API ya Kimi K3 a Bê Sansûr
Asta herî bikêrhatî ya li ser Dergehê Shannon AI: bingeheke pir-medyayî ya 2.8-trîlyon-parametreyî bi dîtin, bangkirina amûran û contexteke 262K — tu tebeqeya redkirinê, û bihayê herî bilind ê lîsteya me. Li vir e ka ew biha kengî hêjayî dayînê ye.
TL;DR
Kimi-K3-3BIT-REAP modela herî xurt e ku em xizmet dikin û ya herî biha: $3.83 ji bo her mîlyon tokenên têketinê, $19.12 ji bo her mîlyon derketinê. Wê dîtin, contexteke 262,144-tokenî, derketina herî zêde ya 16,384-tokenî, bangkirina amûran, derketina bi şemaya JSON, reasoning_effort a ku tê sazkirin û streaming li ser her sê zaravayên API heye — bi tu tebeqeya redkirinê û tu fîltrekirina derketinê. Hilbijartina rast ji bo meşandinên ajanî yên asoya dirêj, ramîna pir-gavî ya dijwar, û karê wêneyan ku hûrguliya dîtbarî ya zirav girîng e. Hilbijartina şaş ji bo klasîfîkasyon, derxistin, chat, û her tiştê ku tu rojê sed hezar caran dimeşînî.
Piraniya rênimayên hilbijartina modelan wisa hatine nivîsandin ku wek ku kapasîte belaş be. Ew ne wisa ye. Pirsa balkêş a li ser modeleke asta jorîn tu carî «ma ew çêtir e» nîne — bi gelemperî ew çêtir e — lê «ma ew, li ser vî karî, têra xwe çêtir e ku fatûreyeke pênc caran mezintir ji ya modela pileyekê nizmtir rewa bike». Ev rênima wê bi hesabeke rastîn bersiv dide, û bi eşkereyî dibêje ku vebijarkên erzantir li ku bi ser dikevin.
01Kimi K3 bi rastî çi ye
Kimi K3 modela sereke ya Moonshot AI bi giraniyên vekirî ye, ku di Tîrmeha 2026 de di bin Lîsansa Kimi K3 de hat berdan — nifşê sêyem ê rêzekê ku bi Kimi K2 dest pê kir, û mîmariyeke bi rastî nû ne tuneyeke fine-tune kirî.
Rêzkirina weşandî 93 tebeqe ne — 69 bi Kimi Delta Attention, 24 bi bala latent a pir-serî ya dergehkirî, yek dijwar — bi routerekî Stable LatentMoE ku 16 ji 896 pisporan ji bo her tokenekê plus 2 hevpar hildibijêre. Moonshot bi qasî 2.5 caran baştirbûnek di kêrhatîbûna pîvandinê de li hember Kimi K2 ji wê tevlihevkirinê ragihîne. Dîtin niştecih e ne pêvekirî: kodkerekî MoonViT-V2 yê 401M-parametreyî heman gewde ku nivîsê bi rê ve dibe têr dike.
Jimara seyrekiyê hêjayî hundirînkirinê ye: K3 104 milyar parametreyan ji bo her tokenekê aktîv dike, li hember rêza 30 heta 40 milyaran ji bo piraniya katalogê me. Ev bi qasî sê caran hesabê ji bo her tokenekê ye ku tê çêkirin, û ew tevahiya sedema wê ye ku ev model li serê lîsteya bihayê ye. Tu ji bo asta markayekê pere nadî — tu ji bo çirkeyên GPU pere didî.
Rêz, bi kurtî
- Kimi K2 — 1 trîlyon parametre, 32 milyar aktîv, 384 pispor bi 8 rêkirî ji bo her tokenekê, li ser 15.5 trîlyon tokenan bi optîmîzerê MuonClip pêş-perwerdekirî, ku hatiye avakirin da ku wan teqînên balê rawestîne ku perwerdehiya MoE di wê pîvanê de xera dikin.
