API Kimi K3 sem censura

A maioria dos guias de escolha de modelo é escrita como se capacidade fosse de graça. Não é. A pergunta interessante sobre um modelo de topo nunca é "ele é melhor" — normalmente é — mas "ele é melhor o suficiente, nesta tarefa, para justificar uma conta cinco vezes maior do que a do modelo um degrau abaixo". Este guia responde a isso com aritmética real e diz com todas as letras onde as opções mais baratas ganham.

01O que o Kimi K3 é de fato

O Kimi K3 é o carro-chefe de pesos abertos da Moonshot AI, lançado em julho de 2026 sob a Kimi K3 License — a terceira geração de uma linhagem que começou com o Kimi K2, e uma arquitetura genuinamente nova, não um ajuste fino.

O desenho publicado tem 93 camadas — 69 usando Kimi Delta Attention, 24 usando atenção latente multi-head com gate, uma densa — com um roteador Stable LatentMoE selecionando 16 de 896 especialistas por token, mais 2 compartilhados. A Moonshot relata cerca de 2.5x de melhora na eficiência de escala em relação ao Kimi K2 vinda dessa combinação. A visão é nativa, e não pregada por fora: um codificador MoonViT-V2 de 401M de parâmetros alimenta o mesmo tronco que lida com o texto.

Vale internalizar o número da esparsidade: o K3 ativa 104 bilhões de parâmetros por token, contra a faixa de 30 a 40 bilhões da maior parte do nosso catálogo. Isso é cerca de três vezes mais aritmética por token gerado, e é a razão inteira de este modelo liderar a lista de preços. Você não está pagando por um nível de marca — está pagando por segundos de GPU.

A linhagem, em resumo

• Kimi K2 — 1 trilhão de parâmetros, 32 bilhões ativos, 384 especialistas com 8 roteados por token, pré-treinado em 15.5 trilhões de tokens usando o otimizador MuonClip, feito para conter as explosões de atenção que arruínam o treinamento de MoE nessa escala.
• Kimi K2 Thinking — a mesma fundação ensinada a intercalar raciocínio com uso de ferramentas, com relato de sustentar 200 a 300 chamadas de ferramenta sequenciais em uma única execução, com 44.9% no Humanity's Last Exam com ferramentas e 60.2% no BrowseComp.
• Kimi K3 — reconstruído com multimodalidade nativa e uma janela de 1M de tokens na origem, com treinamento ciente de quantização a partir da etapa de ajuste fino supervisionado (pesos MXFP4, ativações MXFP8). É por isso que o K3 tolera compressão agressiva melhor do que modelos que nunca foram treinados pensando nela.

O fio condutor é a agência de longo horizonte: toda geração foi otimizada para se manter coerente ao longo de centenas de passos, e não para vencer benchmarks de resposta curta. É essa a capacidade que você está comprando.

02O que "3BIT-REAP" significa, e por que um modelo de 2.8T precisa disso

O sufixo no id do modelo não é enfeite — ele diz o que foi feito com os pesos antes de eles serem carregados no nosso próprio cluster de GPUs, e é a ressalva honesta anexada a toda afirmação aqui. Comece pela aritmética. Um modelo de 2.8 trilhões de parâmetros com precisão de 16 bits são cerca de 5.6 terabytes de pesos. A 3 bits por peso fica mais perto de 1.05 terabyte — ainda grande, mas uma implantação tratável, com espaço sobrando para um cache KV de 262K tokens. O REAP é a segunda metade: um método de poda de especialistas que perfila quais especialistas o roteador de fato aciona e descarta os raramente selecionados antes de quantizar, e não depois. Num modelo que roteia apenas 16 de 896 especialistas por token isso cai como uma luva — uma distribuição tão esparsa tem uma cauda longa que contribui pouquíssimo para o tráfego real — e podar primeiro significa que o orçamento de bits restante é gasto com os especialistas que importam.

