असेन्सॉर्ड Kimi K3 API

मॉडेल निवडीच्या बहुतेक मार्गदर्शिका क्षमता फुकट असल्यासारख्या लिहिलेल्या असतात. ती फुकट नाही. सर्वोच्च स्तरातल्या मॉडेलबद्दलचा रंजक प्रश्न कधीच “ते अधिक चांगले आहे का” हा नसतो — ते सहसा असतेच — तर “या कामावर ते इतके अधिक चांगले आहे का, की एक पायरी खालच्या मॉडेलपेक्षा पाचपट मोठे बिल समर्थनीय ठरेल” हा असतो. ही मार्गदर्शिका त्याचे उत्तर खऱ्या हिशेबाने देते, आणि स्वस्त पर्याय कुठे जिंकतात हेही स्पष्ट सांगते.

01Kimi K3 प्रत्यक्षात काय आहे

Kimi K3 हे Moonshot AI चे आघाडीचे ओपन-वेट्स मॉडेल, जुलै 2026 मध्ये Kimi K3 License अंतर्गत प्रसिद्ध — Kimi K2 पासून सुरू झालेल्या वंशावळीची तिसरी पिढी, आणि फाइन-ट्यून नव्हे तर खरोखर नवी वास्तुरचना.

प्रकाशित मांडणी 93 स्तरांची आहे — 69 स्तर Kimi Delta Attention वापरतात, 24 गेटेड मल्टी-हेड लेटंट अटेन्शन वापरतात, आणि एक घन आहे — आणि Stable LatentMoE राउटर प्रति टोकन 896 पैकी 16 एक्सपर्ट अधिक 2 शेअर्ड निवडतो. या संयोजनातून Moonshot Kimi K2 च्या तुलनेत स्केलिंग कार्यक्षमतेत साधारण 2.5x सुधारणा नोंदवते. व्हिजन वरून जोडलेले नसून मूळचेच आहे: 401M-पॅरामीटरचा MoonViT-V2 एन्कोडर मजकूर हाताळणाऱ्या त्याच खोडाला माहिती पुरवतो.

विरळतेचा आकडा पक्का लक्षात ठेवण्याजोगा आहे: K3 प्रति टोकन 104 अब्ज पॅरामीटर सक्रिय करते, तर आमच्या कॅटलॉगमधल्या बहुतेक मॉडेलसाठी हा आकडा 30 ते 40 अब्जांच्या टप्प्यात असतो. म्हणजे प्रति निर्मित टोकन साधारण तिप्पट गणित, आणि हेच मॉडेल किंमत-यादीत सर्वात वर असण्याचे संपूर्ण कारण आहे. तुम्ही ब्रँडच्या दर्जासाठी पैसे देत नाही — तुम्ही GPU-सेकंदांसाठी देत आहात.

वंशावळ, थोडक्यात

• Kimi K2 — 1 ट्रिलियन पॅरामीटर, 32 अब्ज सक्रिय, प्रति टोकन 8 राउट होणारे 384 एक्सपर्ट, MuonClip ऑप्टिमायझर वापरून 15.5 ट्रिलियन टोकनवर पूर्व-प्रशिक्षित — त्या आकारावर MoE प्रशिक्षण मोडून काढणारे अटेन्शनचे स्फोट थांबवण्यासाठी बांधलेले.
• Kimi K2 Thinking — तोच आधार, रिझनिंग आणि टूल वापर आलटून पालटून करायला शिकवलेला; एका रनमध्ये 200 ते 300 क्रमवार टूल कॉल टिकवल्याचे नोंदवले गेले, टूलसह Humanity's Last Exam वर 44.9% आणि BrowseComp वर 60.2%.
• Kimi K3 — मूळ मल्टिमोडॅलिटी आणि अपस्ट्रीम 1M-टोकन विंडोसह पुन्हा बांधलेले, आणि सुपरवाइज्ड फाइन-ट्यूनिंगच्या टप्प्यापासून पुढे क्वांटायझेशन-जागरूक प्रशिक्षणासह (MXFP4 वेट्स, MXFP8 ॲक्टिव्हेशन). म्हणूनच क्वांटायझेशन डोळ्यासमोर न ठेवता प्रशिक्षित मॉडेलपेक्षा K3 आक्रमक कॉम्प्रेशन अधिक चांगले सहन करते.