- Kimi K2 Thinking — heman bingeh ku hatiye fêr kirin ku ramanê bi bikaranîna amûran re li hev bihûne, ku hatiye ragihandin ku 200 heta 300 bangkirinên amûran ên li pey hev di yek meşandinê de bi rê ve dibe, bi 44.9% li ser Humanity's Last Exam bi amûran û 60.2% li ser BrowseComp.
- Kimi K3 — bi pir-medyayîtiya niştecih û pencereyeke 1M-tokenî ya jorîn ji nû ve hatiye avakirin, bi perwerdehiya ji quantizasyonê haydar ji qonaxa fine-tuningê ya çavdêrîkirî û pê ve (giraniyên MXFP4, aktîvasyonên MXFP8). Ji ber vê yekê K3 pêçandineke tund ji modelên ku tu carî bi wê di hiş de nehatine perwerdekirin çêtir hildigire.
Xeta berdewam ajanîbûna asoya dirêj e: her nifşek hatiye optîmîze kirin ku li seranserê sedan gavan hevgirtî bimîne ne ku benchmarkên bersiva kurt bibe. Ew ew kapasîte ye ku tu dikirî.
02«3BIT-REAP» çi tê wateyê, û çima modeleke 2.8T wê hewce dike
Paşgira li ser nasnameya modelê ne xemilandin e — ew dibêje çi bi giraniyan hat kirin berî ku ew li ser koma GPU ya me bi xwe bên barkirin, û ew hişyariya dilsoz e ku bi her îdiayeke li vir ve girêdayî ye. Bi hesabê dest pê bike. Modeleke 2.8-trîlyon-parametreyî bi rastiya 16-bit bi qasî 5.6 terabayt giranî ye. Bi 3 bitan ji bo her giraniyekê ew nêzîkî 1.05 terabaytan e — hîn jî mezin, lê danînek e ku pêkan e û cih dimîne ji bo cachea KV ya 262K-tokenî. REAP nîvê duyem e: rêbazeke birrîna pisporan ku profîl dike router bi rastî destê xwe dirêjî kîjan pisporan dike û yên kêm-hilbijartî berî quantizekirinê davêje ne piştî wê. Li ser modelekê ku tenê 16 ji 896 pisporan ji bo her tokenekê rê dike ev bi awayekî xwezayî li hev tê — belavbûneke bi vê seyrekiyê dûvikeke dirêj heye ku pir hindik ji trafîka rastîn re beşdar dibe — û birrîna pêşî tê wateya ku budceya bitan a mayî li ser wan pisporan tê xerc kirin ku girîng in.
Li ser bazarê dilsoz be
Pêçandin ji rastiyê dike, û ne bi awayekî yeksan. Ew pêşî di vegerandina rastiyên dûvika dirêj de û di xalên dawî yên tamiya matematîka dijwar de xuya dibe, pir kêmtir di şopandina rênimayan, formatkirina bangkirina amûran, an avahiya planeke ajanî ya dirêj de. Perwerdehiya K3 ya ji quantizasyonê haydar ew e ku ev avakirin xwe digire. Lê heke karê te vegerandina rastiyeke nenas a yek-lêdanî be, texmîn neke ku modeleke 2.8T ya quantizekirî tenê li ser hejmara parametreyan yeke 8-bit a biçûktir têk dibe.
Katalogê me sê paşgiran wek derenceyeke bi mebest bikar tîne. 3BIT-REAP diçe ser bingehên herî mezin, li cihê ku tu tiştekî din cih nagire. W4A16-AUTOROUND-REAP giraniyên 4-bit bi aktîvasyonên 16-bit e ku bi AutoRound hatiye quantize kirin — gilorkirina fêrbûyî ku rastiyeke rastîn li hember gilorkirina sade ya bo ya herî nêzîk vedigerîne — plus heman birrîn. W8A16 asta bi wefaya herî bilind e, ji bo bingehên ku têra xwe biçûk in ku pêçandineke tund hewce nekin. Bi kurtî: paşgir ji te re dibêje çiqas ji ya orîjînal maye; biha ji te re dibêje meşandina wê çiqas dike.
