सेन्सर नगरिएको Kimi K3 API

मोडेल छनोटसम्बन्धी धेरैजसो गाइड क्षमता निःशुल्क भएझैं गरी लेखिन्छन्। त्यो निःशुल्क होइन। उच्च-तहको मोडेलबारेको रोचक प्रश्न कहिल्यै "के यो राम्रो हो" भन्ने होइन — प्रायः हुन्छ नै — बरु "यो कार्यमा, एक खुड्किलो तलको मोडेलभन्दा पाँच गुणा ठूलो बिल जायज ठहर्‍याउन यो पर्याप्त राम्रो छ त" भन्ने हो। यो गाइडले त्यसको जवाफ साँचो हिसाबसहित दिन्छ, र सस्ता विकल्प कहाँ जित्छन् भनी सोझै भन्छ।

01Kimi K3 वास्तवमा के हो

Kimi K3 Moonshot AI को खुला-वेट प्रमुख मोडेल हो, जुन जुलाई 2026 मा Kimi K3 License अन्तर्गत जारी भयो — Kimi K2 बाट सुरु भएको वंशको तेस्रो पुस्ता, र फाइन-ट्युन होइन साँच्चिकै नयाँ वास्तुकला।

प्रकाशित बनोट 93 तहको छ — 69 तहले Kimi Delta Attention, 24 तहले गेटेड मल्टि-हेड लेटेन्ट अटेन्सन, र एउटा सघन — र Stable LatentMoE राउटरले प्रति टोकन 896 मध्ये 16 विशेषज्ञ जोड 2 साझा विशेषज्ञ छान्छ। Moonshot ले त्यो संयोजनबाट Kimi K2 भन्दा स्केलिङ दक्षतामा करिब 2.5× सुधार भएको प्रतिवेदन दिन्छ। भिजन पछि जोडिएको होइन, नेटिभ हो: 401M प्यारामिटरको MoonViT-V2 एन्कोडरले पाठ सम्हाल्ने त्यही मुख्य ढाँचालाई नै खुवाउँछ।

स्पार्सिटीको आँकडा मनमा राख्न लायक छ: K3 ले प्रति टोकन 104 अर्ब प्यारामिटर सक्रिय गर्छ, जबकि हाम्रो क्याटलगका धेरैजसो मोडेलमा त्यो 30 देखि 40 अर्बको दायरामा हुन्छ। त्यो प्रति उत्पादित टोकन करिब तीन गुणा गणित हो, र यो मोडेल मूल्य सूचीको टुप्पोमा हुनुको सम्पूर्ण कारण त्यही हो। तपाईं कुनै ब्रान्ड तहका लागि तिर्दै हुनुहुन्न — तपाईं GPU-सेकेन्डका लागि तिर्दै हुनुहुन्छ।

वंश, छोटकरीमा

• Kimi K2 — 1 ट्रिलियन प्यारामिटर, 32 अर्ब सक्रिय, प्रति टोकन 8 राउट हुने 384 विशेषज्ञ, MuonClip अप्टिमाइजर प्रयोग गरी 15.5 ट्रिलियन टोकनमा पूर्व-तालिम प्राप्त, र त्यो स्केलमा MoE तालिम बिगार्ने अटेन्सन विस्फोट रोक्न बनाइएको।
• Kimi K2 Thinking — उही आधारलाई तर्क र टुल प्रयोग आलोपालो गर्न सिकाइएको, जसले एउटै रनमा 200 देखि 300 क्रमिक टुल कल टिकाएको प्रतिवेदन छ, टुलसहित Humanity's Last Exam मा 44.9% र BrowseComp मा 60.2% सहित।
• Kimi K3 — नेटिभ मल्टिमोडालिटी र माथिल्लो स्रोतमा 1M-टोकनको विन्डोसहित पुनर्निर्माण गरिएको, र सुपरभाइज्ड फाइन-ट्युनिङ चरणदेखि नै क्वान्टाइजेसन-सचेत तालिम (MXFP4 वेट, MXFP8 सक्रियता) सहित। यसैले K3 ले त्यसलाई ध्यानमा नराखी तालिम पाएका मोडेलभन्दा आक्रामक सङ्कुचन राम्ररी सहन्छ।

