Onzenséiert Kimi-K3-API

Déi meescht Guiden zur Modellwiel si geschriwwen, wéi wier Fäegkeet gratis. Ass se net. Déi interessant Fro bei engem Spëtzemodell ass ni „ass en besser“ — dat ass en meeschtens — mä „ass en op dëser Aufgab genuch besser, fir eng Rechnung ze rechtfäerdegen déi fënnef Mol méi grouss ass wéi déi vum Modell eng Spross drënner“. Dëse Guide äntwert dat mat richteger Rechnung a seet kloer, wou déi méi bëlleg Optioune gewannen.

01Wat Kimi K3 wierklech ass

Kimi K3 ass dem Moonshot AI säin Open-Weights-Flaggschëff, am Juli 2026 ënner der Kimi-K3-Lizenz erauskomm — déi drëtt Generatioun vun enger Ofstamung déi mat Kimi K2 ugefaangen huet, an eng wierklech nei Architektur an net e Feintuning.

Déi publizéiert Struktur huet 93 Schichten — 69 mat Kimi Delta Attention, 24 mat gated Multi-head Latent Attention, eng dicht — mat engem Stable-LatentMoE-Router deen 16 vun 896 Experte pro Token plus 2 gedeelt auswielt. Moonshot bericht aus där Kombinatioun eng Verbesserung vun der Skaléierungseffizienz ëm ronn dat 2.5-facht géint Kimi K2. D'Vision ass natiiv an net ugeschraubt: en Encoder MoonViT-V2 mat 401M Parameter fiddert dee selwechte Stamm dee och den Text behandelt.

D'Zuel zur Spuersamkeet lount et sech ze verinnerlechen: K3 aktivéiert 104 Milliarde Parameter pro Token, géint de Beräich vun 30 bis 40 Milliarde bei de meeschte Modeller vun eisem Katalog. Dat ass ronn dräimol esou vill Rechnerei pro generéiertem Token, an dat ass de ganze Grond firwat dëse Modell d'Präislëscht uféiert. Du bezuels net fir eng Markestuf — du bezuels fir GPU-Sekonnen.

D'Ofstamung, kuerz

• Kimi K2 — eng Billioun Parameter, 32 Milliarden aktiv, 384 Experte mat 8 ugesteiert pro Token, virtrainéiert op 15.5 Billiounen Token mam MuonClip-Optimeierer, gebaut fir déi Attention-Explosiounen ze stoppen déi d'MoE-Training an där Gréisstenuerdnung futti maachen.
• Kimi K2 Thinking — déiselwecht Basis, geléiert fir Raisonnéierung mat Tool-Notzung ze verschachtelen, mat berichten 200 bis 300 openeen folgenden Tool-Calls an engem eenzege Laf, bei 44.9 % op Humanity's Last Exam mat Tools an 60.2 % op BrowseComp.
• Kimi K3 — nei gebaut mat natiiver Multimodalitéit an engem Fënster vun 1M Token uewestrooms, mat quantiséierungsbewosstem Training vun der iwwerwaachter Feinofstëmmung un (MXFP4-Gewiichter, MXFP8-Aktivéierungen). Dofir vertreet K3 aggressiv Kompressioun besser wéi Modeller déi ni domat am Kapp trainéiert goufen.

De roude Fuedem ass d'Handlungsfäegkeet iwwer laang Horizonter: all Generatioun gouf dodrop optiméiert, iwwer Honnerte vu Schrëtt hi kohärent ze bleiwen, an net dodrop, Benchmarke mat kuerzen Äntwerten ze gewannen. Dat ass d'Fäegkeet déi s du kaafs.