03Dîtin: fêmkirina wêneyan çi ji te re dikire
Kimi-K3 yek ji pênc modelên di katalogê me yê diwazdeh-modelî de ye ku dîtin heye, û ya herî bikêrhatî ya pêncan. Piraniya API yên dîtinê yên bazirganî klasîfîkerekî li ser wêneyên barkirî dimeşînin û kategoriyeke fireh a têketinan red dikin berî ku model wan bi tu awayî bibîne — standardeke maqûl a xerîdarî û astengeke ciddî ji bo karê rewa. Lêkolînerên ewlekariyê ku derketina îstismarê ekran digirin, tîmên moderasyonê ku klasîfîkerên xwe ava dikin, karê edlî û odîtkirina komdaneyan, û nirxandina red-teamê hemû li wî dîwarî diqelibin. Kimi-K3 tu tebeqeya redkirinê û tu fîltrekirina derketinê tune.
Dîtina K3 li ku heqê xwe li hember modelên dîtinê yên erzantir dide
- Dîagram û şemayên qelebalix — dîagramên mîmarî, topolojiyên torê, dewrên elektrîkî: her tiştê ku bersiv bi şopandina xêz û etîketan ve girêdayî ye ne bi navkirina tiştan.
- Nivîsa biçûk di wênegirtinên ekranê de — şopên stackê, derketina termînalê, xaneyên tabloyan. Valahiya di navbera astên dîtinê de li ser xwendbariya di pîvana biçûk de herî fireh e.
- Wêne di nav nivîseke dirêj de — wênegirtineke ekranê ku di contexteke 200K-tokenî de hatiye avêtin, ku divê model tiştê ku dibîne bi tiştê ku pêncî hezar token berê xwendiye ve girê bide.
- Berawirdkirina pir-wêneyî — du guhertoyên UIyekê, an grafîkek li hember wê tabloya ku ew çêkiriye.
Li ku ew heqê xwe nade: sernavkirin, nivîsa alternatîf, OCR ya belgeyên paqij, û boriyên etîketkirinê. Ew bi $0.50 ji bo her mîlyon tokenên têketinê hatine çareserkirin — heke karê te yê wêneyan hejmara mezin be û her tiştek bi tena serê xwe hêsan be, Kimi-K2.6 an MiniMax-M3 bersivên ku tu wan ji yên K3 cuda nakî derdixin.
Wêne tokenan ji heman budceya 262,144-tokenî ya nivîsê xerc dikin û bi rêjeya têketinê tên fatûre kirin. Çend wênegirtinên ekranê yên bi rêçkirineke bilind ne belaş in.
04Karê ajanî yê asoya dirêj — ev ast ji bo çi ye
Heke karekî asta jorîn rewa bike, ev e. Karên kurt bi awayekî lêborînbar têk diçin: model şaş dike, tu pê dihesî, tu ji nû ve diceribînî, te çar çirke winda kirine. Ajanekî çil-dorî ku di dora şeşan de şaxekî şaş digire sî û çar dorên din bi hostetî li ser şaşiyekê ava dike, û tu di dawiyê de pê dihesî piştî ku te ji bo her tokeneke di navberê de pere dane. Ew nehevsengî sedema wê ye ku bihayê her tokenekê li vir nêzîkî pîvana şaş e. Tiştê ku girîng e lêçûna her temamkirineke serkeftî ye, ku ji aliyê wê ve tê serdest kirin ka meşandinek çend caran tê avêtin. Jimarên weşandî yên Moonshot ji bo bingeha K3 li ser benchmarkên ajanî:
Hemû jimar ji aliyê Moonshot ve ji bo bingeha Kimi K3 ya nequantizekirî hatine ragihandin, Tîrmeha 2026. Ew ne pîvandinên avakirina me ya 3BIT-REAP in û em wan wisa pêşkêş nakin.
Şekl bi wê tiştê ku mîmarî jê re hatiye avakirin re li hev tê: BrowseComp û Terminal-Bench benchmarkên loopa amûran in — dorên dubarekirî yên kirin, dîtin, guhertin. SWE Marathon li 42.0 hevsengî ye: nirxandina kodkirinê ya asoya dirêj a herî dijwar a komê, ku tê de tewra modeleke pêşeng jî di piraniya karan de têk diçe. «Ajanî» ne kategoriyeke çareserkirî ye; ji bo têkçûnê sêwiran bike kîjan modelê ku tu hilbijêrî.
