ဆင်ဆာမဲ့ Kimi K3 API

model ရွေးချယ်ရေး လမ်းညွှန်အများစုကို capability သည် အခမဲ့ ဖြစ်သကဲ့သို့ ရေးထားသည်။ ထိုသို့ မဟုတ်ပါ။ top-tier မော်ဒယ်တစ်ခုနှင့် ပတ်သက်၍ စိတ်ဝင်စားစရာ မေးခွန်းမှာ "ပိုကောင်းသလား" မဟုတ်ပါ — များသောအားဖြင့် ပိုကောင်းသည်ချည်းပင် — "ဤ task ပေါ်တွင် tier တစ်ဆင့်နိမ့်သော မော်ဒယ်ထက် ငါးဆ ကြီးမားသော ဘေလ်ကို ထောက်ခံနိုင်လောက်အောင် ပိုကောင်းသလား" ဆိုသည်ပင် ဖြစ်သည်။ ဤလမ်းညွှန်က ထိုမေးခွန်းကို တကယ့် ဂဏန်းတွက်ချက်မှုဖြင့် ဖြေဆိုပြီး ဈေးသက်သာသော option များ အနိုင်ရသည့် နေရာကို ပွင့်လင်းစွာ ဖော်ပြသည်။

01Kimi K3 ဆိုသည်မှာ အမှန်တကယ် ဘာလဲ

Kimi K3 သည် Moonshot AI ၏ open-weights flagship ဖြစ်ပြီး 2026 ဇူလိုင်လတွင် Kimi K3 License အောက်တွင် ထုတ်ပြန်ခဲ့သည် — Kimi K2 မှ စတင်ခဲ့သော မျိုးရိုး၏ တတိယမျိုးဆက်ဖြစ်ပြီး fine-tune တစ်ခုမျှသာ မဟုတ်ဘဲ တကယ့် ဗိသုကာလက်ရာအသစ် တစ်ခုပင် ဖြစ်သည်။

ထုတ်ဝေထားသော layout မှာ layer 93 ခု — 69 ခုသည် Kimi Delta Attention သုံးပြီး 24 ခုသည် gated multi-head latent attention သုံးကာ 1 ခုသည် dense — Stable LatentMoE router က token တစ်ခုလျှင် expert 896 ထဲမှ 16 ခုနှင့် shared 2 ခုကို ရွေးချယ်သည်။ Moonshot က ထိုပေါင်းစပ်မှုမှ Kimi K2 ထက် scaling efficiency ခန့်မှန်း 2.5x တိုးတက်မှု ရရှိကြောင်း ဖော်ပြထားသည်။ Vision သည် နောက်ဆက်တွဲထည့်ထားခြင်း မဟုတ်ဘဲ native ဖြစ်သည် — parameter 401M ရှိသော MoonViT-V2 encoder တစ်ခုက စာသားကို ကိုင်တွယ်သော trunk တူတူထဲသို့ ကျွေးမြေးသည်။

sparsity ကိန်းကို နှလုံးသွင်းထားသင့်သည် — K3 သည် token တစ်ခုလျှင် parameter 104 billion ကို activate လုပ်ပြီး ကျွန်ုပ်တို့ ကက်တလောက်အများစု၏ 30-40 billion အပိုင်းအခြားနှင့် ယှဉ်ပါက ခန့်မှန်း သုံးဆ ဖြစ်သည်။ ၎င်းသည် token တစ်ခုလျှင် ထုတ်လုပ်သော arithmetic ခန့်မှန်း သုံးဆ ဖြစ်ပြီး ဤမော်ဒယ် ဈေးနှုန်း list ၏ ထိပ်ဆုံးရောက်ရသည့် အကြောင်းရင်း အားလုံးလည်း ဖြစ်သည်။ သင် brand tier တစ်ခုအတွက် ငွေပေးနေခြင်း မဟုတ်ပါ — GPU-second များအတွက် ငွေပေးနေခြင်း ဖြစ်သည်။