सलग धागा आहे दीर्घ पल्ल्याची स्वायत्तता: प्रत्येक पिढी छोट्या उत्तरांचे बेंचमार्क जिंकण्यासाठी नव्हे, तर शेकडो टप्प्यांमध्ये सुसंगत राहण्यासाठी अनुकूल केली गेली. तीच क्षमता तुम्ही विकत घेत आहात.

02“3BIT-REAP” म्हणजे काय, आणि 2.8T मॉडेलला त्याची गरज का

मॉडेल आयडीवरचा प्रत्यय ही सजावट नाही — आमच्या स्वतःच्या GPU क्लस्टरवर वेट्स लोड होण्यापूर्वी त्यांचे काय केले गेले ते तो सांगतो, आणि इथल्या प्रत्येक दाव्याला जोडलेला तो प्रामाणिक इशाराही आहे. हिशेबापासून सुरुवात करा. 16-bit अचूकतेवरचे 2.8-ट्रिलियन-पॅरामीटर मॉडेल म्हणजे साधारण 5.6 टेराबाइट वेट्स. प्रति वेट 3 बिटवर ते 1.05 टेराबाइट च्या जवळ येते — तरीही मोठे, पण 262K-टोकन KV कॅशेसाठी जागा उरणारे हाताळण्याजोगे डिप्लॉयमेंट. REAP हा दुसरा अर्धा भाग: राउटर प्रत्यक्षात कोणत्या एक्सपर्टकडे वळतो याचे प्रोफाइल काढणारी आणि क्वचित निवडले जाणारे एक्सपर्ट क्वांटायझेशननंतर नव्हे तर त्याच्या आधी काढून टाकणारी एक्सपर्ट-प्रूनिंग पद्धत. प्रति टोकन 896 पैकी फक्त 16 एक्सपर्ट राउट करणाऱ्या मॉडेलसाठी हे नैसर्गिकच बसते — इतक्या विरळ वितरणाला अशी लांब शेपूट असते जी खऱ्या रहदारीत जवळजवळ काहीच योगदान देत नाही — आणि आधी छाटल्यामुळे उरलेले बिट-अंदाजपत्रक महत्त्वाच्या एक्सपर्टवर खर्च होते.

आमचा कॅटलॉग तीन प्रत्यय जाणीवपूर्वक एक शिडी म्हणून वापरतो. 3BIT-REAP सर्वात मोठ्या आधारांवर जातो, जिथे दुसरे काहीही बसत नाही. W4A16-AUTOROUND-REAP म्हणजे 4-bit वेट्स आणि 16-bit ॲक्टिव्हेशन, AutoRound वापरून क्वांटाइझ केलेले — शिकलेले राउंडिंग, जे भाबड्या जवळच्या-पूर्णांकापेक्षा खरी अचूकता परत मिळवते — अधिक तीच छाटणी. W8A16 हा सर्वोच्च विश्वासार्हतेचा स्तर, आक्रमक कॉम्प्रेशनची गरज नसण्याइतक्या लहान आधारांसाठी. थोडक्यात: प्रत्यय सांगतो मूळातले किती टिकले; किंमत सांगते ते चालवायला किती खर्च येतो.

03व्हिजन: इमेज आकलनातून तुम्हाला काय मिळते

आमच्या बारा-मॉडेलच्या कॅटलॉगमधल्या व्हिजन असलेल्या पाच मॉडेलपैकी Kimi-K3 एक आहे, आणि त्या पाचांमधले सर्वात सक्षम. बहुतेक व्यावसायिक व्हिजन API अपलोड केलेल्या प्रतिमांवर एक वर्गीकारक चालवतात आणि मॉडेल त्या पाहण्याआधीच इनपुटची मोठी श्रेणी नाकारतात — ग्राहकांसाठी हे रास्त मूलभूत धोरण, पण वैध कामासाठी मोठा अडथळा. एक्सप्लॉइट आउटपुटचे स्क्रीनशॉट घेणारे सुरक्षा संशोधक, स्वतःचे वर्गीकारक बांधणारे मॉडरेशन संघ, न्यायवैद्यक व डेटासेट-तपासणीचे काम, आणि रेड-टीम मूल्यमापन — या सर्वांना ती भिंत आडवी येते. Kimi-K3 वर नकार स्तर नाही आणि आउटपुटवर फिल्टरिंग नाही.