Sazkirinên pratîk ji bo meşandinên dirêj
K3 reasoning_effort eşkere dike, û li vir ew derenceyeke lêçûnê ya rastîn e: tokenên ramanê wek tokenên derketinê tên fatûre kirin, bi $19.12 ji bo her mîlyonê.
- Low — rêkirina bangkirina amûran û derxistina strukturkirî, ku tê de model di navbera çend vebijarkên naskirî de hildibijêre.
- High — standarda ji bo karê ajanî yê rastîn: plansazkirina guhertineke pir-gavî, debugkirin ji şopeke stackê, lihevkirina çavkaniyên nakok.
- Max — wê ji bo bangkirina yekane ya herî dijwar a boriyekê veqetîne: plana li serê meşandinekê, an nirxandina dawî. Meşandinek ku 30K tokenên ramanê li high û 90K li max xerc dike ji bo wê yek alayê $1.15 zêde dide.
Contextê jî bi mebest budce bike: pencereya me 262,144 token e bi derketina herî zêde ya 16,384-tokenî, û bi $3.83 ji bo her mîlyon têketinê dîrokeke nebirrandî li hev kom dibe — her dorek tevahiya pêşgirê ji nû ve fatûre dike.
05«Bê sansûr» li ser vî endpointî çi tê wateyê
Her modeleke li ser Dergehê Shannon AI bi tu tebeqeya redkirinê û tu fîltrekirina naverokê ya li ser derketinê tê xizmet kirin. Ew li ser asta jorîn bêtir girîng e, ji ber ku ew kar ku mirov tînin ba modeleke asta jorîn ên herî muhtemel in ku fîltreyekê bihejînin: lêkolîna ewlekariyê ya dijber, analîza amûrên êrîşê, pêşxistina klasîfîkerên moderasyonê, îstîxbarata tehdîdê, çîroka dijwar, û her nirxandinek ku dixwaze model wî tiştî derxîne ku tu hewl didî wî bibînî.
- Tu klasîfîkerê derketinê. Bersiv piştî çêkirinê nayên şandin û ji nû ve nayên nivîsandin an nayên astengkirin.
- Tu dergehê têketinê. Prompt û wêne berî ku bigihîjin modelê nayên pêşnirxandin.
- Ne modeleke cuda. Ev bingeha Kimi K3 ye ku bêyî wê tebeqeyê tê xizmet kirin ku bi gelemperî li ber wê rûdine.
- Ne veguhastina berpirsiyariyê. Rakirina tebeqeyeke redkirinê biryarê tîne ba te — li polîtîkaya me ya bikaranîna berpirsiyar binêre.
Berjewendiyeke bêdengtir ji bo her kesê ku pergalên nirxandinê ava dike heye: modeleke bêfîltre bingeheke stabîl e. Modelek ku bi awayekî nepêşbînbar red dike pîvandinan bi deng dike, ji ber ku tu nikarî sînorekî kapasîteyê ji sînorekî polîtîkayê cuda bikî. Li vir têkçûnek têkçûneke kapasîteyê ye — tenê ew cure ku tu dikarî debug bikî.
06Biha: $3.83 têketin, $19.12 derketin — û kengî heqê xwe dide
Ev modela herî biha ya lîsteya me ye bi valahiyeke fireh: derketin 9.6 caran binê me yê $2.00 dike û 5.2 caran wê ku Kimi-K2.6 dike. Li vir hesab bi eşkereyî ye.
