API-ul Kimi K3 fără cenzură

Majoritatea ghidurilor de alegere a modelului sunt scrise ca și cum capabilitatea ar fi gratuită. Nu este. Întrebarea interesantă despre un model de vârf nu este niciodată „este mai bun” — de obicei este — ci „este suficient de mult mai bun, pe sarcina asta, ca să justifice o factură de cinci ori mai mare decât modelul de o treaptă mai jos”. Ghidul acesta răspunde cu aritmetică reală și spune pe șleau unde câștigă opțiunile mai ieftine.

01Ce este de fapt Kimi K3

Kimi K3 este modelul de vârf cu greutăți deschise al Moonshot AI, lansat în iulie 2026 sub licența Kimi K3 — a treia generație a unei descendențe începute cu Kimi K2 și o arhitectură cu adevărat nouă, nu un fine-tune.

Aranjamentul publicat are 93 de straturi — 69 folosind Kimi Delta Attention, 24 folosind atenție latentă multi-head cu porți, unul dens — cu un router Stable LatentMoE care selectează 16 din 896 de experți per token, plus 2 partajați. Moonshot raportează, din această combinație, o îmbunătățire de aproximativ 2,5× a eficienței de scalare față de Kimi K2. Viziunea este nativă, nu lipită deasupra: un encoder MoonViT-V2 de 401 M de parametri alimentează același trunchi care se ocupă de text.

Cifra de sparsitate merită interiorizată: K3 activează 104 miliarde de parametri per token, față de intervalul de 30–40 de miliarde al majorității catalogului nostru. Asta înseamnă cam de trei ori mai multă aritmetică per token generat și este întregul motiv pentru care acest model conduce lista de prețuri. Nu plătești pentru o treaptă de brand — plătești pentru secunde-GPU.

Descendența, pe scurt

• Kimi K2 — un trilion de parametri, 32 de miliarde activi, 384 de experți cu 8 rutați per token, preantrenat pe 15,5 trilioane de tokenuri cu optimizatorul MuonClip, construit ca să oprească exploziile de atenție care distrug antrenarea MoE la acea scară.
• Kimi K2 Thinking — aceeași fundație, învățată să intercaleze raționamentul cu uzul de unelte, raportată ca susținând 200 până la 300 de apeluri secvențiale de unelte într-o singură rulare, cu 44,9% la Humanity's Last Exam cu unelte și 60,2% la BrowseComp.
• Kimi K3 — reconstruit cu multimodalitate nativă și o fereastră de 1M de tokenuri în amonte, cu antrenare conștientă de cuantizare începând din etapa de fine-tuning supervizat (greutăți MXFP4, activări MXFP8). De aceea K3 tolerează compresia agresivă mai bine decât modelele care nu au fost niciodată antrenate cu ea în minte.

Firul roșu este agentivitatea pe orizont lung: fiecare generație a fost optimizată ca să rămână coerentă pe sute de pași, nu ca să câștige benchmarkuri cu răspunsuri scurte. Aceea este capabilitatea pe care o cumperi.

02Ce înseamnă „3BIT-REAP” și de ce are nevoie de el un model de 2,8 T

Sufixul din identificatorul modelului nu este decorativ — spune ce s-a făcut cu greutățile înainte să fie încărcate pe propriul nostru cluster GPU și este avertismentul onest atașat fiecărei afirmații de aici. Începe cu aritmetica. Un model de 2,8 trilioane de parametri la precizie de 16 biți înseamnă circa 5,6 terabytes de greutăți. La 3 biți per greutate ajunge mai aproape de 1,05 terabytes — tot mult, dar o instalare fezabilă, cu loc rămas pentru un cache KV de 262K de tokenuri. REAP este a doua jumătate: o metodă de tăiere a experților care profilează la ce experți ajunge de fapt routerul și îi elimină pe cei rar selectați înainte de cuantizare, nu după. Pe un model care rutează doar 16 din 896 de experți per token, asta se potrivește natural — o distribuție atât de rară are o coadă lungă care contribuie foarte puțin la traficul real — iar tăierea în prealabil înseamnă că bugetul de biți rămas se cheltuiește pe experții care contează.

Catalogul nostru folosește trei sufixe ca pe o scară deliberată. 3BIT-REAP merge pe cele mai mari fundații, unde nimic altceva nu încape. W4A16-AUTOROUND-REAP înseamnă greutăți pe 4 biți cu activări pe 16 biți, cuantizate cu AutoRound — rotunjire învățată, care recuperează acuratețe reală față de rotunjirea naivă la cel mai apropiat — plus aceeași tăiere. W8A16 este treapta cu cea mai mare fidelitate, pentru fundații destul de mici încât să nu aibă nevoie de compresie agresivă. Pe scurt: sufixul îți spune cât din original a supraviețuit; prețul îți spune cât costă să îl rulezi.

03Viziunea: ce îți cumpără înțelegerea imaginilor

Kimi-K3 este unul dintre cele cinci modele cu viziune din catalogul nostru de douăsprezece și cel mai capabil dintre ele. Majoritatea API-urilor comerciale de viziune rulează un clasificator peste imaginile încărcate și refuză o categorie largă de intrări înainte ca modelul să le vadă vreodată — un implicit rezonabil pentru consumatori și un obstacol serios pentru munca legitimă. Cercetătorii de securitate care fac capturi de ecran cu ieșirea unui exploit, echipele de moderare care își construiesc propriile clasificatoare, munca de criminalistică și de audit al seturilor de date și evaluarea de tip red-team lovesc toate în acel zid. Kimi-K3 nu are niciun strat de refuz și nicio filtrare la ieșire.