स्वस्त व्हिजन मॉडेलपेक्षा K3 चे व्हिजन कुठे आपली किंमत वसूल करते

• दाट आकृत्या आणि आराखडे — वास्तुरचनेच्या आकृत्या, नेटवर्क टोपोलॉजी, सर्किट: जिथे उत्तर वस्तूंची नावे सांगण्यावर नव्हे तर रेषा आणि लेबले मागोवून जाण्यावर अवलंबून असते.
• स्क्रीनशॉटमधला बारीक मजकूर — स्टॅक ट्रेस, टर्मिनल आउटपुट, स्प्रेडशीटच्या पेशी. व्हिजन स्तरांमधली दरी लहान आकारातल्या वाचनीयतेवर सर्वात रुंद असते.
• लांब मजकुरातली प्रतिमा — 200K-टोकन संदर्भात टाकलेला एक स्क्रीनशॉट, जिथे मॉडेलला जे दिसते ते पन्नास हजार टोकन आधी वाचलेल्याशी जोडावे लागते.
• बहु-प्रतिमा तुलना — एका UI च्या दोन आवृत्त्या, किंवा एक तक्ता आणि तो तयार करणारे कोष्टक.

ती किंमत जिथे वसूल होत नाही: कॅप्शन लिहिणे, alt टेक्स्ट, स्वच्छ दस्तऐवजांचे OCR, आणि टॅगिंग पाइपलाइन. ती कामे प्रति दशलक्ष इनपुट टोकन $0.50 मध्ये सुटलेली आहेत — तुमचे इमेज काम मोठ्या प्रमाणावरचे असेल आणि प्रत्येक घटक स्वतंत्रपणे साधा असेल, तर Kimi-K2.6 किंवा MiniMax-M3 अशी उत्तरे देतात जी तुम्ही K3 च्या उत्तरांपासून वेगळी ओळखू शकणार नाही.

प्रतिमा मजकुराप्रमाणेच त्याच 262,144-टोकन अंदाजपत्रकातून टोकन वापरतात आणि इनपुट दराने बिल होतात. मूठभर उच्च-रिझोल्यूशन स्क्रीनशॉट फुकट नाहीत.

04दीर्घ पल्ल्याचे एजंटिक काम — हा स्तर याचसाठी आहे

एखादे काम सर्वोच्च स्तर समर्थनीय ठरवत असेल, तर ते हेच. छोटी कामे क्षम्यपणे फसतात: मॉडेल चुकते, तुम्हाला कळते, तुम्ही पुन्हा प्रयत्न करता, चार सेकंद वाया जातात. चाळीस फेऱ्यांचा एजंट सहाव्या फेरीत चुकीची फांदी घेतो, आणि पुढच्या चौतीस फेऱ्या त्या चुकीवर विस्ताराने इमला रचत बसतो — आणि मधल्या प्रत्येक टोकनचे पैसे मोजून झाल्यावर शेवटी तुम्हाला ते कळते. या विषमतेमुळेच प्रति-टोकन किंमत हा इथे जवळजवळ चुकीचा निकष ठरतो. महत्त्वाचे असते प्रति यशस्वी पूर्तता खर्च, आणि तो ठरतो एखादा रन किती वेळा फेकून द्यावा लागतो यावर. एजंटिक बेंचमार्कवर K3 आधारासाठी Moonshot ने प्रकाशित केलेले आकडे:

सर्व आकडे अनक्वांटाइझ्ड Kimi K3 आधारासाठी Moonshot ने नोंदवलेले आहेत, जुलै 2026. ते आमच्या 3BIT-REAP बिल्डचे मोजमाप नाहीत आणि आम्ही ते तसे मांडतही नाही.

हा आकृतिबंध वास्तुरचना ज्यासाठी बांधली गेली त्याच्याशी जुळतो: BrowseComp आणि Terminal-Bench हे टूल-लूप बेंचमार्क आहेत — कृती, निरीक्षण, फेरबदल यांची पुनरावृत्ती. 42.0 वरचे SWE Marathon हे प्रतिवजन आहे: संचातले सर्वात कठीण दीर्घ-पल्ल्याचे कोडिंग मूल्यमापन, जिथे आघाडीचे मॉडेलही बहुतेक कामांत अपयशी ठरते. “एजंटिक” ही सुटलेली श्रेणी नाही; तुम्ही कोणतेही मॉडेल निवडा, अपयश गृहीत धरून रचना करा.

