Usensurert Kimi K3-API

De fleste guider til modellvalg er skrevet som om kapasitet var gratis. Det er den ikke. Det interessante spørsmålet om en toppmodell er aldri «er den bedre» — det er den som regel — men «er den nok bedre, på denne oppgaven, til å forsvare en regning fem ganger større enn modellen ett hakk ned». Denne guiden svarer på det med faktisk regnestykke, og sier rett ut hvor de billigere alternativene vinner.

01Hva Kimi K3 faktisk er

Kimi K3 er Moonshot AIs flaggskip med åpne vekter, utgitt i juli 2026 under Kimi K3-lisensen — den tredje generasjonen i en slekt som begynte med Kimi K2, og en genuint ny arkitektur snarere enn en finjustering.

Det publiserte oppsettet er 93 lag — 69 med Kimi Delta Attention, 24 med portstyrt multi-head latent attention, ett tett — med en Stable LatentMoE-ruter som velger 16 av 896 eksperter per token pluss 2 delte. Moonshot rapporterer omtrent 2,5× bedre skaleringseffektivitet enn Kimi K2 fra den kombinasjonen. Syn er innebygd og ikke påmontert: en MoonViT-V2-koder på 401 mill. parametere mater den samme stammen som håndterer tekst.

Sparsomhetstallet er verdt å ta inn: K3 aktiverer 104 milliarder parametere per token, mot 30 til 40 milliarder for det meste av katalogen vår. Det er omtrent tre ganger så mye regnearbeid per genererte token, og det er hele grunnen til at denne modellen topper prislisten. Du betaler ikke for et merkevarenivå — du betaler for GPU-sekunder.

Slekten, kort fortalt

• Kimi K2 — 1 billion parametere, 32 milliarder aktive, 384 eksperter med 8 rutet per token, førtrent på 15,5 billioner tokens med MuonClip-optimalisereren, bygget for å stanse de oppmerksomhetseksplosjonene som ødelegger MoE-trening i den skalaen.
• Kimi K2 Thinking — den samme grunnmodellen lært opp til å flette resonnering sammen med verktøybruk, rapportert å holde ut 200 til 300 sekvensielle verktøykall i én kjøring, med 44,9 % på Humanity's Last Exam med verktøy og 60,2 % på BrowseComp.
• Kimi K3 — bygget om med innebygd multimodalitet og et vindu på 1 mill. tokens oppstrøms, med kvantiseringsbevisst trening fra og med den veiledede finjusteringen (MXFP4-vekter, MXFP8-aktiveringer). Det er derfor K3 tåler aggressiv komprimering bedre enn modeller som aldri ble trent med det for øye.

Den røde tråden er handlekraft over lang horisont: hver generasjon er optimalisert for å holde seg sammenhengende gjennom hundrevis av steg snarere enn for å vinne benchmarks med korte svar. Det er den evnen du kjøper.

02Hva «3BIT-REAP» betyr, og hvorfor en modell på 2,8 bill. trenger det

Endelsen på modell-ID-en er ikke pynt — den sier hva som ble gjort med vektene før de ble lastet inn på vår egen GPU-klynge, og den er det ærlige forbeholdet som henger ved hver påstand her. Start med regnestykket. En modell på 2,8 billioner parametere med 16-bits presisjon er omtrent 5,6 terabyte med vekter. Med 3 bit per vekt er den nærmere 1,05 terabyte — fortsatt stort, men en håndterbar utrulling med plass igjen til en KV-cache på 262K tokens. REAP er den andre halvdelen: en metode for ekspertbeskjæring som profilerer hvilke eksperter ruteren faktisk griper til, og fjerner de sjelden valgte før kvantiseringen i stedet for etter. På en modell som bare ruter 16 av 896 eksperter per token passer det naturlig — en så sparsom fordeling har en lang hale som bidrar svært lite til reell trafikk — og å beskjære først betyr at det gjenværende bitbudsjettet brukes på eksperter som betyr noe.