မျိုးရိုး၊ အကျဉ်းချုပ်

• Kimi K2 — parameter 1 trillion, active 32 billion, token တစ်ခုလျှင် route 8 ခု ပါသော expert 384, MuonClip optimizer သုံး၍ token 15.5 trillion ဖြင့် pre-train လုပ်ခဲ့ပြီး ထိုအတိုင်းအတာ၌ MoE training ကို ဖျက်ဆီးတတ်သော attention blow-up များကို ရပ်တန့်ရန် တည်ဆောက်ထားသည်။
• Kimi K2 Thinking — foundation တူတူကို reasoning ကို tool use နှင့် interleave လုပ်ရန် သင်ကြားထားသည် — run တစ်ခုတွင် tool call 200 မှ 300 ဆက်တိုက် ထောက်ပံ့နိုင်ကြောင်း ဖော်ပြပြီး Humanity's Last Exam with tools တွင် 44.9%, BrowseComp တွင် 60.2% ရရှိခဲ့သည်။
• Kimi K3 — upstream native multimodality နှင့် 1M-token window ဖြင့် ပြန်လည် တည်ဆောက်ထားပြီး supervised fine-tuning အဆင့်မှစ၍ quantization-aware training (MXFP4 weight, MXFP8 activation) ပါဝင်သည်။ ၎င်းကြောင့်ပင် K3 သည် ထိုအချက်ကို ထည့်သွင်းစဉ်းစားမထားသော မော်ဒယ်များထက် ပြင်းထန်သော compression ကို ပိုကောင်းစွာ ခံနိုင်ရည်ရှိသည်။

ဆက်တိုက် လိုက်လာသော ဦးတည်ချက်မှာ long-horizon agency ဖြစ်သည် — မျိုးဆက်တိုင်းကို short-answer benchmark ကို အနိုင်ယူရန်ထက် step ရာနှင့်ချီတစ်လျှောက် coherent ဆက်ရှိနေရန် optimize လုပ်ခဲ့သည်။ ၎င်းသည် သင် ဝယ်ယူနေသော capability ပင် ဖြစ်သည်။

02"3BIT-REAP" ဆိုသည်မှာ ဘာကို ဆိုလိုသလဲ၊ 2.8T မော်ဒယ်တစ်ခုက ဘာကြောင့် ၎င်းကို လိုအပ်သလဲ

model id ပေါ်ရှိ နောက်ဆက်တွဲသည် အလှပြင်ခြင်း မဟုတ်ပါ — weight များကို ကျွန်ုပ်တို့ ကိုယ်ပိုင် GPU ကလပ်စတာပေါ်တင်မီ ဘာလုပ်ခဲ့သည်ကို ဖော်ပြထားပြီး ဤနေရာရှိ claim တိုင်းနှင့် ပူးတွဲပါ ရိုးသားသော သတိပေးချက်တစ်ခုလည်း ဖြစ်သည်။ ဂဏန်းတွက်ချက်မှုမှ စတင်ပါစို့။ parameter 2.8 trillion ရှိသော မော်ဒယ်တစ်ခုကို 16-bit precision ၌ ထားလျှင် weight terabyte 5.6 ခန့် ရှိသည်။ weight တစ်ခုလျှင် 3 bit တွင် terabyte 1.05 နီးပါးသို့ ကျဆင်းသည် — ကြီးမားနေဆဲ ဖြစ်သော်လည်း 262K-token KV cache တစ်ခုအတွက် နေရာကျန်နေသော လက်တွေ့ကျသော deployment တစ်ခု ဖြစ်လာသည်။ REAP သည် ဒုတိယဝက် ဖြစ်သည် — router သည် ဘယ် expert များကို အမှန်တကယ် ရောက်ရှိခေါ်ယူသလဲ ဟူသည်ကို profile လုပ်ပြီး ရှားပါးစွာ ရွေးချယ်ခံရသော expert များကို quantize မလုပ်မီ ဦးစွာ ဖယ်ရှားသည့် expert-pruning နည်းလမ်းတစ်ခု ဖြစ်သည်။ token တစ်ခုလျှင် expert 896 ထဲမှ 16 ခုသာ route လုပ်သော မော်ဒယ်တစ်ခုတွင် ၎င်းသည် သဘာဝကျသော ကိုက်ညီမှု ဖြစ်သည် — ထိုမျှ sparse ဖြစ်သော distribution တစ်ခုတွင် တကယ့် traffic ပေါ်တွင် အနည်းငယ်သာ ပါဝင်သည့် long tail တစ်ခု ရှိပြီး ဦးစွာ prune လုပ်ခြင်းဆိုသည်မှာ ကျန်ရှိသော bit budget ကို အရေးကြီးသော expert များပေါ်တွင် သုံးစွဲခြင်း ဖြစ်သည်။