02Wat „3BIT-REAP“ heescht, a firwat e 2.8T-Modell et brauch

De Suffix un der Modell-Id ass keng Dekoratioun — en seet, wat mat de Gewiichter gemaach gouf ier se op eise eegene GPU-Cluster gelueden goufen, an en ass déi éierlech Aschränkung déi un all Behaaptung hei hänkt. Fänk mat der Rechnung un. E Modell mat 2.8 Billiounen Parameter a 16-Bit-Präzisioun sinn ongeféier 5.6 Terabyte Gewiichter. Bei 3 Bit pro Gewiicht sinn et éischter 1.05 Terabyte — ëmmer nach vill, mä en handhabbaren Asaz mat Plaz iwwreg fir e KV-Cache vun 262K Token. REAP ass déi zweet Halschent: eng Method fir d'Pruning vun Experten déi profiléiert, no wéi enge Experten de Router wierklech gräift, an déi selten gewielte virum Quantiséieren erausgeheit an net duerno. Bei engem Modell dat nëmmen 16 vun 896 Experte pro Token usteiert passt dat natierlech — eng esou spuersam Verdeelung huet e laange Schwanz deen zum richtege Trafic ganz wéineg bäisteiert — a fir d'éischt ze prunen heescht, datt de reschtleche Bit-Budget op Experten ausgëtt gëtt déi zielen.

Eise Katalog benotzt dräi Suffixen als bewosst Leeder. 3BIT-REAP kënnt op déi gréisste Basen, wou soss näischt passt. W4A16-AUTOROUND-REAP sinn 4-Bit-Gewiichter mat 16-Bit-Aktivéierungen, quantiséiert mat AutoRound — geléiert Rondung déi géint dat naiivt Ronne op de nächste Wäert richteg Genauegkeet zréckgewënnt — plus dat selwecht Pruning. W8A16 ass d'Stuf mat der héchster Tréischtheet, fir Basen déi kleng genuch sinn fir keng aggressiv Kompressioun ze brauchen. Kuerz gesot: de Suffix seet dir, wéi vill vum Original iwwerlieft huet; de Präis seet dir, wat et kascht et ze bedreiwen.

03Vision: wat d'Billerverständnis dir bréngt

Kimi-K3 ass ee vu fënnef Modeller an eisem Katalog vun zwielef mat Vision, an de fäegsten dovun. Déi meescht kommerziell Vision-APIe loosse e Klassifikateur iwwer eropgelueden Biller lafen a refuséieren eng breet Kategorie vun Inputen, ier de Modell se iwwerhaapt gesäit — e verstänneg Standard fir Konsumenten an e seriéist Hindernis fir legitim Aarbecht. Sécherheetsfuerscher déi Exploit-Output screenshotten, Moderatiounsequipen déi hir eege Klassifikateure bauen, forensesch Aarbecht an Datesatzaudite, a Red-Team-Evaluatioune stoussen all op déi Mauer. Kimi-K3 huet keng Refus-Schicht a keng Filterung vum Output.

Wou dem K3 seng Vision hire Präis géint méi bëlleg Vision-Modeller verdéngt

• Dicht Diagrammer a Schemaen — Architekturdiagrammer, Netztopologien, Schaltungen: alles wou d'Äntwert dovun ofhänkt, Linnen a Beschrëftungen ze verfollegen, an net dovun, Objeten ze benennen.
• Kleng Text a Screenshoten — Stack Traces, Terminaloutput, Zelle vun engem Tabelleblat. D'Lück tëscht de Vision-Stufen ass bei der Liesbarkeet a klenger Gréisst am gréissten.
• E Bild bannent laangem Text — e Screenshot dee an e Kontext vun 200K Token gesat gëtt, wou de Modell dat wat en gesäit mat deem verbanne muss wat en fofzegdausend Token virdru gelies huet.
• Verglach vu méi Biller — zwou Versioune vun engem Interface, oder eng Grafik géint d'Tabell déi se generéiert huet.

Wou et säi Präis net verdéngt: Bildtexter, Alternativtext, OCR vu proppere Dokumenter, a Pipelinen fir Verschlagwuertung. Déi sinn fir $0.50 pro Millioun Input-Token geléist — wann deng Billeraarbechtslaascht grouss am Volumen ass an all Element eenzel einfach, produzéieren Kimi-K2.6 oder MiniMax-M3 Äntwerten déi s du net vun deene vu K3 ënnerscheeds.

D'Biller verbrauchen Token aus dem selwechte Budget vun 262,144 Token wéi den Text a ginn zum Input-Tarif verrechent. Eng Handvoll héichopgeléiste Screenshoten ass net gratis.