Katalogen vår bruker tre endelser som en bevisst stige. 3BIT-REAP settes på de største grunnmodellene, der ingenting annet får plass. W4A16-AUTOROUND-REAP er 4-bits vekter med 16-bits aktiveringer kvantisert med AutoRound — lært avrunding som henter tilbake reell nøyaktighet sammenlignet med naiv avrunding til nærmeste — pluss den samme beskjæringen. W8A16 er nivået med høyest troskap, for grunnmodeller små nok til å slippe aggressiv komprimering. Kort sagt: endelsen forteller deg hvor mye av originalen som overlevde; prisen forteller deg hva det koster å kjøre.

03Syn: hva bildeforståelse kjøper deg

Kimi-K3 er en av fem modeller i katalogen vår på tolv som har syn, og den mest kapable av de fem. De fleste kommersielle syns-API-er kjører en klassifiserer over opplastede bilder og avviser en bred kategori av inndata før modellen i det hele tatt ser dem — en fornuftig standard for forbrukere og en alvorlig hindring for legitimt arbeid. Sikkerhetsforskere som tar skjermbilder av exploit-utdata, modereringsteam som bygger sine egne klassifiserere, rettsmedisinsk arbeid og datasettrevisjon, og red team-evaluering treffer alle den veggen. Kimi-K3 har ingen avvisningslag og ingen filtrering av utdata.

Der K3s syn forsvarer prisen mot billigere synsmodeller

• Tette diagrammer og skjemaer — arkitekturdiagrammer, nettverkstopologier, kretser: alt der svaret avhenger av å følge linjer og etiketter snarere enn å navngi objekter.
• Liten tekst i skjermbilder — stakksporinger, terminalutdata, regnearkceller. Gapet mellom synsnivåene er størst på lesbarhet i liten skala.
• Bilde inne i lang tekst — et skjermbilde sluppet inn i en kontekst på 200K tokens, der modellen må knytte det den ser til det den leste femti tusen tokens tidligere.
• Sammenligning av flere bilder — to versjoner av et grensesnitt, eller et diagram mot tabellen som genererte det.

Der den ikke forsvarer prisen: bildetekster, alt-tekst, OCR av rene dokumenter, og merkepipeliner. Det er løst til $0.50 per million inn-tokens — er bildearbeidet ditt høyt i volum og hvert enkelt element enkelt, gir Kimi-K2.6 eller MiniMax-M3 svar du ikke vil klare å skille fra K3s.

Bilder bruker tokens fra det samme budsjettet på 262,144 tokens som tekst, og faktureres til inn-prisen. En håndfull skjermbilder i høy oppløsning er ikke gratis.

04Agentarbeid over lang horisont — det dette nivået er til for

Hvis én arbeidsmengde forsvarer toppnivået, er det denne. Korte oppgaver feiler mildt: modellen tar feil, du merker det, du prøver på nytt, du har mistet fire sekunder. En agent på førti runder som tar feil gren i runde seks bruker de neste trettifire rundene på å bygge omstendelig videre på en feil, og du oppdager det til slutt, etter å ha betalt for hvert eneste token underveis. Den asymmetrien er grunnen til at pris per token er nesten feil måltall her. Det som betyr noe er kostnad per vellykket fullføring, dominert av hvor ofte en kjøring må kastes. Moonshots publiserte tall for K3-grunnmodellen på agent-benchmarks:

Alle tall er rapportert av Moonshot for den ukvantiserte Kimi K3-grunnmodellen, juli 2026. De er ikke målinger av vår 3BIT-REAP-bygging, og vi presenterer dem ikke som det.

Formen stemmer med det arkitekturen ble bygget for: BrowseComp og Terminal-Bench er verktøyløkke-benchmarks — gjentatte sykluser av handle, observere, revidere. SWE Marathon på 42,0 er motvekten: den vanskeligste evalueringen av koding over lang horisont i settet, der selv en toppmodell feiler på de fleste oppgavene. «Agentisk» er ikke en løst kategori; design for feil uansett hvilken modell du velger.

Praktiske innstillinger for lange kjøringer

K3 eksponerer reasoning_effort, og her er det en reell kostnadsspak: resonneringstokens faktureres som utdata-tokens, til $19.12 per million.