ကျွန်ုပ်တို့ ကက်တလောက်တွင် နောက်ဆက်တွဲသုံးမျိုးကို ကြားရာလှေခါးတစ်ခုအဖြစ် ရည်ရွယ်ချက်ရှိရှိ သုံးထားသည်။ 3BIT-REAP ကို foundation အကြီးဆုံးများပေါ်တွင် ချထားပြီး အခြားနည်းလမ်း မရှိသောနေရာ ဖြစ်သည်။ W4A16-AUTOROUND-REAP သည် AutoRound သုံး၍ quantize လုပ်ထားသော 16-bit activation ပါသော 4-bit weight — naive round-to-nearest ထက် တကယ့်တိကျမှုကို ပြန်ရရှိစေသော learned rounding — ကို pruning တူတူနှင့် ပေါင်းစပ်ထားသည်။ W8A16 သည် ပြင်းထန်သော compression မလိုအပ်လောက်အောင် သေးငယ်သော foundation များအတွက် fidelity အမြင့်ဆုံး tier ဖြစ်သည်။ အနှစ်ချုပ်ပြောရလျှင် — နောက်ဆက်တွဲက မူရင်း၏ မည်မျှ ကျန်ရှိသလဲကို ပြောပြီး ဈေးနှုန်းက run ရန် ဘာဖိုးပေးရသလဲကို ပြောသည်။

03Vision — ရုပ်ပုံ နားလည်မှုက သင့်ကို ဘာဝယ်ပေးသလဲ

Kimi-K3 သည် ကက်တလောက် တစ်ဆယ့်နှစ်ခုအနက် vision ရှိသော မော်ဒယ်ငါးခုထဲမှ တစ်ခုဖြစ်ပြီး ငါးခုအနက် capability အကောင်းဆုံး ဖြစ်သည်။ commercial vision API အများစုသည် upload လုပ်ထားသော ရုပ်ပုံများပေါ်တွင် classifier တစ်ခု run ပြီး input အမျိုးအစား ကျယ်ပြန့်စွာကို မော်ဒယ်က မမြင်ခင်မှာပင် ငြင်းပယ်တတ်သည် — consumer default အနေနှင့် ကျိုးကြောင်းညီသော်လည်း တရားဝင် အလုပ်များအတွက် ပြင်းထန်သော အတားအဆီးတစ်ခု ဖြစ်သည်။ exploit output ကို screenshot ရိုက်နေသော လုံခြုံရေး သုတေသီများ, ၎င်းတို့ကိုယ်ပိုင် classifier တည်ဆောက်နေသော moderation အဖွဲ့များ, forensic နှင့် dataset-audit အလုပ်, red-team အကဲဖြတ်မှု — အားလုံးက ထို အတားအဆီးနှင့် တွေ့ကြသည်။ Kimi-K3 တွင် ငြင်းပယ်မှု အလွှာနှင့် output ပေါ်တွင် filtering မရှိပါ။

K3 ၏ vision သည် ဈေးသက်သာသော vision မော်ဒယ်များထက် ဈေးနှုန်းကို ဘယ်နေရာတွင် ထိုက်တန်စွာ ရရှိသလဲ

• densely ပြည့်နှက်သော diagram များနှင့် schematic များ — ဗိသုကာလက်ရာ diagram, network topology, circuit — object တစ်ခုကို အမည်ပေးခြင်းထက် line နှင့် label များကို လိုက်ရန် အဖြေက မှီခိုနေသော မည်သည့်အရာမဆို။
• screenshot ထဲရှိ စာလုံးသေးများ — stack trace, terminal output, spreadsheet cell များ။ vision tier များကြားရှိ ကွာဟချက်မှာ scale သေးငယ်ချိန် ဖတ်နိုင်စွမ်းတွင် အကျယ်ဆုံး ဖြစ်သည်။
• စာသားရှည်ထဲရှိ ရုပ်ပုံ — token 200K context ထဲသို့ ချထားသော screenshot တစ်ခု — မော်ဒယ်က token ငါးသောင်းကျော် အရင် ဖတ်ခဲ့သည့် အရာနှင့် မြင်နေရသောအရာကို ဆက်စပ်ရမည့်နေရာ။
• ရုပ်ပုံ ဂဏန်းများစွာ နှိုင်းယှဉ်ခြင်း — UI version နှစ်ခု၊ သို့မဟုတ် chart တစ်ခုနှင့် ၎င်းကို ထုတ်လုပ်ခဲ့သော table။