| Model | Têketin / 1M | Derketin / 1M | Dîtin | Şemaya JSON |
|---|---|---|---|---|
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | Erê | Erê |
| DeepSeek-V4-Pro-0813 · 3BIT-REAP | $1.95 | $3.90 | Na | Erê |
| inkling · W4A16-AUTOROUND-REAP | $1.42 | $6.07 | Erê | Na |
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | $0.78 | $3.67 | Erê | Erê |
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | Na | Erê |
| MiniMax-M3 · 3BIT-REAP | $0.50 | $2.00 | Erê | Erê |
| MiMo-V2.5 · W8A16 | $0.50 | $2.00 | Erê | Erê |
Rêzên hilbijartî, li gorî bihayê têketinê hatine rêzkirin. Hemû diwazdeh model heman contexta 262,144-tokenî, heman derketina herî zêde ya 16,384-tokenî, streaming, bangkirina amûran û reasoning_effort parve dikin. Alayên kapasîteyê yên zindî li ser rûpela belgekirina API ne.
Du mînakên xebitandî
Ya yekem, têketineke 120,000-tokenî — daxistineke kodbaseyê, dosyeyeke rêziknameyî — ku analîzeke 3,000-tokenî derdixe. Ya duyem, meşandineke ajanî ya çil-dorî: bi qasî 1.2M tokenên têketinê yên kom bûyî dema ku context li hev kom dibe, 90,000 tokenên derketinê tê de raman jî.
| Senaryo | Kimi-K3 | Kimi-K2.6 | MiniMax-M3 |
|---|---|---|---|
| 120K têketin / 3K derketin | $0.517 | $0.105 | $0.066 |
| Meşandina ajanî ya 40-dorî | $6.32 | $1.27 | $0.78 |
K3 li ser bangkirina belgeyê bi qasî 4.9 caran Kimi-K2.6 dike. Pêncî sent carekê ne tişt e; ew bi hezar bangan rojê $517 e, li hember $105. Li ser meşandina ajanî cudahî bi qasî $5 e. Niha tenê wî testî bisepîne ku girîng e: heke kar hêjayî saetekê ji dema endezyarekî bi $100 be, K3 di kêliya ku serkeftina pas-yekem bi pênc xalên sedî bilind bike heqê xwe dide — û li ser karê asoya dirêj ê bi rastî dijwar valahiya di navbera astan de bi gelemperî mezintir e. Heke kar hêjayî sî çirkeyên dema kesekî be, heman $5 nayê parastin.
Ew qaîdeya ku em bi rastî bikar tînin
Gava lêçûna têkçûna meşandinê ji cudahiya bihayê meşandina wê li ser modela çêtir zêdetir be hilkişe ser Kimi-K3. Ev biryarê datîne ser nirxa karî ne ser bihayê tokenê. Karê bi nirxa bilind, hejmara nizm, asoya dirêj, û zehmet-tê-verîfîye-kirin diçe K3. Karê bi hejmara mezin, xetereya nizm, û bi hêsanî tê ji nû ve ceribandin naçe — çiqas hejmara parametreyan bandorker be jî.
07Kimi-K3 an hevalbendeke erzantir?
Her du modelên Kimi yên di katalogê me de du pileyên yek derenceyê ne ne hevrik. Kimi-K2.6 bi awayekî kêmtir tund hatiye quantize kirin — W4A16-AUTOROUND-REAP, giraniyên 4-bit bi gilorkirina fêrbûyî, li hember 3-bita K3 — li ser bingeheke biçûktir. Wê dîtin, derketina bi şemaya JSON, heman pencereya contextê heye, û bi qasî pêncêkê dike.
