთ ან ანგარიშს ფიქსირებულ ფორმაში ჩასვამთ შემდგომი პარსინგის გარეშე. ინსტრუმენტების გამოძახება მშობლიურია და სწორედ ისაა გრძელი გაშვებების მართვის განზრახული გზა. პარამეტრები, ავთენტიფიკაცია, სიხშირის ლიმიტები და ცოცხალი სათამაშო მოედანი API-ის დოკუმენტაციის გვერდზეა.

სამი რამ, რაც პირველივე დღეს დაზოგავს ფულს

• გასხალით პრეფიქსი. ყოველი სვლა მთელ საუბარს ხელახლა ითვლის $3.83-ად მილიონზე; ორმოცსვლიანი ისტორიის ერთხელ შეკუმშვა 4K-ტოკენიან მდგომარეობის ობიექტად უფრო მეტს ზოგავს, ვიდრე მოდელის შეცვლების უმეტესობა.
• შეამცირეთ სურათები. სურათის ტოკენები შემავალი ტოკენებია; 4K ეკრანის სურათი, შემცირებული ისეთ ზომამდე, სადაც ჯერ კიდევ იკითხება, იმავე პასუხს იაფად გამოიღებს.
• მარშრუტიზაცია სირთულის მიხედვით. იაფი მოდელი რუტინულ სვლებზე, K3 კი გეგმაზე, რთულ განშტოებასა და საბოლოო გადასინჯვაზე, ხშირად შესაძლებლობის 80%-ია ანგარიშის 25%-ად.

09ხშირად დასმული კითხვები

---

საფუძვლის ფაქტები და ბენჩმარკები Moonshot AI-ს გამოქვეყნებული ციფრებია Kimi K3-ისა და Kimi K2-ისთვის და შეუკუმშავ საწყის მოდელებს აღწერს; ჩვენი ბილდი 3-ბიტიანი REAP კვანტიზაციაა და განსხვავდება. ფასები, კონტექსტი და შესაძლებლობების დროშები Shannon AI-ს საკუთარია, აქტუალური 2026 წლის 5 სექტემბრისთვის — ცოცხალი მნიშვნელობები ყოველთვის ისაა, რასაც /v1/models აბრუნებს. წყაროები: Kimi K3-ის მოდელის ბარათი · Kimi K3-ის რეპოზიტორია · Kimi K2 Thinking.