O nosso catálogo usa três sufixos como uma escada deliberada. O 3BIT-REAP vai nas maiores fundações, onde nada mais cabe. O W4A16-AUTOROUND-REAP são pesos de 4 bits com ativações de 16 bits quantizados com AutoRound — arredondamento aprendido que recupera precisão real em relação ao arredondamento ingênuo para o mais próximo — mais a mesma poda. O W8A16 é o nível de maior fidelidade, para fundações pequenas o bastante para não precisar de compressão agressiva. Em resumo: o sufixo diz quanto do original sobreviveu; o preço diz quanto custa rodar.

03Visão: o que a compreensão de imagens compra

O Kimi-K3 é um dos cinco modelos com visão do nosso catálogo de doze, e o mais capaz dos cinco. A maioria das APIs comerciais de visão roda um classificador sobre as imagens enviadas e recusa uma categoria ampla de entradas antes que o modelo sequer as veja — um padrão razoável para consumidores e um obstáculo sério para trabalho legítimo. Pesquisadores de segurança capturando a saída de um exploit, equipes de moderação construindo os próprios classificadores, trabalho forense e de auditoria de conjuntos de dados e avaliação de red team esbarram nessa parede o tempo todo. O Kimi-K3 não tem camada de recusa nem filtragem da saída.

Onde a visão do K3 justifica o preço frente a modelos de visão mais baratos

• Diagramas e esquemáticos densos — diagramas de arquitetura, topologias de rede, circuitos: qualquer coisa em que a resposta depende de seguir linhas e rótulos, e não de nomear objetos.
• Texto pequeno em capturas de tela — stack traces, saída de terminal, células de planilha. A distância entre os níveis de visão é maior justamente na legibilidade em escala pequena.
• Imagem dentro de texto longo — uma captura de tela jogada num contexto de 200K tokens, em que o modelo precisa relacionar o que vê com o que leu cinquenta mil tokens antes.
• Comparação de várias imagens — duas versões de uma interface, ou um gráfico contra a tabela que o gerou.

Onde ele não justifica o preço: legendagem, texto alternativo, OCR de documentos limpos e pipelines de marcação. Isso está resolvido a $0.50 por milhão de tokens de entrada — se a sua carga de imagens é de alto volume e cada item é individualmente simples, o Kimi-K2.6 ou o MiniMax-M3 produzem respostas que você não vai distinguir das do K3.

As imagens consomem tokens do mesmo orçamento de 262,144 tokens que o texto e são cobradas pela tarifa de entrada. Um punhado de capturas de tela em alta resolução não sai de graça.

04Trabalho agêntico de longo horizonte — é para isso que este nível existe

Se uma carga de trabalho justifica o nível de topo, é esta. Tarefas curtas falham de modo indulgente: o modelo erra, você percebe, você repete, e perdeu quatro segundos. Um agente de quarenta turnos que pega o ramo errado no turno seis passa os trinta e quatro turnos seguintes construindo elaboradamente sobre um erro, e você descobre no fim, tendo pago por cada token no caminho. Essa assimetria é a razão de o preço por token ser quase a métrica errada aqui. O que importa é o custo por conclusão bem-sucedida, dominado pela frequência com que uma execução acaba no lixo. Os números publicados pela Moonshot para a fundação K3 em benchmarks agênticos:

Todos os números são relatados pela Moonshot para a fundação Kimi K3 não quantizada, julho de 2026. Eles não são medições da nossa build 3BIT-REAP e não os apresentamos como tal.

O formato dos resultados combina com aquilo para que a arquitetura foi construída: BrowseComp e Terminal-Bench são benchmarks de laço de ferramentas — ciclos repetidos de agir, observar, revisar. O SWE Marathon em 42.0 é o contrapeso: a avaliação de programação de longo horizonte mais difícil do conjunto, em que mesmo um modelo de fronteira falha na maioria das tarefas. "Agêntico" não é uma categoria resolvida; projete para a falha, seja qual for o modelo escolhido.

Configurações práticas para execuções longas

O K3 expõe o reasoning_effort, e aqui ele é uma alavanca real de custo: tokens de raciocínio são cobrados como tokens de saída, a $19.12 por milhão.