| Kar | Bikar bîne | Çima |
|---|---|---|
| Ajanekî xweser ê çil-dorî | Kimi-K3 | Têkçûn li hev kom dibe; kalîteya planê di dora yekem de biryara meşandinê dide |
| Refaktorkirina bi pîvana repozîtoryê | Kimi-K3 | Contexta tam bi awayekî hevgirtî hewce dike ku were girtin, ne tenê jê were wergirtin |
| Dîagramên qelebalix, nivîsa biçûk a wênegirtinên ekranê | Kimi-K3 | Valahiya dîtinê ya herî fireh di navbera astan de xwendbarî û ramîna cihî ye |
| Guherandinên yek-fîleyî, baş diyarkirî | Kimi-K2.6 | Karekî sînordar, ceribandineke nû ya erzan, tu cudahiyeke tavanê ya pîvanbar tune |
| Sernavkirina wêneyan bi hejmarê | MiniMax-M3 / MiMo-V2.5 | Bi $0.50 têketin hatiye çareserkirin; derketina K3 ji bo heman sernavî 9.6 caran e |
| Ramîn-giran lê tenê nivîs | DeepSeek-V4-Pro | $3.90 derketin li hember $19.12 — heke tu wêneyan hewce nekî K3 bihêle |
Ew rêza dawî teserûfa ku herî pir tê ji bîr kirin e. Heke karê te wêneyan tê de tune, pêşî li DeepSeek-V4-Pro binêre. Ew jî avakirineke 3BIT-REAP li ser bingeheke mezin e, li ser ramîna dijwar xurt e, û derketina wê $3.90 dike li hember $19.12 ya K3. Piraniya wê trafîkê ku destê xwe dirêjî asta jorîn dike ramîna tenê-nivîsî ye ku pileyekê nizmtir jî bi heman qasî baş tê xizmet kirin.
08Bangkirina API ya Kimi K3 a bê sansûr
Model wek Kimi-K3-3BIT-REAP li ser her sê zaravayan tê eşkere kirin, bi streamingê li ser her yekê û bêyî tu cudahiyeke kapasîteyê di navbera wan de — tenê formata têlê: /v1/chat/completions (lihevhatî bi OpenAI), /v1/messages (lihevhatî bi Anthropic), û /v1/responses. Daxwazeke dîtinê bi hewldana ramanê ya bilindkirî ji bo karekî dîtbarî yê dijwar:
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 piştgiriya hem response_format hem json_schema ya tam dike, loma tu dikarî argumanên amûran ên ajanekî sînordar bikî an raporekê bêyî parskirina paş-hoc bixî şeklekî sabît. Bangkirina amûran niştecih e û riya mebestkirî ye ji bo meşandinên dirêj. Parametre, pejirandin, sînorên rêjeyê û playgroundeke zindî li ser rûpela belgekirina API ne.
Sê tiştên ku di roja yekem de pere teserûf dikin
- Pêşgirê bibirre. Her dorek tevahiya axaftinê bi $3.83 ji bo her mîlyonê ji nû ve fatûre dike; kurtkirina dîrokeke 40-dorî di tişteke rewşê ya 4K-tokenî de carekê ji piraniya guhertinên modelan bêtir teserûf dike.
- Wêneyan biçûk bike. Tokenên wêneyan tokenên têketinê ne; wênegirtineke ekranê ya 4K ku bo tiştekî hîn jî xwendbar hatiye biçûk kirin heman bersivê bi kêmtir dide.
- Li gorî dijwariyê rê bike. Modeleke erzan li ser dorên rojane, bi K3 li ser planê, şaxê dijwar û nirxandina dawî, bi gelemperî 80% ya kapasîteyê bi 25% ya fatûreyê ye.
09Pirsên ku pir tên kirin
API ya Kimi K3 a bê sansûr çi ye?
Ew modela Kimi-K3 3BIT-REAP li ser Dergehê Shannon AI e: bingeha Mixture-of-Experts a pir-medyayî ya 2.8-trîlyon-parametreyî ya Moonshot AI, ku li ser koma GPU ya me bi xwe bi contexteke 262,144-tokenî, derketina herî zêde ya 16,384-tokenî, dîtin, bangkirina amûran, derketina strukturkirî ya bi şemaya JSON û streaming tê xizmet kirin, bêyî tebeqeyeke redkirinê û bêyî fîltrekirina ku li derketinê tê sepandin. Ew bi rêya /v1/chat/completions, /v1/messages û /v1/responses tê gihîştin.
Ma API ya Kimi K3 a bê sansûr piştgiriya dîtinê dike?
