Nieocenzurowane API Kimi K3

Większość przewodników po wyborze modelu pisze się tak, jakby możliwości były darmowe. Nie są. Ciekawe pytanie o model z najwyższej półki nigdy nie brzmi „czy jest lepszy” — zwykle jest — tylko „czy jest na tyle lepszy przy tym zadaniu, by uzasadnić rachunek pięć razy większy niż przy modelu szczebel niżej”. Ten przewodnik odpowiada na to prawdziwą arytmetyką i wprost mówi, gdzie wygrywają tańsze opcje.

01Czym właściwie jest Kimi K3

Kimi K3 to flagowiec o otwartych wagach od Moonshot AI, wydany w lipcu 2026 na licencji Kimi K3 — trzecia generacja rodowodu zapoczątkowanego przez Kimi K2 i naprawdę nowa architektura, a nie dostrojenie poprzednika.

Opublikowany układ to 93 warstwy — 69 korzystających z Kimi Delta Attention, 24 z bramkowanej wielogłowicowej uwagi latentnej, jedna gęsta — z routerem Stable LatentMoE wybierającym 16 z 896 ekspertów na token plus 2 współdzielonych. Moonshot raportuje z tej kombinacji mniej więcej 2.5x poprawę efektywności skalowania względem Kimi K2. Wizja jest natywna, a nie doklejona: enkoder MoonViT-V2 o 401M parametrów zasila ten sam pień, który obsługuje tekst.

Warto przyswoić liczbę rzadkości: K3 aktywuje 104 miliardy parametrów na token, wobec zakresu 30–40 miliardów w większości naszego katalogu. To mniej więcej trzykrotnie więcej arytmetyki na wygenerowany token i to jest cały powód, dla którego ten model stoi na szczycie cennika. Nie płacisz za poziom marki — płacisz za sekundy GPU.

Rodowód w skrócie

• Kimi K2 — bilion parametrów, 32 miliardy aktywnych, 384 ekspertów z 8 routowanymi na token, wstępnie trenowany na 15,5 biliona tokenów optymalizatorem MuonClip, zbudowany po to, żeby zatrzymać wybuchy uwagi, które psują trening MoE w tej skali.
• Kimi K2 Thinking — ten sam fundament nauczony przeplatać rozumowanie z użyciem narzędzi, z raportowanym utrzymaniem 200 do 300 kolejnych wywołań narzędzi w jednym przebiegu, przy 44.9% na Humanity's Last Exam z narzędziami i 60.2% na BrowseComp.
• Kimi K3 — przebudowany z natywną multimodalnością i oknem miliona tokenów po stronie źródłowej, ze świadomością kwantyzacji w treningu od etapu nadzorowanego dostrajania wzwyż (wagi MXFP4, aktywacje MXFP8). Dlatego K3 znosi agresywną kompresję lepiej niż modele, które nigdy nie były pod nią trenowane.

Motywem przewodnim jest sprawczość długiego horyzontu: każda generacja była optymalizowana pod zachowanie spójności przez setki kroków, a nie pod wygrywanie benchmarków z krótką odpowiedzią. I to jest zdolność, którą kupujesz.

02Co oznacza „3BIT-REAP” i dlaczego model o 2.8T parametrów tego potrzebuje

Końcówka w id modelu nie jest ozdobą — mówi, co zrobiono z wagami, zanim trafiły na nasz własny klaster GPU, i jest uczciwym zastrzeżeniem do każdej deklaracji na tej stronie. Zacznij od arytmetyki. Model o 2,8 biliona parametrów w precyzji 16-bitowej to około 5,6 terabajta wag. Przy 3 bitach na wagę to bliżej 1,05 terabajta — wciąż dużo, ale to już wykonalne wdrożenie z miejscem na cache KV dla 262K tokenów. REAP to druga połowa: metoda przycinania ekspertów, która profiluje, po których ekspertów router faktycznie sięga, i usuwa tych rzadko wybieranych przed kwantyzacją, a nie po niej. W modelu routującym tylko 16 z 896 ekspertów na token to naturalne dopasowanie — tak rzadki rozkład ma długi ogon wnoszący bardzo niewiele do realnego ruchu — a przycinanie w pierwszej kolejności oznacza, że pozostały budżet bitów idzie na ekspertów, którzy się liczą.