• Low — roteamento de chamadas de ferramenta e extração estruturada, em que o modelo escolhe entre um punhado de opções conhecidas.
• High — o padrão para trabalho agêntico de verdade: planejar uma mudança em várias etapas, depurar a partir de um stack trace, conciliar fontes contraditórias.
• Max — reserve para a chamada mais difícil de um pipeline: o plano no topo de uma execução, ou a revisão final. Uma execução que gasta 30K tokens de raciocínio em high e 90K em max paga $1.15 a mais só por essa opção.

Faça também um orçamento deliberado de contexto: a nossa janela é de 262,144 tokens com saída máxima de 16,384 tokens, e a $3.83 por milhão de entrada um histórico não podado se acumula — cada turno recobra o prefixo inteiro.

05O que "sem censura" significa neste endpoint

Todo modelo do Gateway da Shannon AI é servido sem camada de recusa e sem filtragem de conteúdo na saída. Isso importa mais no nível de topo, porque as tarefas que as pessoas levam a um modelo de topo são as mais propensas a acionar um filtro: pesquisa adversarial de segurança, análise de ferramentas ofensivas, desenvolvimento de classificadores de moderação, inteligência de ameaças, ficção difícil e qualquer avaliação que exija que o modelo produza justamente aquilo que você está tentando detectar.

• Nenhum classificador de saída. As respostas não são varridas e reescritas ou bloqueadas depois da geração.
• Nenhum portão de entrada. Prompts e imagens não são triados antes de chegarem ao modelo.
• Não é outro modelo. Esta é a fundação Kimi K3 servida sem a camada que normalmente fica na frente dela.
• Não é transferência de responsabilidade. Remover uma camada de recusa passa o julgamento para você — veja a nossa política de uso responsável.

Há um benefício mais silencioso para quem constrói sistemas de avaliação: um modelo sem filtro é uma linha de base estável. Um modelo que recusa de forma imprevisível deixa as medições ruidosas, porque você não consegue separar um limite de capacidade de um limite de política. Aqui uma falha é uma falha de capacidade — o único tipo que dá para depurar.

06O preço: $3.83 de entrada, $19.12 de saída — e quando ele se paga

Este é o modelo mais caro da nossa lista por uma margem larga: a saída custa 9.6x o nosso piso de $2.00 e 5.2x o que custa o Kimi-K2.6. Aqui está a aritmética a céu aberto.

Modelo	Entrada / 1M	Saída / 1M	Visão	JSON schema
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Sim	Sim
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	Não	Sim
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	Sim	Não
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	Sim	Sim
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Não	Sim
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Sim	Sim
MiMo-V2.5 · W8A16	$0.50	$2.00	Sim	Sim

Linhas selecionadas, ordenadas pelo preço de entrada. Os doze modelos compartilham o mesmo contexto de 262,144 tokens, a mesma saída máxima de 16,384 tokens, streaming, chamada de ferramentas e reasoning_effort. As flags de capacidade ao vivo estão na página de documentação da API.

Dois exemplos trabalhados

Primeiro, uma entrada de 120,000 tokens — um despejo de base de código, um documento regulatório — produzindo uma análise de 3,000 tokens. Segundo, uma execução de agente de quarenta turnos: cerca de 1.2M de tokens de entrada acumulados conforme o contexto cresce, 90,000 tokens de saída incluindo raciocínio.

Cenário	Kimi-K3	Kimi-K2.6	MiniMax-M3
120K entrada / 3K saída	$0.517	$0.105	$0.066
Execução de agente de 40 turnos	$6.32	$1.27	$0.78

O K3 custa cerca de 4.9x o Kimi-K2.6 na chamada do documento. Cinquenta centavos não é nada uma vez; são $517 por dia a mil chamadas, contra $105. Na execução do agente a diferença é de cerca de $5. Agora aplique o único teste que importa: se a tarefa vale uma hora do tempo de um engenheiro a $100, o K3 se paga no momento em que aumenta o acerto de primeira em cinco pontos percentuais — e em trabalho de longo horizonte genuinamente difícil a distância entre níveis costuma ser maior. Se a tarefa vale trinta segundos do tempo de alguém, os mesmos $5 são indefensáveis.