लांब रनसाठी व्यावहारिक सेटिंग

K3 reasoning_effort देते, आणि इथे तो खरा खर्चाचा लीव्हर आहे: रिझनिंग टोकन आउटपुट टोकन म्हणून बिल होतात, प्रति दशलक्ष $19.12 दराने.

• Low — टूल-कॉल राउटिंग आणि संरचित माहिती काढणे, जिथे मॉडेल मूठभर ज्ञात पर्यायांमधून निवड करते.
• High — खऱ्या एजंटिक कामासाठीचा मूलभूत पर्याय: बहु-टप्पी बदलाचे नियोजन, स्टॅक ट्रेसवरून डीबगिंग, परस्परविरोधी स्रोतांचा मेळ घालणे.
• Max — पाइपलाइनमधल्या सर्वात कठीण एका कॉलसाठी राखून ठेवा: रनच्या सुरुवातीचा आराखडा, किंवा शेवटचे पुनरावलोकन. high वर 30K आणि max वर 90K रिझनिंग टोकन खर्चणारा रन त्या एका ध्वजासाठी $1.15 जास्त मोजतो.

संदर्भाचेही अंदाजपत्रक जाणीवपूर्वक आखा: आमची विंडो 262,144 टोकन आहे आणि कमाल आउटपुट 16,384 टोकन, आणि प्रति दशलक्ष इनपुट $3.83 या दराने न छाटलेला इतिहास चक्रवाढीने वाढतो — प्रत्येक फेरी संपूर्ण पूर्वपीठिकेचे बिल पुन्हा लावते.

05या एंडपॉइंटवर “असेन्सॉर्ड” म्हणजे काय

Shannon AI गेटवेवरचे प्रत्येक मॉडेल नकार स्तराशिवाय आणि आउटपुटवर कंटेंट फिल्टरिंगशिवाय सर्व्ह केले जाते. सर्वोच्च स्तरावर याचे महत्त्व अधिक आहे, कारण लोक सर्वोच्च स्तराच्या मॉडेलकडे जी कामे घेऊन येतात तीच फिल्टर उडवण्याची सर्वात जास्त शक्यता असलेली कामे असतात: प्रतिकूल सुरक्षा संशोधन, आक्रमक साधनांचे विश्लेषण, मॉडरेशन-वर्गीकारकाचा विकास, धोका-गुप्तवार्ता, अवघड कथासाहित्य, आणि तुम्ही जे शोधू पाहत आहात तेच मॉडेलने तयार करावे लागणारे कोणतेही मूल्यमापन.

• आउटपुट वर्गीकारक नाही. निर्मितीनंतर प्रतिसाद तपासून त्यांचे पुनर्लेखन किंवा अडवणूक केली जात नाही.
• इनपुट फाटक नाही. प्रॉम्प्ट आणि प्रतिमा मॉडेलपर्यंत पोहोचण्याआधी चाळल्या जात नाहीत.
• वेगळे मॉडेल नाही. हा तोच Kimi K3 आधार आहे, फक्त सहसा त्याच्यासमोर बसणाऱ्या स्तराशिवाय सर्व्ह केलेला.
• जबाबदारीचे हस्तांतरण नाही. नकार स्तर काढून टाकल्याने निवाड्याचा भार तुमच्यावर येतो — आमचे जबाबदार वापर धोरण पाहा.

मूल्यमापन प्रणाली बांधणाऱ्यांसाठी एक अधिक शांत फायदाही आहे: फिल्टर नसलेले मॉडेल हा स्थिर आधाररेषा असतो. अनपेक्षितपणे नकार देणारे मॉडेल मोजमापे गोंगाटी करते, कारण क्षमतेची मर्यादा आणि धोरणाची मर्यादा तुम्हाला वेगळ्या करता येत नाहीत. इथे अपयश म्हणजे क्षमतेचे अपयश — आणि तेच एकमेव अपयश तुम्हाला डीबग करता येते.

06किंमत: $3.83 इन, $19.12 आउट — आणि ती कधी वसूल होते

आमच्या यादीतले हे बऱ्याच फरकाने सर्वात महाग मॉडेल आहे: आउटपुट आमच्या $2.00 तळाच्या 9.6x आणि Kimi-K2.6 च्या किमतीच्या 5.2x आहे. हिशेब इथे उघड मांडला आहे.