ဈေးနှုန်းကို ထိုက်တန်စွာ မရရှိသောနေရာမှာ — caption ချခြင်း, alt text, ရှင်းလင်းသော document များ၏ OCR နှင့် tagging pipeline များ ဖြစ်သည်။ ထိုအရာများကို 1M input token လျှင် $0.50 ၌ ဖြေရှင်းနိုင်သည် — သင့် ရုပ်ပုံ workload သည် volume များပြီး item တစ်ခုချင်းစီ ရိုးရှင်းသည်ဆိုလျှင် Kimi-K2.6 သို့မဟုတ် MiniMax-M3 သည် K3 ၏ အဖြေနှင့် ခွဲခြားမရလောက်အောင် ကောင်းသော အဖြေများ ထုတ်ပေးမည် ဖြစ်သည်။

ရုပ်ပုံများသည် စာသားနှင့် context budget 262,144-token တူတူကို သုံးစွဲပြီး input နှုန်းဖြင့် ဘေလ်ကုန်ကျသည်။ resolution မြင့်သော screenshot အနည်းငယ်ပင်လျှင် အခမဲ့ မဟုတ်ပါ။

04Long-horizon agentic အလုပ် — ဤ tier ကို ဘာကြောင့် သုံးရသလဲ

workload တစ်ခုတည်းက top tier ကို ထောက်ခံလျှင် ၎င်းက ဖြစ်သည်။ short task များသည် ခွင့်လွှတ်နိုင်စွာ ကျရှုံးသည် — မော်ဒယ်က မှားသည်၊ သင် သတိပြုမိသည်၊ retry လုပ်သည်၊ တစ်စကန့် လေးစကန့် ဆုံးရှုံးလိုက်ရသည်။ turn ခြောက်ခုတွင် branch မှားနေသော turn ဆယ်လေးလုံးရှိသော agent တစ်ခုသည် အမှားတစ်ခုအပေါ် အသေးစိတ် တည်ဆောက်ကာ ကျန်ရှိသော turn သုံးဆယ့်လေးကို ကုန်ဆုံးစေပြီး ကြားထဲတွင် token အားလုံးအတွက် ငွေပေးလိုက်ပြီးနောက် အဆုံးတွင်သာ သိရသည်။ ထို non-symmetric ပုံစံကြောင့်ပင် ဤနေရာတွင် token တစ်ခုလျှင် ဈေးနှုန်းသည် မှားနေတတ်သော metric တစ်ခုနှင့် နီးစပ်နေသည်။ အရေးကြီးသည်မှာ အောင်မြင်သော completion တစ်ခုလျှင် ကုန်ကျစရိတ် ဖြစ်ပြီး run တစ်ခုကို မည်မျှ မကြာခဏ စွန့်ပစ်ရသလဲ ဟူသည်က လွှမ်းမိုးထားသည်။ agentic benchmark များပေါ်တွင် K3 foundation အတွက် Moonshot ဖော်ပြထားသော ကိန်းများ —

ကိန်းအားလုံးသည် 2026 ဇူလိုင်လ quantize မလုပ်ရသေးသော Kimi K3 foundation အတွက် Moonshot ဖော်ပြချက် ဖြစ်သည်။ ကျွန်ုပ်တို့၏ 3BIT-REAP build ကို တိုင်းတာထားခြင်း မဟုတ်ပါ၊ ထိုသို့လည်း တင်ပြထားခြင်း မဟုတ်ပါ။

ပုံသဏ္ဌာန်က ဗိသုကာလက်ရာ တည်ဆောက်ခဲ့သည့်အရာနှင့် ကိုက်ညီသည် — BrowseComp နှင့် Terminal-Bench သည် tool-loop benchmark များ ဖြစ်ကြသည် — act, observe, revise ဆက်တိုက် လုပ်ဆောင်ချက်များ။ SWE Marathon ၏ 42.0 သည် ဟန်ချက်ညီသော ကန့်ကွက်ချက် ဖြစ်သည် — frontier မော်ဒယ်တစ်ခုပင် task အများစု ကျရှုံးသော set ထဲရှိ long-horizon coding အကဲဖြတ်မှု ခက်ခဲဆုံး ဖြစ်သည်။ "Agentic" သည် ဖြေရှင်းပြီးသား အမျိုးအစား မဟုတ်ပါ — မည်သည့်မော်ဒယ်ကို ရွေးချယ်သည်ဖြစ်စေ failure ကို ဒီဇိုင်း တွက်ချက်ထားပါ။