Nasz katalog używa trzech końcówek jako świadomej drabiny. 3BIT-REAP trafia na największe fundamenty, gdzie nic innego się nie mieści. W4A16-AUTOROUND-REAP to wagi 4-bitowe z aktywacjami 16-bitowymi, skwantyzowane przy użyciu AutoRound — wyuczonego zaokrąglania, które odzyskuje realną dokładność względem naiwnego zaokrąglania do najbliższej wartości — plus to samo przycinanie. W8A16 to poziom o najwyższej wierności, dla fundamentów na tyle małych, że nie potrzebują agresywnej kompresji. Krótko: końcówka mówi ci, ile z oryginału przetrwało; cena mówi, ile kosztuje jego uruchomienie.

03Wizja: co daje ci rozumienie obrazów

Kimi-K3 to jeden z pięciu modeli z wizją w naszym dwunastomodelowym katalogu i najzdolniejszy z tej piątki. Większość komercyjnych API wizyjnych przepuszcza wgrane obrazy przez klasyfikator i odrzuca szeroką kategorię wejść, zanim model w ogóle je zobaczy — rozsądne ustawienie domyślne dla konsumenta i poważna przeszkoda w legalnej pracy. Badacze bezpieczeństwa robiący zrzuty wyjścia exploita, zespoły moderacji budujące własne klasyfikatory, praca kryminalistyczna i audyt zbiorów danych oraz ewaluacja red-teamowa — wszystko to uderza w tę ścianę. Kimi-K3 nie ma warstwy odmów ani filtrowania wyjścia.

Gdzie wizja K3 zarabia na swoją cenę względem tańszych modeli wizyjnych

• Gęste diagramy i schematy — diagramy architektury, topologie sieci, obwody: wszystko, gdzie odpowiedź zależy od śledzenia linii i etykiet, a nie od nazywania obiektów.
• Mały tekst na zrzutach ekranu — stack trace'y, wyjście terminala, komórki arkusza. Różnica między poziomami wizji jest największa właśnie w czytelności przy małej skali.
• Obraz wewnątrz długiego tekstu — zrzut ekranu wrzucony w kontekst 200K tokenów, gdzie model musi powiązać to, co widzi, z tym, co przeczytał pięćdziesiąt tysięcy tokenów wcześniej.
• Porównywanie wielu obrazów — dwie wersje interfejsu albo wykres zestawiony z tabelą, z której powstał.

Gdzie ceny nie zarabia: opisy obrazów, teksty alternatywne, OCR czystych dokumentów i potoki tagowania. To jest rozwiązane za $0.50 za milion tokenów wejściowych — jeśli twoje obciążenie obrazowe jest wysokowolumenowe, a każdy element z osobna prosty, Kimi-K2.6 albo MiniMax-M3 dadzą odpowiedzi, których nie odróżnisz od tych z K3.

Obrazy zużywają tokeny z tego samego budżetu 262,144 tokenów co tekst i są rozliczane po stawce wejściowej. Garść zrzutów ekranu w wysokiej rozdzielczości nie jest darmowa.

04Długodystansowa praca agentowa — do tego jest ten poziom

Jeśli jedno obciążenie uzasadnia najwyższy poziom, to właśnie to. Krótkie zadania zawodzą wybaczalnie: model się myli, zauważasz, ponawiasz, straciłeś cztery sekundy. Agent na czterdzieści tur, który w turze szóstej skręca w złą gałąź, spędza kolejne trzydzieści cztery tury, budując misternie na błędzie, a dowiadujesz się o tym na końcu, zapłaciwszy za każdy token po drodze. Ta asymetria sprawia, że cena za token jest tu niemal złą metryką. Liczy się koszt jednego udanego ukończenia, zdominowany przez to, jak często przebieg trafia do kosza. Opublikowane przez Moonshot liczby dla fundamentu K3 w benchmarkach agentowych:

Wszystkie liczby są podane przez Moonshot dla nieskwantyzowanego fundamentu Kimi K3, lipiec 2026. Nie są pomiarami naszej kompilacji 3BIT-REAP i nie przedstawiamy ich jako takie.

Kształt wyników odpowiada temu, pod co zbudowano architekturę: BrowseComp i Terminal-Bench to benchmarki pętli narzędziowej — powtarzane cykle działania, obserwacji i korekty. SWE Marathon z wynikiem 42.0 to przeciwwaga: najtrudniejsza długodystansowa ewaluacja kodowania w zestawie, w której nawet model graniczny oblewa większość zadań. „Agentowość” nie jest kategorią rozwiązaną; projektuj pod awarię, jakikolwiek model wybierzesz.

Praktyczne ustawienia do długich przebiegów

K3 udostępnia reasoning_effort i tutaj jest to realna dźwignia kosztowa: tokeny rozumowania rozliczają się jako tokeny wyjściowe, po $19.12 za milion.