मुख्य धार लामो-क्षितिजको एजेन्सी हो: हरेक पुस्ता छोटो-जवाफका बेन्चमार्क जित्नका लागि होइन, सयौं चरणभरि सुसंगत रहनका लागि अनुकूलित गरिएको थियो। तपाईंले किन्दै गरेको क्षमता त्यही हो।

02"3BIT-REAP" को अर्थ, र 2.8T मोडेललाई यो किन चाहिन्छ

मोडेल आइडीको प्रत्यय सजावट होइन — यसले हाम्रो आफ्नै GPU क्लस्टरमा लोड गर्नुअघि वेटहरूमा के गरियो भन्छ, र यहाँका हरेक दाबीसँग जोडिएको इमानदार चेतावनी पनि यही हो। हिसाबबाट सुरु गरौं। 16-बिट परिशुद्धतामा 2.8 ट्रिलियन प्यारामिटरको मोडेल करिब 5.6 टेराबाइट वेट हुन्छ। प्रति वेट 3 बिटमा त्यो 1.05 टेराबाइट को नजिक पुग्छ — अझै ठूलो, तर 262K-टोकनको KV क्यासका लागि ठाउँ बाँकी रहने व्यवहार्य डिप्लोयमेन्ट। REAP दोस्रो आधा भाग हो: विशेषज्ञ प्रुनिङ गर्ने विधि, जसले राउटरले साँच्चै कुन विशेषज्ञसम्म पुग्छ भनी प्रोफाइल गर्छ र विरलै छानिनेलाई क्वान्टाइज गरेपछि होइन गर्नुअघि हटाउँछ। प्रति टोकन 896 मध्ये 16 विशेषज्ञ मात्र राउट गर्ने मोडेलमा यो स्वाभाविक मिलान हो — यति स्पार्स वितरणको लामो पुच्छरले साँचो ट्राफिकमा निकै थोरै योगदान गर्छ — र पहिले प्रुन गर्नुको अर्थ बाँकी बिट बजेट महत्त्व राख्ने विशेषज्ञमा खर्च हुन्छ।

हाम्रो क्याटलगले तीन प्रत्ययलाई जानाजान भर्‍याङका रूपमा प्रयोग गर्छ। 3BIT-REAP सबैभन्दा ठूला आधारमा जान्छ, जहाँ अरू केही अट्दैन। W4A16-AUTOROUND-REAP भनेको AutoRound प्रयोग गरी क्वान्टाइज गरिएका 16-बिट सक्रियतासहितका 4-बिट वेट हुन् — सिकिएको राउन्डिङ, जसले सरल राउन्ड-टु-निअरेस्टभन्दा साँचो शुद्धता फिर्ता ल्याउँछ — जोड उही प्रुनिङ। W8A16 सबैभन्दा उच्च निष्ठाको तह हो, आक्रामक सङ्कुचन नचाहिने गरी साना आधारका लागि। छोटकरीमा: प्रत्ययले मूलको कति भाग बाँच्यो भन्छ; मूल्यले चलाउन कति पर्छ भन्छ।

03भिजन: तस्बिर बुझाइले तपाईंलाई के दिन्छ

हाम्रो बाह्र-मोडेलको क्याटलगमा भिजन भएका पाँच मोडेलमध्ये Kimi-K3 एउटा हो, र पाँचैमध्ये सबैभन्दा सक्षम। धेरैजसो व्यावसायिक भिजन API ले अपलोड गरिएका तस्बिरमाथि क्लासिफायर चलाउँछन् र मोडेलले देख्नै नपाउँदै इनपुटको फराकिलो वर्ग अस्वीकार गर्छन् — उपभोक्ताका लागि जायज पूर्वनिर्धारण, र वैध कामका लागि गम्भीर अवरोध। एक्सप्लोइट आउटपुटको स्क्रिनसट लिने सुरक्षा अनुसन्धाता, आफ्नै क्लासिफायर बनाउने मोडरेसन टोली, फोरेन्सिक तथा डेटासेट-अडिट काम, र रेड-टिम मूल्याङ्कन — यी सबै त्यही पर्खालमा ठोक्किन्छन्। Kimi-K3 मा कुनै अस्वीकृति तह र आउटपुटमा कुनै फिल्टरिङ छैन।