ရှည်လျားသော run များအတွက် လက်တွေ့ ချိန်ညှိချက်များ

K3 သည် reasoning_effort ကို ပြသပြီး ဤနေရာတွင် ၎င်းသည် တကယ့် ကုန်ကျစရိတ် lever တစ်ခု ဖြစ်သည် — reasoning token များသည် 1M လျှင် $19.12 ၌ output token များအဖြစ် ဘေလ်ကုန်ကျသည်။

• Low — မော်ဒယ်က သိရှိထားသော option အနည်းငယ်ကြားမှ ရွေးချယ်ရသော tool-call routing နှင့် structured extraction။
• High — တကယ့် agentic အလုပ်အတွက် default — multi-step ပြောင်းလဲမှုတစ်ခု ကြိုတင်စီစဉ်ခြင်း, stack trace မှ debug လုပ်ခြင်း, ကွဲလွဲနေသော source များကို ညှိနှိုင်းခြင်း။
• Max — pipeline တစ်ခုထဲရှိ အခက်ခဲဆုံး call တစ်ခုတည်းအတွက်သာ သိမ်းထားပါ — run တစ်ခု၏ ထိပ်ဆုံးရှိ plan၊ သို့မဟုတ် နောက်ဆုံး review။ run တစ်ခုသည် high ၌ reasoning token 30K နှင့် max ၌ 90K သုံးစွဲလျှင် ထို flag တစ်ခုအတွက် ငွေ $1.15 ထပ်ကုန်ကျသည်။

context ကိုလည်း ရည်ရွယ်ချက်ရှိရှိ budget ချပါ — ကျွန်ုပ်တို့ window သည် 262,144 token ဖြစ်ပြီး output အများဆုံး 16,384 token ရှိသည်။ 1M input token လျှင် $3.83 ၌ prune မလုပ်ထားသော history က ပေါင်းစည်းလာသည် — turn တိုင်းက prefix တစ်ခုလုံးကို ပြန်ဘေလ်ကုန်ကျစေသည်။

05ဤ endpoint ပေါ်တွင် "ဆင်ဆာမဲ့" ဆိုသည်မှာ ဘာကို ဆိုလိုသလဲ

Shannon AI Gateway ပေါ်ရှိ မော်ဒယ်တိုင်းကို ငြင်းပယ်မှု အလွှာနှင့် output ပေါ်တွင် content filtering မရှိဘဲ ဝန်ဆောင်မှုပေးသည်။ top tier ပေါ်တွင် ပို၍ အရေးကြီးသည် — အဘယ်ကြောင့်ဆိုသော် top-tier မော်ဒယ်တစ်ခုသို့ လူများ ယူဆောင်လာသော task များသည် filter တစ်ခုကို trigger လုပ်ဖွယ်ရှိဆုံး ဖြစ်ကြောင်းရင် — adversarial လုံခြုံရေး သုတေသန, offensive-tooling ခွဲခြမ်းစိတ်ဖြာမှု, moderation-classifier ဖွံ့ဖြိုးတိုးတက်မှု, threat intelligence, ခက်ခဲသော fiction နှင့် သင် detect လုပ်ရန် ကြိုးစားနေသည့်အရာကို မော်ဒယ်က ထုတ်ပေးရန် လိုအပ်သော mည်သည့် အကဲဖြတ်မှုမဆို ဖြစ်ကြသည်။

• Output classifier မရှိ။ Response များကို generate ပြီးနောက် scan ပြီး ပြန်ရေးခြင်း သို့မဟုတ် ပိတ်ဆို့ခြင်း မရှိပါ။
• Input gate မရှိ။ Prompt နှင့် ရုပ်ပုံများကို မော်ဒယ်ဆီသို့ မရောက်မီ စစ်ဆေးခြင်း မရှိပါ။
• မော်ဒယ်တစ်ခု မတူ။ ၎င်းသည် ပုံမှန်အားဖြင့် ရှေ့တွင် ရှိလေ့ရှိသော အလွှာမပါဘဲ ဝန်ဆောင်မှုပေးသော Kimi K3 foundation ပင် ဖြစ်သည်။
• တာဝန်ခံမှု လွှဲပြောင်းခြင်း မဟုတ်ပါ။ ငြင်းပယ်မှု အလွှာကို ဖယ်ရှားခြင်းသည် ဆုံးဖြတ်ချက်ချသည့်အခွင့်ကို သင့်ဆီသို့ ပြောင်းရွှေ့ခြင်းသာ ဖြစ်သည် — ကျွန်ုပ်တို့၏ responsible use policy ကို ကြည့်ပါ။