• Lav — ruting av verktøykall og strukturert uttrekk, der modellen velger mellom en håndfull kjente alternativer.
• Høy — standarden for reelt agentarbeid: å planlegge en endring i flere steg, feilsøke fra en stakksporing, forene motstridende kilder.
• Maks — spar den til det vanskeligste enkeltkallet i en pipeline: planen øverst i en kjøring, eller den avsluttende gjennomgangen. En kjøring som bruker 30K resonneringstokens på høy og 90K på maks betaler $1.15 ekstra for det ene flagget.

Budsjetter konteksten bevisst også: vinduet vårt er 262,144 tokens med 16,384 tokens maksimalt utdata, og til $3.83 per million inn hoper en ubeskåret historikk seg opp — hver runde fakturerer hele prefikset på nytt.

05Hva «usensurert» betyr på dette endepunktet

Alle modeller på Shannon AI Gateway serveres uten avvisningslag og uten innholdsfiltrering av utdata. Det betyr mest på toppnivået, fordi oppgavene folk tar med til en toppmodell er de som lettest utløser et filter: adversarisk sikkerhetsforskning, analyse av offensive verktøy, utvikling av modereringsklassifiserere, trusseletterretning, vanskelig fiksjon, og enhver evaluering som krever at modellen produserer nettopp det du prøver å oppdage.

• Ingen utdataklassifiserer. Svar skannes ikke og skrives ikke om eller blokkeres etter generering.
• Ingen inngangsport. Prompter og bilder siles ikke før de når modellen.
• Ikke en annen modell. Dette er Kimi K3-grunnmodellen servert uten laget som vanligvis står foran den.
• Ikke en ansvarsoverføring. Å fjerne et avvisningslag flytter skjønnsvurderingen til deg — se vår policy for ansvarlig bruk.

Det finnes en stillere fordel for alle som bygger evalueringssystemer: en ufiltrert modell er en stabil grunnlinje. En modell som avviser uforutsigbart gjør målingene støyete, fordi du ikke kan skille en kapasitetsgrense fra en policygrense. Her er en feil en kapasitetsfeil — den eneste typen du kan feilsøke.

06Prisen: $3.83 inn, $19.12 ut — og når den forsvares

Dette er den desidert dyreste modellen på listen vår: utdata koster 9,6× gulvet vårt på $2.00 og 5,2× det Kimi-K2.6 koster. Her er regnestykket åpent.

Modell	Inn / 1M	Ut / 1M	Syn	JSON-skjema
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Ja	Ja
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	Nei	Ja
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	Ja	Nei
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	Ja	Ja
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Nei	Ja
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Ja	Ja
MiMo-V2.5 · W8A16	$0.50	$2.00	Ja	Ja

Utvalgte rader, sortert etter inn-pris. Alle tolv modellene deler den samme konteksten på 262,144 tokens, det samme maksimale utdataet på 16,384 tokens, strømming, verktøykall og reasoning_effort. Levende egenskapsflagg finner du på API-dokumentasjonssiden.

To gjennomgåtte eksempler

Først en inndata på 120 000 tokens — en kodebase-dump, en tilsynsrapport — som gir en analyse på 3 000 tokens. Deretter en agentkjøring på førti runder: rundt 1,2 mill. akkumulerte inn-tokens etter hvert som konteksten vokser, 90 000 ut-tokens inkludert resonnering.

Scenario	Kimi-K3	Kimi-K2.6	MiniMax-M3
120K inn / 3K ut	$0.517	$0.105	$0.066
Agentkjøring på 40 runder	$6.32	$1.27	$0.78

K3 koster omtrent 4,9× Kimi-K2.6 på dokumentkallet. Femti cent er ingenting én gang; det er $517 om dagen ved tusen kall, mot $105. På agentkjøringen er differansen omtrent $5. Bruk så den eneste testen som betyr noe: er oppgaven verdt en times ingeniørarbeid til $100, betaler K3 for seg selv i det øyeblikket den hever treffprosenten på første forsøk med fem prosentpoeng — og på virkelig vanskelig arbeid over lang horisont er gapet mellom nivåene som regel større. Er oppgaven verdt tretti sekunder av noens tid, er de samme $5 uforsvarlige.