04Agentesch Aarbecht iwwer laang Horizonter — wofir dës Stuf do ass

Wann eng Aarbechtslaascht d'Spëtzestuf rechtfäerdegt, dann dës. Kuerz Aufgabe feelen no: de Modell mécht et falsch, du mierks et, du probéiers nach eng Kéier, du hues véier Sekonne verluer. En Agent mat véierzeg Ronnen, deen an der sechster Ronn de falschen Zweig hëlt, verbréngt déi nächst véieranddrësseg Ronnen domat, opwänneg op engem Feeler opzebauen, an du fënns et um Enn eraus, nodeems s du fir all Token dertëschent bezuelt hues. Déi Asymmetrie ass de Grond firwat de Präis pro Token hei bal déi falsch Moossgréisst ass. Wat zielt sinn d'Käschte pro erfollegräicher Fäerdegstellung, dominéiert dovun, wéi dacks e Laf ewechgehäit gëtt. Dem Moonshot seng publizéiert Zuele fir d'K3-Basis op agenteschen Benchmarken:

All Zuele si vum Moonshot fir déi onquantiséiert Kimi-K3-Basis bericht, Juli 2026. Si sinn keng Miessunge vun eisem 3BIT-REAP-Build a mir stellen se och net esou duer.

D'Form entsprécht deem, wofir d'Architektur gebaut gouf: BrowseComp an Terminal-Bench si Benchmarke fir Tool-Schleefen — widderholl Zyklen aus handelen, beobachten, iwwerschaffen. SWE Marathon mat 42.0 ass d'Géigegewiicht: déi schwéierst Evaluatioun fir Programméieren iwwer laang Horizonter am Set, wou souguer e Spëtzemodell déi meescht Aufgabe verhaut. „Agentesch“ ass keng geléiste Kategorie; plang fir de Feeler, egal wéi ee Modell s du wiels.

Praktesch Astellunge fir laang Leef

K3 stellt reasoning_effort zur Verfügung, an hei ass dat e richtege Käschtenhiewel: Raisonnéierungstoke ginn als Output-Token verrechent, mat $19.12 pro Millioun.

• Low — d'Steiere vun Tool-Calls a strukturéiert Extraktioun, wou de Modell tëscht enger Handvoll bekannten Optiounen auswielt.
• High — de Standard fir richteg agentesch Aarbecht: eng Ännerung iwwer méi Schrëtt plangen, aus engem Stack Trace debuggen, widderspréchlech Quellen ofgläichen.
• Max — reservéier et fir deen eenzege schwéiersten Opruff an enger Pipeline: de Plang um Ufank vun engem Laf, oder déi lescht Iwwerpréifung. E Laf dee 30K Raisonnéierungstoken op high an 90K op max verbraucht bezuelt $1.15 extra fir déi eng Fändel.

Plang och de Kontext bewosst: eist Fënster huet 262,144 Token mat engem maximalen Output vun 16,384 Token, a bei $3.83 pro Millioun Input kumuléiert sech eng ongepruent Geschicht — all Ronn verrechent de ganze Prefix nei.

05Wat „onzenséiert“ op dësem Endpunkt heescht

All Modell um Shannon-AI-Gateway gëtt ouni Refus-Schicht an ouni Inhaltsfilterung um Output servéiert. Op der Spëtzestuf zielt dat méi, well d'Aufgaben déi d'Leit zu engem Spëtzemodell bréngen am éischten e Filter auslése géifen: adversariell Sécherheetsfuerschung, d'Analys vun offensiven Tools, d'Entwécklung vu Moderatiounsklassifikateuren, Bedreeungsopklärung, schwiereg Fiktioun, an all Evaluatioun déi verlaangt, datt de Modell genee dat produzéiert, wat s du probéiers z'erkennen.