အကဲဖြတ်မှု စနစ်များ တည်ဆောက်နေသူ မည်သူမဆို အတွက် တိတ်ဆိတ်သော အကျိုးကျေးဇူးတစ်ခု ရှိသည် — filter မလုပ်ထားသော မော်ဒယ်တစ်ခုသည် တည်ငြိမ်သော baseline တစ်ခု ဖြစ်သည်။ မမှန်ကန်စွာ ငြင်းပယ်တတ်သော မော်ဒယ်တစ်ခုသည် capability ကန့်သတ်ချက်နှင့် policy ကန့်သတ်ချက်ကို ခွဲခြားမရသောကြောင့် measurement များကို noise များစေသည်။ ဤနေရာတွင် failure တစ်ခုသည် capability failure တစ်ခု ဖြစ်ပြီး — debug လုပ်နိုင်သော တစ်မျိုးတည်းသော အမျိုးအစား ဖြစ်သည်။

06ဈေးနှုန်း — $3.83 in, $19.12 out — ဘယ်အချိန် ထိုက်တန်သလဲ

ဤသည်မှာ ကျွန်ုပ်တို့ list ရှိ အဈေးအကြီးဆုံး မော်ဒယ် ဖြစ်သည် — output သည် ကျွန်ုပ်တို့ ကြမ်းပြင် $2.00 ၏ 9.6x နှင့် Kimi-K2.6 ဈေးနှုန်း၏ 5.2x ဖြစ်သည်။ ဂဏန်းတွက်ချက်မှုကို ပွင့်လင်းစွာ ဖော်ပြပေးပါမည်။

Model	In / 1M	Out / 1M	Vision	JSON schema
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	ရှိ	ရှိ
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	မရှိ	ရှိ
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	ရှိ	မရှိ
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	ရှိ	ရှိ
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	မရှိ	ရှိ
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	ရှိ	ရှိ
MiMo-V2.5 · W8A16	$0.50	$2.00	ရှိ	ရှိ

input ဈေးနှုန်းအလိုက် စီထားသော row များ ရွေးချယ်ထားသည်။ တစ်ဆယ့်နှစ်ခုစလုံးသည် 262,144-token context, output token 16,384 အများဆုံး, streaming, tool calling နှင့် reasoning_effort တူတူကို မျှဝေထားသည်။ Live capability flag များကို API documentation page တွင် ကြည့်ရှုနိုင်သည်။

ဥပမာနှစ်ခု တွက်ချက်ကြည့်ခြင်း

ပထမ — codebase dump တစ်ခု၊ ဥပဒေရေးရာ တင်သွင်းချက်တစ်ခု ကဲ့သို့ input token 120,000 က analysis token 3,000 ကို ထုတ်လုပ်ခြင်း။ ဒုတိယ — turn ဆယ့်လေးလုံးပါသော agent run တစ်ခု — context စုစည်းလာသည်နှင့်အမျှ cumulative input token 1.2M ခန့်၊ reasoning အပါအဝင် output token 90,000။

Scenario	Kimi-K3	Kimi-K2.6	MiniMax-M3
120K in / 3K out	$0.517	$0.105	$0.066
turn 40 ပါသော agent run	$6.32	$1.27	$0.78