07Kimi-K3 eller en billigere slektning?

De to Kimi-modellene i katalogen vår er to trinn på én stige snarere enn konkurrenter. Kimi-K2.6 er kvantisert mindre aggressivt — W4A16-AUTOROUND-REAP, 4-bits vekter med lært avrunding, mot K3s 3 bit — på en mindre grunnmodell. Den har syn, JSON-skjema-utdata, det samme kontekstvinduet, og koster omtrent en femtedel så mye.

Oppgave	Bruk	Hvorfor
Autonom agent over førti runder	Kimi-K3	Feil hoper seg opp; plankvaliteten i runde én avgjør kjøringen
Refaktorering i hele kodebasen	Kimi-K3	Krever at hele konteksten holdes sammenhengende, ikke bare hentes fra
Tette diagrammer, liten skjermbildetekst	Kimi-K3	Det største synsgapet mellom nivåene er lesbarhet og romlig resonnering
Endringer i én fil, godt spesifisert	Kimi-K2.6	Avgrenset oppgave, billig å prøve på nytt, ingen målbar takforskjell
Bildetekster i stort volum	MiniMax-M3 / MiMo-V2.5	Løst til $0.50 inn; K3s utdata koster 9,6× for samme bildetekst
Resonneringstungt, men kun tekst	DeepSeek-V4-Pro	$3.90 i utdata mot $19.12 — dropp K3 hvis du ikke trenger bilder

Den siste raden er den innsparingen folk oftest går glipp av. Involverer ikke oppgaven din bilder, så sjekk DeepSeek-V4-Pro først. Den er også en 3BIT-REAP-bygging på en stor grunnmodell, sterk på vanskelig resonnering, og utdataene koster $3.90 mot K3s $19.12. Mye av trafikken som griper etter toppnivået er resonnering på ren tekst som betjenes like godt én rad ned.

08Å kalle det usensurerte Kimi K3-API-et

Modellen er eksponert som Kimi-K3-3BIT-REAP på alle tre dialektene, med strømming på hver og ingen forskjell i egenskaper mellom dem — bare formatet på ledningen: /v1/chat/completions (OpenAI-kompatibel), /v1/messages (Anthropic-kompatibel) og /v1/responses. En synsforespørsel med hevet tenkenivå for en vanskelig visuell oppgave:

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 støtter både response_format og fullt json_schema, så du kan begrense en agents verktøyargumenter eller tvinge en rapport inn i en fast form uten etterparsing. Verktøykall er innebygd og er den tiltenkte måten å drive lange kjøringer på. Parametere, autentisering, ratebegrensninger og en levende lekegrind finner du på API-dokumentasjonssiden.

Tre ting som sparer penger fra dag én

• Beskjær prefikset. Hver runde fakturerer hele samtalen på nytt til $3.83 per million; å oppsummere en historikk på 40 runder til et tilstandsobjekt på 4K tokens én gang sparer mer enn de fleste modellbytter.
• Skaler ned bilder. Bildetokens er inn-tokens; et 4K-skjermbilde skalert ned til noe som fortsatt er lesbart gir det samme svaret for mindre.
• Rut etter vanskelighetsgrad. En billig modell på rutinerundene, med K3 på planen, den vanskelige grenen og den avsluttende gjennomgangen, gir ofte 80 % av kapasiteten til 25 % av regningen.

09Ofte stilte spørsmål

---

Fakta og benchmarks om grunnmodellen er Moonshot AIs publiserte tall for Kimi K3 og Kimi K2 og beskriver de ukvantiserte modellene oppstrøms; vår bygging er en 3-bits REAP-kvantisering og vil avvike. Priser, kontekst og egenskapsflagg er Shannon AIs egne, gjeldende per 5. september 2026 — levende verdier er alltid de som returneres av /v1/models. Kilder: modellkort for Kimi K3 · Kimi K3-repoet · Kimi K2 Thinking.