Erê. Kimi-K3 yek ji pênc modelên di katalogê me de ye ku fêmkirina wêneyan heye, û ew ya herî bikêrhatî ye. Tu wêneyan bi heman awayî dişînî ku tu ê ji her endpointeke lihevhatî bi OpenAI re bişanda, wek beşên naverokê yên image_url li tenişta nivîsê. Wêne contextê ji heman budceya 262,144-tokenî ya nivîsê xerc dikin, û tokenên wêneyan bi rêjeya têketinê ya $3.83 ji bo her mîlyonê tên fatûre kirin.
Çima Kimi K3 $3.83 têketin û $19.12 derketin dike gava modelên din ên Shannon $0.50 û $2.00 ne?
Ji ber ku bingeh bi qasî 2.8 trîlyon parametre ye bi 104 milyar aktîv ji bo her tokenekê, li hember modelên bi 30 heta 40 milyar aktîv ên li derên din ên katalogê. Bêtir parametreyên aktîv ji bo her tokenekê tê wateya bêtir çirkeyên GPU ji bo her tokenekê, û biha lêçûna xizmetkirinê nîşan dide ne bacekî kapasîteyê. Derketin 9.6 caran bihayê modelên me yên binî ye, loma pirsa biryardar ev e gelo rêjeyeke serkeftinê ya pas-yekem a bilindtir li ser karekî dirêj hêjayî bi qasî pênc caran fatûreyê ye.
Ma Kimi K3 heman model e wek Kimi K2 an Kimi K2 Thinking?
Na. Kimi K2 MoEyeke 1-trîlyon-parametreyî bû bi 32 milyar parametreyên aktîv û 384 pisporan; K2 Thinking ramîna li hev hûnandî û zincîrên bangkirina amûran ên dirêj li ser heman bingehê zêde kir. Kimi K3, ku ji aliyê Moonshot AI ve di Tîrmeha 2026 de hat berdan, mîmariyeke cuda ye: 2.8 trîlyon parametreyên giştî, 104 milyar aktîv, 896 pispor bi 16 rêkirî ji bo her tokenekê, Kimi Delta Attention, û kodkerekî dîtinê yê niştecih. K2 û K3 rêzekê parve dikin, ne modelekê.
Kengî divê ez li şûna Kimi-K3 Kimi-K2.6 bikar bînim?
Kimi-K2.6 W4A16-AUTOROUND-REAP wê demê bikar bîne ku kar sînordar be û tu wê pir caran bimeşînî: klasîfîkasyon, derxistin, guherandinên yek-fîleyî, chat, û karên wêneyan ku tu bi piranî şiroveyeke jêhatî hewce dikî ne ramîneke dîtbarî ya hûrgilî. Wê herwiha dîtin heye, ew bi awayekî kêmtir tund hatiye quantize kirin, û ew $0.78 têketin û $3.67 derketin dike, bi qasî pêncêka K3. Gava meşandinek dirêj, şaxdar, an ji bo xeletkirinê biha be, hilkişe ser Kimi-K3.
Her jimareke mîmarî û benchmarkê ya li vir ji aliyê Moonshot AI ve hatiye weşandin an di karta modelê ya wan a vekirî de xuya ye, û bingeha nequantizekirî şirove dike ne avakirina me ya 3BIT-REAP. Wan bi xwe kontrol bike.
API ya Kimi K3 a bê sansûr biceribîne
Asta ajanî û dîtinê ya herî bikêrhatî. Tu tebeqeya redkirinê. Ji bo her tokenekê bide.
Belgekirina API Bixwîne Li Hemû Modelan BigereShannon Lab LLC · New Mexico, DYA · model li ser koma GPU ya me bi xwe tên xizmet kirin
Rastî û benchmarkên bingehê jimarên weşandî yên Moonshot AI ji bo Kimi K3 û Kimi K2 ne û modelên jorîn ên nequantizekirî şirove dikin; avakirina me quantizasyoneke REAP ya 3-bit e û wê cuda be. Biha, context û alayên kapasîteyê yên Shannon AI bi xwe ne, heta 5ê Îlona 2026 rojane ne — nirxên zindî her tim ew in ku ji aliyê /v1/models ve tên vegerandin. Çavkanî: karta modelê ya Kimi K3 · repozîtorya Kimi K3 · Kimi K2 Thinking.