K3 သည် document call ပေါ်တွင် Kimi-K2.6 ၏ 4.9x ခန့် ကုန်ကျသည်။ တစ်ကြိမ်တည်းဆို cent 50 သည် ဘာမှ မဟုတ်ပါ — call တစ်ထောင်ဆို $105 နှင့် နှိုင်းယှဉ်လျှင် တစ်နေ့လျှင် $517 ဖြစ်လာသည်။ agent run ပေါ်တွင် delta သည် $5 ခန့် ဖြစ်သည်။ ယခု အရေးကြီးဆုံး စစ်ဆေးမှုတစ်ခုကို အသုံးချကြည့်ပါစို့ — task သည် engineer တစ်ဦး၏ $100 တန်ဖိုးရှိသော တစ်နာရီ အချိန်နှင့် ထိုက်တန်ဆိုလျှင် K3 သည် ပထမကြိမ် အောင်မြင်နှုန်းကို percentage point ငါးခု မြှင့်တင်ပေးလိုက်သည့် ခဏချင်းတွင်ပင် ကိုယ်ပိုင် ဖိုးကို ပြန်ဆပ်ပြီး ဖြစ်သည် — အမှန်တကယ် ခက်ခဲသော long-horizon အလုပ်ပေါ်တွင် tier နှစ်ခုကြား ကွာဟချက်သည် ပုံမှန်အားဖြင့် ပို၍ ကြီးမားလေ့ရှိသည်။ task သည် မည်သူ၏မဆို စက္ကန့် သုံးဆယ် တန်ဖိုးရှိလျှင် $5 တူတူသည် ကာကွယ်ရန် မလွယ်ကူပါ။

07Kimi-K3 ဟုတ် ညီအစ်ကို စျေးသက်သာမျိုးလား

ကျွန်ုပ်တို့ ကက်တလောက်ရှိ Kimi မော်ဒယ်နှစ်ခုသည် ပြိုင်ဘက်များ မဟုတ်ဘဲ လှေခါးတစ်ခုတည်း၏ ရာလှေခါး နှစ်ဆင့် ဖြစ်ကြသည်။ Kimi-K2.6 သည် ပိုနည်းစွာ quantize လုပ်ထားသည် — W4A16-AUTOROUND-REAP, learned rounding ပါသော 4-bit weight — K3 ၏ 3-bit ကို ယှဉ်ကြည့်လျှင် foundation သေးငယ်သော ပေါ်တွင်။ ၎င်းတွင် vision, JSON-schema output, context window တူတူ ရှိပြီး ခန့်မှန်း ငါးပုံတစ်ပုံသာ ကုန်ကျသည်။

Task	သုံးရန်	အကြောင်းရင်း
turn ဆယ့်လေးလုံးပါသော autonomous agent	Kimi-K3	failure ပေါင်းစည်းသည်; turn တစ်ခုမြောက်ရှိ plan အရည်အသွေးက run ကို ဆုံးဖြတ်သည်
repository-scale refactor	Kimi-K3	context အပြည့်ကို ခေါ်ယူရုံသက်သက်ထက် coherent ထားရန် လိုအပ်သည်
densely ပြည့်နှက်သော diagram, screenshot စာလုံးသေး	Kimi-K3	tier များကြား vision ကွာဟချက် အကျယ်ဆုံးမှာ ဖတ်နိုင်စွမ်းနှင့် spatial reasoning
single-file edit, ရှင်းလင်းစွာ သတ်မှတ်ထားသော	Kimi-K2.6	ကန့်သတ်ထားသော task, retry ဈေးသက်သာ, measurable ceiling ကွာဟချက် မရှိ
volume များစွာ ရုပ်ပုံ caption ချခြင်း	MiniMax-M3 / MiMo-V2.5	$0.50 in ၌ ဖြေရှင်းပြီးသား; K3 output သည် caption တူတူအတွက် 9.6x
reasoning-heavy သော်လည်း စာသားသက်သက်	DeepSeek-V4-Pro	$19.12 ကို $3.90 နှင့် ယှဉ်လျှင် — ရုပ်ပုံ မလိုအပ်လျှင် K3 ကို ချန်ထားပါ

နောက်ဆုံး row သည် အများဆုံး လွတ်သွားလေ့ရှိသော ငွေချွေတာမှု ဖြစ်သည်။ သင့် task တွင် ရုပ်ပုံ ပါဝင်ခြင်း မရှိလျှင် DeepSeek-V4-Pro ကို ဦးစွာ စစ်ဆေးပါ။ ၎င်းသည်လည်း foundation ကြီးတစ်ခုပေါ်ရှိ 3BIT-REAP build တစ်ခု ဖြစ်ပြီး ခက်ခဲသော reasoning တွင် အားကောင်းကာ ၎င်း၏ output သည် K3 ၏ $19.12 နှင့် ယှဉ်လျှင် $3.90 သာ ကုန်ကျသည်။ top tier ဆီသို့ ရောက်လာသော traffic များစွာသည် စာသားသက်သက် reasoning ဖြစ်ပြီး တစ်ဆင့်နိမ့်သော tier တစ်ခုတွင် တူညီစွာ ကောင်းမွန်စွာ ဝန်ဆောင်မှုပေးနိုင်သည်။