K3 को भिजनले सस्ता भिजन मोडेलभन्दा कहाँ आफ्नो मूल्य कमाउँछ

• घना डायग्राम र स्किम्याटिक — वास्तुकला डायग्राम, नेटवर्क टोपोलोजी, सर्किट: जहाँ जवाफ वस्तुको नाम लिनुभन्दा रेखा र लेबल पछ्याउनुमा निर्भर हुन्छ।
• स्क्रिनसटमा सानो पाठ — स्ट्याक ट्रेस, टर्मिनल आउटपुट, स्प्रेडसिट सेल। भिजन तहबीचको खाडल सानो आकारमा पढ्न सकिने हुनुमै सबैभन्दा फराकिलो हुन्छ।
• लामो पाठभित्रको तस्बिर — 200K-टोकनको सन्दर्भभित्र खसालिएको स्क्रिनसट, जहाँ मोडेलले आफूले देखेको कुरालाई पचास हजार टोकनअघि पढेको कुरासँग जोड्नुपर्छ।
• बहु-तस्बिर तुलना — कुनै UI का दुई संस्करण, वा चार्ट र त्यो बनाउने तालिकाबीचको तुलना।

यसले आफ्नो मूल्य कहाँ कमाउँदैन: क्याप्सन लेखन, alt पाठ, सफा कागजातको OCR, र ट्यागिङ पाइपलाइन। ती प्रति दस लाख इनपुट टोकन $0.50 मै हल भइसकेका छन् — तपाईंको तस्बिर कार्यभार उच्च-परिमाणको छ र हरेक वस्तु आफैंमा सरल छ भने, Kimi-K2.6 वा MiniMax-M3 ले K3 कै जस्तै छुट्याउनै नसकिने जवाफ दिन्छन्।

तस्बिरहरूले पाठकै जस्तै उही 262,144-टोकनको बजेटबाट टोकन खपत गर्छन् र इनपुट दरमा बिल हुन्छन्। मुट्ठीभर उच्च-रिजोल्युसनका स्क्रिनसट निःशुल्क होइनन्।

04लामो-क्षितिजको एजेन्टिक काम — यो तह जसका लागि हो

कुनै एउटा कार्यभारले उच्चतम तह जायज ठहर्‍याउँछ भने, त्यो यही हो। छोटा कार्य क्षम्य रूपमा असफल हुन्छन्: मोडेलले गलत गर्छ, तपाईंले देख्नुहुन्छ, फेरि प्रयास गर्नुहुन्छ, र चार सेकेन्ड गुम्छ। छैटौं टर्ममा गलत हाँगा समात्ने चालीस-टर्नको एजेन्टले त्यसपछिका चौँतीस टर्न एउटा गल्तीमाथि विस्तृत रूपमा थुपार्दै बिताउँछ, र बीचका हरेक टोकनको मूल्य तिरिसकेपछि अन्त्यमा तपाईंलाई थाहा हुन्छ। यही असमानताका कारण यहाँ प्रति-टोकन मूल्य लगभग गलत मापदण्ड हो। महत्त्व राख्ने कुरा भनेको प्रति सफल पूर्णता लागत हो, जुन रन कति पटक फालिन्छ भन्नेले नै निर्धारण गर्छ। एजेन्टिक बेन्चमार्कमा K3 आधारका लागि Moonshot ले प्रकाशित गरेका आँकडा:

सबै आँकडा जुलाई 2026 का, अक्वान्टाइज्ड Kimi K3 आधारका लागि Moonshot ले प्रतिवेदन गरेका हुन्। ती हाम्रो 3BIT-REAP बिल्डको नाप होइनन् र हामी तिनलाई त्यसरी प्रस्तुत गर्दैनौं।

बनोट वास्तुकला जसका लागि बनाइएको थियो त्यससँग मिल्छ: BrowseComp र Terminal-Bench टुल-लुप का बेन्चमार्क हुन् — काम गर, हेर, सुधार भन्ने दोहोरिने चक्र। 42.0 मा रहेको SWE Marathon प्रतिभार हो: सङ्ग्रहकै सबैभन्दा गाह्रो लामो-क्षितिजको कोडिङ मूल्याङ्कन, जहाँ फ्रन्टियर मोडेल पनि धेरैजसो कार्यमा असफल हुन्छ। "एजेन्टिक" हल भइसकेको वर्ग होइन; जुनसुकै मोडेल छाने पनि असफलतालाई ध्यानमा राखेर डिजाइन गर्नुहोस्।