• Low — routing wywołań narzędzi i ekstrakcja strukturalna, gdzie model wybiera spośród garstki znanych opcji.
• High — domyślny tryb do realnej pracy agentowej: planowanie zmiany wieloetapowej, debugowanie ze stack trace'a, godzenie sprzecznych źródeł.
• Max — zarezerwuj go na najtrudniejsze pojedyncze wywołanie w potoku: plan na początku przebiegu albo końcowy przegląd. Przebieg zużywający 30K tokenów rozumowania przy high i 90K przy max płaci za tę jedną flagę dodatkowe $1.15.

Budżetuj też kontekst świadomie: nasze okno to 262,144 tokeny przy maksymalnym wyjściu 16,384 tokenów, a przy $3.83 za milion wejścia nieprzycinana historia nakłada się kaskadowo — każda tura nalicza od nowa cały prefiks.

05Co znaczy „nieocenzurowany” na tym endpoincie

Każdy model w bramie Shannon AI jest serwowany bez warstwy odmów i bez filtrowania treści na wyjściu. Na najwyższym poziomie ma to większe znaczenie, bo zadania, z którymi ludzie przychodzą do modelu z najwyższej półki, najłatwiej uruchamiają filtr: adwersarialne badania bezpieczeństwa, analiza narzędzi ofensywnych, rozwój klasyfikatorów moderacyjnych, threat intelligence, trudna fikcja i każda ewaluacja wymagająca, by model wyprodukował to, co próbujesz wykryć.

• Brak klasyfikatora wyjścia. Odpowiedzi nie są skanowane i przepisywane ani blokowane po wygenerowaniu.
• Brak bramki wejścia. Prompty i obrazy nie są prześwietlane, zanim dotrą do modelu.
• To nie inny model. To fundament Kimi K3 serwowany bez warstwy, która zwykle stoi przed nim.
• To nie przeniesienie odpowiedzialności. Usunięcie warstwy odmów przenosi decyzję na ciebie — zobacz naszą politykę odpowiedzialnego korzystania.

Jest też cichsza korzyść dla każdego, kto buduje systemy ewaluacji: niefiltrowany model to stabilna linia bazowa. Model, który odmawia nieprzewidywalnie, zaszumia pomiary, bo nie da się oddzielić limitu możliwości od limitu polityki. Tutaj awaria jest awarią możliwości — jedynym rodzajem, który da się debugować.

06Cena: $3.83 wejście, $19.12 wyjście — i kiedy się broni

To zdecydowanie najdroższy model na naszej liście: wyjście kosztuje 9.6x naszą podłogę $2.00 i 5.2x tyle, co Kimi-K2.6. Oto arytmetyka na wierzchu.

Model	Wejście / 1M	Wyjście / 1M	Wizja	Schemat JSON
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Tak	Tak
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	Nie	Tak
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	Tak	Nie
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	Tak	Tak
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Nie	Tak
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Tak	Tak
MiMo-V2.5 · W8A16	$0.50	$2.00	Tak	Tak

Wybrane wiersze, uporządkowane według ceny wejścia. Wszystkie dwanaście modeli dzieli ten sam kontekst 262,144 tokenów, maksymalne wyjście 16,384 tokenów, streaming, wywoływanie narzędzi i reasoning_effort. Aktualne flagi możliwości znajdziesz na stronie dokumentacji API.

Dwa policzone przykłady

Pierwszy: wejście 120,000 tokenów — zrzut bazy kodu, dokument regulacyjny — dające analizę na 3,000 tokenów. Drugi: przebieg agenta na czterdzieści tur, mniej więcej 1,2M skumulowanych tokenów wejściowych w miarę narastania kontekstu i 90,000 tokenów wyjściowych łącznie z rozumowaniem.

Scenariusz	Kimi-K3	Kimi-K2.6	MiniMax-M3
120K wejścia / 3K wyjścia	$0.517	$0.105	$0.066
Przebieg agenta na 40 tur	$6.32	$1.27	$0.78

W wywołaniu dokumentowym K3 kosztuje mniej więcej 4.9x tyle, co Kimi-K2.6. Pięćdziesiąt centów to nic jednorazowo; przy tysiącu wywołań to $517 dziennie wobec $105. W przebiegu agenta różnica to około $5. Zastosuj teraz jedyny test, który się liczy: jeśli zadanie jest warte godziny pracy inżyniera po $100, K3 zwraca się w chwili, gdy podnosi skuteczność za pierwszym podejściem o pięć punktów procentowych — a przy naprawdę trudnej pracy długodystansowej różnica między poziomami jest zwykle większa. Jeśli zadanie jest warte trzydziestu sekund czyjegokolwiek czasu, te same $5 są nie do obrony.