• Kee Output-Klassifikateur. D'Äntwerte gi no der Generatioun net gescannt an ëmgeschriwwen oder gespaart.
• Keng Input-Paart. Prompten a Biller gi net gepréift ier se de Modell erreechen.
• Kee anere Modell. Dat ass d'Kimi-K3-Basis, servéiert ouni déi Schicht déi soss dervir sëtzt.
• Keng Iwwerdroung vun der Haftung. Eng Refus-Schicht ewechzehuele verréckelt d'Beurteelung op dech — kuck eis Politik fir verantwortlech Notzung.

Et gëtt e méi rouegen Virdeel fir jiddereen deen Evaluatiounssystemer baut: en ongefiltert Modell ass eng stabil Basislinn. E Modell dee onberechenbar refuséiert mécht d'Miessunge verrauscht, well s du eng Fäegkeetsgrenz net vun enger Politikgrenz trenne kanns. Hei ass e Feeler e Fäegkeetsfeeler — déi eenzeg Zort déi s du debugge kanns.

06De Präis: $3.83 eran, $19.12 eraus — a wéini en et verdéngt

Dat ass mat groussem Ofstand den deiersten Modell op eiser Lëscht: den Output kascht dat 9.6-facht vun eisem Buedem vun $2.00 an dat 5.2-facht vun deem wat Kimi-K2.6 kascht. Hei ass d'Rechnung offen.

Modell	Eran / 1M	Eraus / 1M	Vision	JSON Schema
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Jo	Jo
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	Nee	Jo
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	Jo	Nee
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	Jo	Jo
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Nee	Jo
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Jo	Jo
MiMo-V2.5 · W8A16	$0.50	$2.00	Jo	Jo

Ausgewielte Zeilen, no Input-Präis geuerdent. All zwielef Modeller deelen de selwechte Kontext vun 262,144 Token, de selwechte maximalen Output vun 16,384 Token, Streaming, Tool-Calling an reasoning_effort. Déi aktuell Fäegkeetsfändele stinn op der Säit mat der API-Dokumentatioun.

Zwee duerchgespillte Beispiller

Als éischt en Input vun 120,000 Token — en Ofzuch vun enger Codebasis, eng reglementaresch Aginn — deen eng Analys vun 3,000 Token produzéiert. Als zweet en Agentelaf mat véierzeg Ronnen: ronn 1.2M kumuléiert Input-Token wärend de Kontext sech ustaut, 90,000 Output-Token, Raisonnéierung abegraff.

Szenario	Kimi-K3	Kimi-K2.6	MiniMax-M3
120K eran / 3K eraus	$0.517	$0.105	$0.066
Agentelaf mat 40 Ronnen	$6.32	$1.27	$0.78

K3 kascht beim Dokumentopruff ronn dat 4.9-facht vu Kimi-K2.6. Fofzeg Cent sinn eemol näischt; bei dausend Opruff sinn et $517 am Dag, géint $105. Beim Agentelaf ass den Ënnerscheed ronn $5. Elo wend deen eenzegen Test un deen zielt: wann d'Aufgab eng Stonn vun engem Ingenieur senger Zäit fir $100 wäert ass, dann bezilt K3 sech an dem Moment, wou en d'Erfollegsquot beim éischte Versuch ëm fënnef Prozentpunkte hieft — a bei wierklech schwéierer Aarbecht iwwer laang Horizonter ass d'Lück tëscht de Stufe meeschtens méi grouss. Wann d'Aufgab drësseg Sekonne vun engem senger Zäit wäert ass, sinn déi selwecht $5 net ze rechtfäerdegen.

07Kimi-K3 oder e méi bëllegt Geschwëster?

Déi zwee Kimi-Modeller an eisem Katalog sinn zwou Sprosse vun enger Leeder a keng Konkurrenten. Kimi-K2.6 ass manner aggressiv quantiséiert — W4A16-AUTOROUND-REAP, 4-Bit-Gewiichter mat geléierter Rondung, géint dem K3 seng 3 Bit — op enger méi klenger Basis. Et huet Vision, Output no JSON-Schema, dat selwecht Kontextfenster, a kascht ronn e Fënneftel esou vill.