लामा रनका लागि व्यावहारिक सेटिङ

K3 ले reasoning_effort खुला राख्छ, र यहाँ यो साँचो लागत लिभर हो: तर्क टोकनहरू आउटपुट टोकनका रूपमा, प्रति दस लाख $19.12 मा बिल हुन्छन्।

• Low — टुल-कल राउटिङ र संरचित निकासी, जहाँ मोडेलले थोरै ज्ञात विकल्पबीच छनोट गर्छ।
• High — साँचो एजेन्टिक कामका लागि पूर्वनिर्धारित: बहु-चरण परिवर्तनको योजना बनाउने, स्ट्याक ट्रेसबाट डिबग गर्ने, विरोधाभासी स्रोत मिलाउने।
• Max — यसलाई पाइपलाइनको सबैभन्दा गाह्रो एउटै कलका लागि जोगाउनुहोस्: रनको सुरुको योजना, वा अन्तिम समीक्षा। high मा 30K र max मा 90K तर्क टोकन खर्चने रनले त्यो एउटै फ्ल्यागका लागि थप $1.15 तिर्छ।

सन्दर्भको बजेट पनि सोचविचार गरेर बनाउनुहोस्: हाम्रो विन्डो 262,144 टोकन को छ र 16,384-टोकन अधिकतम आउटपुटसहित, र प्रति दस लाख इनपुट $3.83 मा नछाँटिएको इतिहास बढ्दै जान्छ — हरेक टर्नले पूरै अगाडिको भाग फेरि बिल गर्छ।

05यो एन्डपोइन्टमा "सेन्सर नगरिएको" को अर्थ

Shannon AI गेटवेको हरेक मोडेल कुनै अस्वीकृति तह र आउटपुटमा कुनै सामग्री फिल्टरिङविना सेवा दिइन्छ। उच्चतम तहमा यसको महत्त्व बढी छ, किनभने मानिसहरूले उच्च-तहको मोडेलमा ल्याउने कार्यहरू नै फिल्टरमा ठोक्किने सम्भावना सबैभन्दा बढी हुन्छ: प्रतिकूल सुरक्षा अनुसन्धान, आक्रामक-उपकरण विश्लेषण, मोडरेसन-क्लासिफायर विकास, खतरा गुप्तचरी, कठिन कथासाहित्य, र मोडेलले तपाईं पत्ता लगाउन खोजिरहेकै कुरा उत्पादन गर्नुपर्ने जुनसुकै मूल्याङ्कन।

• कुनै आउटपुट क्लासिफायर छैन। निर्माणपछि प्रतिक्रियाहरू स्क्यान गरेर पुनर्लेखन वा अवरुद्ध गरिँदैनन्।
• कुनै इनपुट गेट छैन। प्रम्प्ट र तस्बिरहरू मोडेलसम्म पुग्नुअघि छानिँदैनन्।
• यो फरक मोडेल होइन। यो Kimi K3 आधार नै हो, जुन प्रायः अगाडि बस्ने त्यो तहविना सेवा दिइएको छ।
• यो दायित्वको हस्तान्तरण होइन। अस्वीकृति तह हटाउँदा निर्णय गर्ने काम तपाईंतिर सर्छ — हाम्रो जिम्मेवार प्रयोग नीति हेर्नुहोस्।

मूल्याङ्कन प्रणाली बनाउने जोकोहीका लागि एउटा शान्त फाइदा पनि छ: फिल्टर नगरिएको मोडेल स्थिर आधाररेखा हुन्छ। अनुमान गर्नै नसकिने गरी अस्वीकार गर्ने मोडेलले नाप हल्लाउँछ, किनभने तपाईंले क्षमताको सीमा र नीतिको सीमा छुट्याउनै सक्नुहुन्न। यहाँ असफलता क्षमताको असफलता हो — डिबग गर्न सकिने एउटै किसिम।