मॉडेल	इन / 1M	आउट / 1M	व्हिजन	JSON स्कीमा
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	होय	होय
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	नाही	होय
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	होय	नाही
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	होय	होय
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	नाही	होय
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	होय	होय
MiMo-V2.5 · W8A16	$0.50	$2.00	होय	होय

निवडक ओळी, इनपुट किमतीनुसार क्रमवार. बाराही मॉडेल तीच 262,144-टोकन संदर्भ विंडो, तीच 16,384-टोकन कमाल आउटपुट मर्यादा, स्ट्रीमिंग, टूल कॉलिंग आणि reasoning_effort वापरतात. थेट क्षमता-ध्वज API दस्तऐवज पानावर आहेत.

दोन प्रत्यक्ष उदाहरणे

पहिले, 120,000-टोकनचे इनपुट — कोडबेसचा डंप, नियामक अर्ज — ज्यातून 3,000-टोकनचे विश्लेषण तयार होते. दुसरे, चाळीस फेऱ्यांचा एजंट रन: संदर्भ साचत जात असताना साधारण 1.2M एकत्रित इनपुट टोकन, आणि रिझनिंगसह 90,000 आउटपुट टोकन.

परिस्थिती	Kimi-K3	Kimi-K2.6	MiniMax-M3
120K इन / 3K आउट	$0.517	$0.105	$0.066
40-फेऱ्यांचा एजंट रन	$6.32	$1.27	$0.78

दस्तऐवजाच्या कॉलवर K3 चा खर्च Kimi-K2.6 च्या साधारण 4.9x आहे. एकदाच पन्नास सेंट म्हणजे काहीच नाही; पण हजार कॉलवर तो दिवसाला $517 होतो, $105 च्या तुलनेत. एजंट रनवर फरक साधारण $5 आहे. आता एकमेव महत्त्वाची कसोटी लावा: ते काम एका इंजिनिअरच्या तासाभराच्या वेळेइतके, म्हणजे $100 इतके मोलाचे असेल, तर पहिल्या फटक्यातले यश पाच टक्केबिंदूंनी वाढवताच K3 आपली किंमत वसूल करते — आणि खरोखर कठीण दीर्घ-पल्ल्याच्या कामावर स्तरांमधली दरी सहसा याहून मोठी असते. ते काम कुणाच्याही तीस सेकंदांइतकेच मोलाचे असेल, तर तेच $5 असमर्थनीय आहेत.

07Kimi-K3 की स्वस्त भावंड?

आमच्या कॅटलॉगमधली दोन Kimi मॉडेल एकमेकांचे स्पर्धक नसून एकाच शिडीच्या दोन पायऱ्या आहेत. Kimi-K2.6 कमी आक्रमकपणे क्वांटाइझ केलेली आहे — W4A16-AUTOROUND-REAP, म्हणजे शिकलेल्या राउंडिंगसह 4-bit वेट्स, तर K3 चे 3-bit — आणि तिचा आधार लहान आहे. तिला व्हिजन आहे, JSON-स्कीमा आउटपुट आहे, तीच संदर्भ विंडो आहे, आणि तिची किंमत साधारण पाचव्या हिश्शाइतकी आहे.

काम	वापरा	का
चाळीस फेऱ्यांचा स्वायत्त एजंट	Kimi-K3	अपयश चक्रवाढीने वाढते; पहिल्या फेरीतल्या आराखड्याची गुणवत्ता रन ठरवते
रेपॉझिटरी-आकाराचा रिफॅक्टर	Kimi-K3	संपूर्ण संदर्भ नुसता शोधून काढणे नव्हे, तर सुसंगतपणे धरून ठेवणे आवश्यक
दाट आकृत्या, स्क्रीनशॉटमधला बारीक मजकूर	Kimi-K3	स्तरांमधली सर्वात रुंद व्हिजन दरी म्हणजे वाचनीयता आणि अवकाशीय तर्क
एका फाइलमधले, नीट ठरवलेले बदल	Kimi-K2.6	मर्यादित काम, स्वस्त पुनःप्रयत्न, कमाल मर्यादेत मोजण्याजोगा फरक नाही
मोठ्या प्रमाणावर इमेज कॅप्शनिंग	MiniMax-M3 / MiMo-V2.5	$0.50 इनमध्ये सुटलेले; त्याच कॅप्शनसाठी K3 चे आउटपुट 9.6x
रिझनिंग-जड पण फक्त मजकूर	DeepSeek-V4-Pro	$19.12 च्या तुलनेत $3.90 आउटपुट — प्रतिमांची गरज नसेल तर K3 सोडा