08ဆင်ဆာမဲ့ Kimi K3 API ကို ခေါ်ဆိုခြင်း

မော်ဒယ်ကို dialect သုံးမျိုးလုံးတွင် Kimi-K3-3BIT-REAP အဖြစ် ဖော်ပြထားပြီး တစ်ခုစီတွင် streaming ရှိကာ ၎င်းတို့ကြား capability ကွာဟချက် မရှိပါ — wire format ကသာ ကွာသည် — /v1/chat/completions (OpenAI-compatible), /v1/messages (Anthropic-compatible) နှင့် /v1/responses။ ခက်ခဲသော visual task တစ်ခုအတွက် reasoning effort မြှင့်ထားသော vision request တစ်ခု —

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 သည် response_format နှင့် json_schema အပြည့်အစုံ နှစ်ခုစလုံးကို ထောက်ပံ့ပြီး post-hoc parse မလုပ်ဘဲ agent တစ်ခု၏ tool argument ကို ကန့်သတ်ခြင်း သို့မဟုတ် report တစ်ခုကို ပုံသေ shape ထဲသို့ တွန်းသွင်းခြင်း ပြုလုပ်နိုင်သည်။ Tool calling သည် native ဖြစ်ပြီး run ရှည်များကို ဦးဆောင်ရန် ရည်ရွယ်ထားသော နည်းလမ်း ဖြစ်သည်။ Parameter, authentication, rate limit နှင့် live playground တစ်ခုကို API documentation page တွင် ရနိုင်သည်။

ပထမနေ့ကတည်းက ငွေချွေတာစေသော အချက်သုံးချက်

• Prefix ကို Prune ပါ။ turn တိုင်းသည် conversation တစ်ခုလုံးကို 1M လျှင် $3.83 ၌ ပြန်ဘေလ်ကုန်ကျစေသည်; turn 40 ပါသော history ကို token 4K state object တစ်ခုအဖြစ် တစ်ကြိမ် အနှစ်ချုပ်ပေးလိုက်ခြင်းသည် model swap အများစုထက် ပို၍ ငွေချွေတာစေသည်။
• ရုပ်ပုံများကို ကျုံ့ပါ။ ရုပ်ပုံ token များသည် input token များ ဖြစ်သည်; screenshot 4K တစ်ခုကို ဖတ်နိုင်စွမ်း ရှိသေးသော အရွယ်အစားသို့ resize ပြုလုပ်ခြင်းသည် ငွေနည်းနည်းနှင့် အဖြေတူတူကို ပေးသည်။
• ခက်ခဲမှုအလိုက် route လုပ်ပါ။ ပုံမှန် turn များတွင် ဈေးသက်သာသော မော်ဒယ်တစ်ခု၊ plan, ခက်ခဲသော branch နှင့် နောက်ဆုံး review တွင် K3 ကို သုံးခြင်းသည် ဘေလ်၏ 25% ၌ capability ၏ 80% ကို ရရှိလေ့ ရှိသည်။

09မေးလေ့ရှိသော မေးခွန်းများ

---

Foundation အချက်အလက်များနှင့် benchmark များသည် Kimi K3 နှင့် Kimi K2 အတွက် Moonshot AI ၏ ထုတ်ဝေထားသော ကိန်းများ ဖြစ်ပြီး quantize မလုပ်ရသေးသော upstream မော်ဒယ်များကို ဖော်ပြထားခြင်း ဖြစ်သည်; ကျွန်ုပ်တို့၏ build သည် 3-bit REAP quantization ဖြစ်၍ ကွာဟနေမည် ဖြစ်သည်။ ဈေးနှုန်း, context နှင့် capability flag များသည် Shannon AI ကိုယ်ပိုင်ကိန်းများ ဖြစ်ပြီး 2026 စက်တင်ဘာ 5 ရက်နေ့အထိ ရေတွက်ထားသည် — live value များမှာ /v1/models မှ ပြန်ပေးသောအရာများသာ အမြဲ မှန်ကန်သည်။ Sources: Kimi K3 model card · Kimi K3 repository · Kimi K2 Thinking။