06मूल्य: $3.83 इन, $19.12 आउट — र यसले कहिले कमाउँछ

यो हाम्रो सूचीको धेरै अन्तरले सबैभन्दा महँगो मोडेल हो: आउटपुटको मूल्य हाम्रो $2.00 भुइँतलाको 9.6× र Kimi-K2.6 को मूल्यको 5.2× हो। हिसाब यहाँ खुला छ।

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

छानिएका पङ्क्ति, इनपुट मूल्यअनुसार क्रमबद्ध। सबै बाह्र मोडेलले उही 262,144-टोकनको सन्दर्भ, 16,384-टोकनको अधिकतम आउटपुट, स्ट्रिमिङ, टुल कलिङ र reasoning_effort बाँड्छन्। प्रत्यक्ष क्षमता फ्ल्यागहरू API कागजात पृष्ठ मा छन्।

दुई काम गरेर देखाइएका उदाहरण

पहिलो, 120,000 टोकनको इनपुट — कोडबेस डम्प, नियामक फाइलिङ — जसले 3,000 टोकनको विश्लेषण उत्पादन गर्छ। दोस्रो, चालीस-टर्नको एजेन्ट रन: सन्दर्भ थुप्रिँदै जाँदा करिब 1.2M सञ्चित इनपुट टोकन, र तर्कसहित 90,000 आउटपुट टोकन।

परिदृश्य	Kimi-K3	Kimi-K2.6	MiniMax-M3
120K इन / 3K आउट	$0.517	$0.105	$0.066
40-टर्नको एजेन्ट रन	$6.32	$1.27	$0.78

कागजात कलमा K3 को लागत Kimi-K2.6 को करिब 4.9× पर्छ। एक पटकका लागि पचास सेन्ट केही होइन; हजार कलमा त्यो दिनको $517 हुन्छ, जबकि अर्कोमा $105। एजेन्ट रनमा फरक करिब $5 छ। अब महत्त्व राख्ने एउटै परीक्षा लागू गर्नुहोस्: कार्य $100 मा एक घण्टा इन्जिनियरको समय लायकको छ भने, K3 ले पहिलो-प्रयासको सफलता पाँच प्रतिशत बिन्दु बढाउनासाथै आफ्नो मूल्य आफैं तिर्छ — र साँच्चै गाह्रो लामो-क्षितिजको काममा तहबीचको खाडल प्रायः त्योभन्दा ठूलो हुन्छ। कार्य कसैको तीस सेकेन्ड समय लायकको मात्र छ भने, उही $5 अक्षम्य हो।

07Kimi-K3 कि सस्तो सहोदर?

हाम्रो क्याटलगका दुई Kimi मोडेल प्रतिस्पर्धी होइनन्, एउटै भर्‍याङका दुई खुड्किला हुन्। Kimi-K2.6 कम आक्रामक रूपमा क्वान्टाइज गरिएको छ — W4A16-AUTOROUND-REAP, सिकिएको राउन्डिङसहितका 4-बिट वेट, K3 का 3-बिटविरुद्ध — र सानो आधारमा। यसमा भिजन, JSON-स्किमा आउटपुट र उही सन्दर्भ विन्डो छ, र मूल्य करिब पाँचौं भाग पर्छ।

कार्य	प्रयोग गर्नुहोस्	किन
चालीस-टर्नको स्वायत्त एजेन्ट	Kimi-K3	असफलता थुप्रिन्छ; पहिलो टर्मको योजनाको गुणस्तरले रन निर्धारण गर्छ
रिपोजिटरी-स्तरको रिफ्याक्टर	Kimi-K3	पूरै सन्दर्भ सुसंगत रूपमा अड्याउनुपर्छ, त्यसबाट केवल टिपेर पुग्दैन
घना डायग्राम, स्क्रिनसटको सानो पाठ	Kimi-K3	तहबीचको सबैभन्दा फराकिलो भिजन खाडल पढ्न सकिने हुनु र स्थानिक तर्कमा छ
एकल-फाइल सम्पादन, राम्ररी तोकिएको	Kimi-K2.6	सीमित कार्य, सस्तो पुनः प्रयास, नाप्न मिल्ने उचाइको फरक छैन
परिमाणमा तस्बिर क्याप्सन	MiniMax-M3 / MiMo-V2.5	$0.50 इनमै हल भइसकेको; उही क्याप्सनका लागि K3 को आउटपुट 9.6× पर्छ
तर्क-भारी तर पाठ-मात्र	DeepSeek-V4-Pro	$19.12 विरुद्ध $3.90 आउटपुट — तस्बिर चाहिँदैन भने K3 छाड्नुहोस्