07Kimi-K3 czy tańszy brat?

Dwa modele Kimi w naszym katalogu to dwa szczeble jednej drabiny, a nie konkurenci. Kimi-K2.6 jest kwantyzowany mniej agresywnie — W4A16-AUTOROUND-REAP, wagi 4-bitowe z wyuczonym zaokrąglaniem, wobec 3 bitów w K3 — na mniejszym fundamencie. Ma wizję, wyjście w schemacie JSON, to samo okno kontekstu i kosztuje mniej więcej jedną piątą.

Zadanie	Użyj	Dlaczego
Autonomiczny agent na czterdzieści tur	Kimi-K3	Awaria się kumuluje; jakość planu w pierwszej turze decyduje o przebiegu
Refaktor w skali repozytorium	Kimi-K3	Wymaga spójnego utrzymania pełnego kontekstu, a nie tylko wyszukiwania w nim
Gęste diagramy, mały tekst na zrzutach	Kimi-K3	Największa różnica wizji między poziomami to czytelność i rozumowanie przestrzenne
Edycje pojedynczych plików, dobrze opisane	Kimi-K2.6	Zadanie ograniczone, tanie ponowienie, brak mierzalnej różnicy sufitu
Masowe opisywanie obrazów	MiniMax-M3 / MiMo-V2.5	Rozwiązane za $0.50 na wejściu; wyjście K3 kosztuje 9.6x za ten sam opis
Ciężkie rozumowanie, ale bez obrazów	DeepSeek-V4-Pro	$3.90 wyjścia wobec $19.12 — odpuść K3, jeśli nie potrzebujesz obrazów

Ostatni wiersz to najczęściej przeoczana oszczędność. Jeśli twoje zadanie nie obejmuje obrazów, sprawdź najpierw DeepSeek-V4-Pro. To też kompilacja 3BIT-REAP na dużym fundamencie, mocna w trudnym rozumowaniu, a jej wyjście kosztuje $3.90 wobec $19.12 w K3. Duża część ruchu, który sięga po najwyższy poziom, to rozumowanie na samym tekście, obsłużone równie dobrze wiersz niżej.

08Wywoływanie nieocenzurowanego API Kimi K3

Model jest wystawiony jako Kimi-K3-3BIT-REAP na wszystkich trzech dialektach, ze streamingiem na każdym i bez różnic w możliwościach między nimi — różni je tylko format transportu: /v1/chat/completions (zgodny z OpenAI), /v1/messages (zgodny z Anthropic) i /v1/responses. Żądanie wizyjne z podniesionym wysiłkiem rozumowania do trudnego zadania wizualnego:

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 obsługuje zarówno response_format, jak i pełny json_schema, więc możesz ograniczyć argumenty narzędzi agenta albo wymusić stały kształt raportu bez parsowania po fakcie. Wywoływanie narzędzi jest natywne i to nim należy sterować długimi przebiegami. Parametry, uwierzytelnianie, limity zapytań i działający playground znajdziesz na stronie dokumentacji API.

Trzy rzeczy, które oszczędzają pieniądze od pierwszego dnia

• Przycinaj prefiks. Każda tura nalicza od nowa całą rozmowę po $3.83 za milion; jednorazowe streszczenie historii z 40 tur do obiektu stanu na 4K tokenów oszczędza więcej niż większość zmian modelu.
• Zmniejszaj obrazy. Tokeny obrazu to tokeny wejściowe; zrzut ekranu 4K przeskalowany do rozmiaru wciąż czytelnego da tę samą odpowiedź taniej.
• Rutuj według trudności. Tani model na rutynowe tury, a K3 na plan, trudną gałąź i końcowy przegląd to często 80% możliwości za 25% rachunku.

09Najczęściej zadawane pytania

---

Fakty o fundamencie i benchmarki to liczby opublikowane przez Moonshot AI dla Kimi K3 i Kimi K2; opisują nieskwantyzowane modele źródłowe, a nasza kompilacja to kwantyzacja 3-bitowa REAP i będzie się różnić. Ceny, kontekst i flagi możliwości są własnymi danymi Shannon AI, aktualnymi na 5 września 2026 — wartościami wiążącymi są zawsze te zwracane przez /v1/models. Źródła: karta modelu Kimi K3 · repozytorium Kimi K3 · Kimi K2 Thinking.