07Kimi-K3 ou um irmão mais barato?

Os dois modelos Kimi do nosso catálogo são dois degraus de uma mesma escada, e não concorrentes. O Kimi-K2.6 é quantizado de forma menos agressiva — W4A16-AUTOROUND-REAP, pesos de 4 bits com arredondamento aprendido, contra os 3 bits do K3 — sobre uma fundação menor. Ele tem visão, saída em JSON schema, a mesma janela de contexto, e custa cerca de um quinto.

Tarefa	Use	Por quê
Agente autônomo de quarenta turnos	Kimi-K3	A falha se acumula; a qualidade do plano no turno um decide a execução
Refatoração em escala de repositório	Kimi-K3	Precisa segurar o contexto inteiro com coerência, não apenas recuperar dele
Diagramas densos, texto pequeno em capturas	Kimi-K3	A maior distância de visão entre níveis está na legibilidade e no raciocínio espacial
Edições de um único arquivo, bem especificadas	Kimi-K2.6	Tarefa delimitada, repetição barata, nenhuma diferença de teto mensurável
Legendagem de imagens em volume	MiniMax-M3 / MiMo-V2.5	Resolvido a $0.50 de entrada; a saída do K3 custa 9.6x pela mesma legenda
Pesado em raciocínio, mas só texto	DeepSeek-V4-Pro	$3.90 de saída contra $19.12 — largue o K3 se você não precisa de imagens

Essa última linha é a economia mais frequentemente esquecida. Se a sua tarefa não envolve imagens, verifique primeiro o DeepSeek-V4-Pro. Ele também é uma build 3BIT-REAP sobre uma fundação grande, forte em raciocínio difícil, e a saída dele custa $3.90 contra os $19.12 do K3. Boa parte do tráfego que corre para o nível de topo é raciocínio só de texto, atendido igualmente bem uma linha abaixo.

08Chamando a API Kimi K3 sem censura

O modelo é exposto como Kimi-K3-3BIT-REAP nos três dialetos, com streaming em cada um e sem diferença de capacidade entre eles — apenas o formato de fio: /v1/chat/completions (compatível com OpenAI), /v1/messages (compatível com Anthropic) e /v1/responses. Uma requisição com visão e esforço de raciocínio elevado para uma tarefa visual difícil:

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,..." } }
      ]
    }]
  }'

O K3 suporta tanto response_format quanto json_schema completo, então você pode restringir os argumentos de ferramenta de um agente ou forçar um relatório a um formato fixo sem análise posterior. A chamada de ferramentas é nativa e é a forma pretendida de conduzir execuções longas. Parâmetros, autenticação, limites de taxa e um playground ao vivo estão na página de documentação da API.

Três coisas que economizam dinheiro no primeiro dia

• Pode o prefixo. Cada turno recobra a conversa inteira a $3.83 por milhão; resumir um histórico de 40 turnos em um objeto de estado de 4K tokens, uma vez, economiza mais do que a maioria das trocas de modelo.
• Reduza as imagens. Tokens de imagem são tokens de entrada; uma captura em 4K redimensionada para algo ainda legível dá a mesma resposta por menos.
• Roteie por dificuldade. Um modelo barato nos turnos de rotina, com o K3 no plano, no ramo difícil e na revisão final, costuma dar 80% da capacidade por 25% da conta.

09Perguntas frequentes

---

Os fatos e benchmarks da fundação são os números publicados pela Moonshot AI para o Kimi K3 e o Kimi K2 e descrevem os modelos originais não quantizados; a nossa build é uma quantização REAP de 3 bits e vai diferir. Preços, contexto e flags de capacidade são da própria Shannon AI, atuais em 5 de setembro de 2026 — os valores ao vivo são sempre os retornados por /v1/models. Fontes: cartão de modelo do Kimi K3 · repositório do Kimi K3 · Kimi K2 Thinking.