Aufgab	Benotz	Firwat
Autonomen Agent mat véierzeg Ronnen	Kimi-K3	De Feeler kumuléiert sech; d'Qualitéit vum Plang an der éischter Ronn entscheet de Laf
Refaktoriséierung op Repository-Gréisst	Kimi-K3	Brauch de ganze Kontext kohärent gehalen an net just dorauser erausgeholl
Dicht Diagrammer, klenge Text a Screenshoten	Kimi-K3	Déi gréisste Vision-Lück tëscht de Stufe si Liesbarkeet a raimlecht Raisonnéieren
Ännerungen an enger eenzeger Datei, gutt spezifizéiert	Kimi-K2.6	Agegrenzt Aufgab, bëllege Neiversuch, kee moossbaren Ënnerscheed an der Ubierstgrenz
Bildtexter am grousse Volumen	MiniMax-M3 / MiMo-V2.5	Fir $0.50 eran geléist; dem K3 säin Output ass 9.6× fir de selwechten Text
Raisonnéierungsintensiv, awer nëmmen Text	DeepSeek-V4-Pro	$3.90 Output géint $19.12 — looss K3 fale wann s du keng Biller brauchs

Déi lescht Zeil ass déi Spuernes déi am dachsten iwwersinn gëtt. Wann deng Aufgab keng Biller betrëfft, kuck als éischt DeepSeek-V4-Pro un. Dat ass och e 3BIT-REAP-Build op enger grousser Basis, staark bei schwéierem Raisonnéieren, a säin Output kascht $3.90 géint dem K3 seng $19.12. E groussen Deel vum Trafic dee no der Spëtzestuf gräift ass Raisonnéierung nëmme mat Text, déi eng Zeil drënner genee esou gutt bedéngt gëtt.

08Déi onzenséiert Kimi-K3-API opruffen

De Modell ass als Kimi-K3-3BIT-REAP op all dräi Dialekter verfügbar, mat Streaming op jidderengem a kengem Fäegkeetsënnerscheed tëscht hinnen — nëmmen d'Drotformat ass anescht: /v1/chat/completions (OpenAI-kompatibel), /v1/messages (Anthropic-kompatibel), an /v1/responses. Eng Vision-Ufro mat erhéichtem Raisonnéierungsopwand fir eng schwéier visuell Aufgab:

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 ënnerstëtzt souwuel response_format wéi och dat voll json_schema, sou datt s du dem Agent seng Toolargumenter aschränke kanns oder e Bericht an eng fest Form zwénge kanns, ouni nodréiglech ze parsen. D'Tool-Calling ass natiiv an ass de virgesinne Wee fir laang Leef ze steieren. Parameteren, Authentifikatioun, Ratelimiten an e Live-Playground stinn op der Säit mat der API-Dokumentatioun.

Dräi Saachen déi vum éischten Dag u Geld spueren

• Prune de Prefix. All Ronn verrechent déi ganz Konversatioun nei mat $3.83 pro Millioun; eng Geschicht mat 40 Ronnen eemol an en Zoustandsobjet vun 4K Token zesummenzefaasse spuert méi wéi déi meescht Modellwiessel.
• Verklenger d'Biller. Billertoke sinn Input-Token; e 4K-Screenshot op eppes verklengert wat nach ëmmer liesbar ass gëtt déiselwecht Äntwert fir manner.
• Steier no Schwieregkeet. E bëllege Modell op de routinéierte Ronnen, mat K3 um Plang, um schwéieren Zweig an op der leschter Iwwerpréifung, sinn dacks 80 % vun der Fäegkeet fir 25 % vun der Rechnung.

09Dacks gestallte Froen

---

D'Fakten a Benchmarke fir d'Basis sinn dem Moonshot AI seng publizéiert Zuele fir Kimi K3 a Kimi K2 a beschreiwen déi onquantiséiert Modeller uewestrooms; eise Build ass eng 3-Bit-REAP-Quantiséierung a wäert dovun ofwäichen. D'Präisser, de Kontext an d'Fäegkeetsfändele sinn déi vu Shannon AI selwer, aktuell mam Stand vum 5. September 2026 — déi lieweg Wäerter sinn ëmmer déi, déi /v1/models zréckgëtt. Quellen: Modellkaart Kimi K3 · Kimi-K3-Repository · Kimi K2 Thinking.