त्यो अन्तिम पङ्क्ति सबैभन्दा बढी छुट्ने बचत हो। तपाईंको कार्यमा तस्बिर संलग्न छैन भने, पहिले DeepSeek-V4-Pro जाँच्नुहोस्। त्यो पनि ठूलो आधारमा बनेको 3BIT-REAP बिल्ड हो, गाह्रो तर्कमा बलियो, र यसको आउटपुट K3 को $19.12 विरुद्ध $3.90 पर्छ। उच्चतम तहसम्म पुग्ने धेरैजसो ट्राफिक पाठ-मात्र तर्क हो, जुन एक पङ्क्ति तलै उत्तिकै राम्ररी सेवा पाउँछ।

08सेन्सर नगरिएको Kimi K3 API बोलाउने तरिका

मोडेल तीनै डायलेक्टमा Kimi-K3-3BIT-REAP का रूपमा उपलब्ध छ, हरेकमा स्ट्रिमिङसहित र तिनबीच क्षमताको कुनै फरकविना — फरक भनेको वायर ढाँचा मात्र हो: /v1/chat/completions (OpenAI-अनुकूल), /v1/messages (Anthropic-अनुकूल), र /v1/responses। गाह्रो दृश्य कार्यका लागि तर्क प्रयास बढाइएको एउटा भिजन अनुरोध:

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 ले response_format र पूरा json_schema दुवै समर्थन गर्छ, त्यसैले तपाईं एजेन्टका टुल आर्गुमेन्ट बाँध्न वा प्रतिवेदनलाई निश्चित बनोटमा ल्याउन पछिको पार्सिङविनै सक्नुहुन्छ। टुल कलिङ नेटिभ छ र लामा रन चलाउने अभिप्रेत तरिका त्यही हो। प्यारामिटर, प्रमाणीकरण, दर सीमा र प्रत्यक्ष प्लेग्राउन्ड API कागजात पृष्ठ मा छन्।

पहिलो दिनदेखि नै पैसा बचाउने तीन कुरा

• अगाडिको भाग छाँट्नुहोस्। हरेक टर्नले पूरै कुराकानी प्रति दस लाख $3.83 मा फेरि बिल गर्छ; 40-टर्नको इतिहासलाई एक पटक 4K-टोकनको स्थिति वस्तुमा सारांशित गर्दा धेरैजसो मोडेल साटासाटभन्दा बढी बचत हुन्छ।
• तस्बिर सानो बनाउनुहोस्। तस्बिर टोकन इनपुट टोकन हुन्; 4K स्क्रिनसटलाई पढ्नै सकिने आकारमा घटाउँदा उही जवाफ कम मूल्यमा आउँछ।
• कठिनाइअनुसार राउट गर्नुहोस्। नियमित टर्नमा सस्तो मोडेल, र योजना, गाह्रो हाँगा तथा अन्तिम समीक्षामा K3 राख्दा प्रायः 25% बिलमा 80% क्षमता पाइन्छ।

09बारम्बार सोधिने प्रश्न

---

आधारसम्बन्धी तथ्य र बेन्चमार्क Kimi K3 तथा Kimi K2 का लागि Moonshot AI ले प्रकाशित गरेका आँकडा हुन् र तिनले माथिल्लो स्रोतका अक्वान्टाइज्ड मोडेलको वर्णन गर्छन्; हाम्रो बिल्ड 3-बिट REAP क्वान्टाइजेसन हो र फरक हुनेछ। मूल्य, सन्दर्भ र क्षमता फ्ल्यागहरू Shannon AI का आफ्नै हुन्, सेप्टेम्बर 5, 2026 सम्म प्रचलित — प्रत्यक्ष मान सधैं /v1/models ले फर्काउने नै हुन्। स्रोतहरू: Kimi K3 मोडेल कार्ड · Kimi K3 रिपोजिटरी · Kimi K2 Thinking।