शेवटची ओळ ही सर्वात जास्त वेळा हुकणारी बचत आहे. तुमच्या कामात प्रतिमा नसतील, तर आधी DeepSeek-V4-Pro तपासा. तीही मोठ्या आधारावरची 3BIT-REAP बिल्ड आहे, कठीण रिझनिंगमध्ये सशक्त आहे, आणि तिच्या आउटपुटची किंमत K3 च्या $19.12 च्या तुलनेत $3.90 आहे. सर्वोच्च स्तराकडे जाणारी बरीचशी रहदारी म्हणजे फक्त मजकुराचे रिझनिंग असते, जे एक ओळ खालीही तितक्याच चांगल्या प्रकारे पार पडते.

08असेन्सॉर्ड Kimi K3 API कॉल करणे

हे मॉडेल तिन्ही बोलींवर Kimi-K3-3BIT-REAP म्हणून उपलब्ध आहे, प्रत्येकावर स्ट्रीमिंगसह आणि त्यांच्यात क्षमतेचा कोणताही फरक नाही — फक्त वायर फॉरमॅटचा: /v1/chat/completions (OpenAI-सुसंगत), /v1/messages (Anthropic-सुसंगत), आणि /v1/responses. कठीण दृश्य कामासाठी reasoning effort वाढवून केलेली एक व्हिजन विनंती:

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 response_format आणि संपूर्ण json_schema या दोन्हींना पाठिंबा देते, त्यामुळे एजंटच्या टूल आर्ग्युमेंटवर बंधने घालता येतात किंवा अहवाल ठरावीक आकारात बसवता येतो — नंतर पार्सिंग करण्याची गरज नाही. टूल कॉलिंग मूळचेच आहे आणि लांब रन चालवण्याचा तोच अभिप्रेत मार्ग आहे. पॅरामीटर, ऑथेंटिकेशन, दर-मर्यादा आणि थेट प्लेग्राउंड API दस्तऐवज पानावर आहेत.

पहिल्याच दिवशी पैसे वाचवणाऱ्या तीन गोष्टी

• पूर्वपीठिका छाटा. प्रत्येक फेरी संपूर्ण संभाषणाचे बिल प्रति दशलक्ष $3.83 दराने पुन्हा लावते; 40 फेऱ्यांचा इतिहास एकदाच 4K-टोकनच्या स्थिती-वस्तूत सारांशित केल्याने बहुतेक मॉडेल बदलण्यापेक्षा जास्त बचत होते.
• प्रतिमा लहान करा. इमेज टोकन हे इनपुट टोकनच असतात; 4K स्क्रीनशॉट वाचनीय राहील इतका लहान केल्यास तेच उत्तर कमी खर्चात मिळते.
• अवघडपणानुसार वाटप करा. नेहमीच्या फेऱ्यांवर स्वस्त मॉडेल आणि आराखडा, कठीण फांदी व शेवटच्या पुनरावलोकनावर K3 — असे केल्यास बिलाच्या 25% मध्ये सहसा 80% क्षमता मिळते.

09वारंवार विचारले जाणारे प्रश्न

---

आधाराविषयीची माहिती आणि बेंचमार्क हे Kimi K3 व Kimi K2 साठी Moonshot AI ने प्रकाशित केलेले आकडे आहेत आणि ते अनक्वांटाइझ्ड अपस्ट्रीम मॉडेलचे वर्णन करतात; आमची बिल्ड 3-bit REAP क्वांटायझेशन असल्याने ती वेगळी असेल. किंमत, संदर्भ आणि क्षमता-ध्वज हे Shannon AI चे स्वतःचे आहेत, 5 सप्टेंबर 2026 पर्यंत चालू — थेट मूल्ये नेहमीच /v1/models परत देते तीच असतात. स्रोत: Kimi K3 मॉडेल कार्ड · Kimi K3 रेपॉझिटरी · Kimi K2 Thinking.