Unde își merită prețul viziunea lui K3 față de modele de viziune mai ieftine

• Diagrame și scheme dense — diagrame de arhitectură, topologii de rețea, circuite: orice unde răspunsul depinde de urmărirea liniilor și a etichetelor, nu de numirea obiectelor.
• Text mic în capturi de ecran — stack traces, ieșire de terminal, celule de foaie de calcul. Diferența dintre treptele de viziune este cea mai mare la lizibilitatea la scară mică.
• Imagine în interiorul unui text lung — o captură de ecran pusă într-un context de 200K de tokenuri, unde modelul trebuie să lege ce vede de ce a citit cu cincizeci de mii de tokenuri mai devreme.
• Comparație între mai multe imagini — două versiuni ale unei interfețe sau un grafic pus față în față cu tabelul care l-a generat.

Unde nu își merită prețul: legende de imagine, text alternativ, OCR pe documente curate și fluxuri de etichetare. Acelea sunt rezolvate la 0,50 $ per milion de tokenuri de intrare — dacă sarcina ta pe imagini are volum mare și fiecare element e simplu în sine, Kimi-K2.6 sau MiniMax-M3 produc răspunsuri pe care nu le vei deosebi de ale lui K3.

Imaginile consumă tokenuri din același buget de 262.144 de tokenuri ca textul și se facturează la tariful de intrare. Câteva capturi de ecran la rezoluție mare nu sunt gratuite.

04Munca agentică pe orizont lung — pentru asta există această treaptă

Dacă o singură sarcină justifică treapta de vârf, aceasta este. Sarcinile scurte eșuează iertător: modelul greșește, observi, reîncerci, ai pierdut patru secunde. Un agent de patruzeci de ture care o ia pe o ramură greșită la tura șase petrece următoarele treizeci și patru de ture construind elaborat pe o greșeală, iar tu afli la final, după ce ai plătit fiecare token dintre timp. Această asimetrie e motivul pentru care prețul per token e aproape metrica greșită aici. Ce contează este costul per finalizare reușită, dominat de cât de des o rulare e aruncată la gunoi. Cifrele publicate de Moonshot pentru fundația K3 pe benchmarkuri agentice:

Toate cifrele sunt raportate de Moonshot pentru fundația Kimi K3 necuantizată, iulie 2026. Nu sunt măsurători ale build-ului nostru 3BIT-REAP și nu le prezentăm ca atare.

Forma se potrivește cu ce a fost construită arhitectura: BrowseComp și Terminal-Bench sunt benchmarkuri de buclă cu unelte — cicluri repetate de acțiune, observație, revizuire. SWE Marathon la 42,0 este contragreutatea: cea mai grea evaluare de programare pe orizont lung din set, unde chiar și un model de frontieră ratează majoritatea sarcinilor. „Agentic” nu este o categorie rezolvată; proiectează pentru eșec, indiferent ce model alegi.

Setări practice pentru rulări lungi

K3 expune reasoning_effort, iar aici este o pârghie reală de cost: tokenurile de raționament se facturează ca tokenuri de ieșire, la 19,12 $ per milion.

• Low — rutarea apelurilor de unelte și extragerea structurată, unde modelul alege între câteva opțiuni cunoscute.
• High — implicitul pentru muncă agentică reală: planificarea unei modificări în mai mulți pași, depanarea pornind de la un stack trace, împăcarea unor surse contradictorii.
• Max — rezervă-l pentru cel mai greu apel dintr-un flux: planul de la începutul unei rulări sau revizuirea finală. O rulare care cheltuie 30K de tokenuri de raționament la high și 90K la max plătește 1,15 $ în plus doar pentru acel comutator.

Bugetează și contextul deliberat: fereastra noastră are 262.144 de tokenuri, cu o ieșire maximă de 16.384 de tokenuri, iar la 3,83 $ per milion la intrare un istoric netăiat se cumulează — fiecare tură refacturează întregul prefix.

05Ce înseamnă „fără cenzură” pe acest endpoint

Fiecare model de pe Shannon AI Gateway este servit fără strat de refuz și fără filtrare de conținut la ieșire. Contează mai mult pe treapta de vârf, pentru că sarcinile pe care oamenii le aduc unui model de vârf sunt cele mai predispuse să declanșeze un filtru: cercetare de securitate adversarială, analiză de unelte ofensive, dezvoltarea de clasificatoare de moderare, informații despre amenințări, ficțiune dificilă și orice evaluare care cere modelului să producă exact lucrul pe care încerci să îl detectezi.

• Niciun clasificator la ieșire. Răspunsurile nu sunt scanate și nici rescrise sau blocate după generare.
• Nicio poartă la intrare. Prompturile și imaginile nu sunt filtrate înainte să ajungă la model.
• Nu este un alt model. Aceasta este fundația Kimi K3, servită fără stratul care stă de obicei în fața ei.
• Nu este un transfer de răspundere. Eliminarea unui strat de refuz mută decizia de judecată la tine — vezi politica noastră de utilizare responsabilă.

Există un beneficiu mai discret pentru oricine construiește sisteme de evaluare: un model nefiltrat este o linie de bază stabilă. Un model care refuză imprevizibil face măsurătorile zgomotoase, pentru că nu poți separa o limită de capabilitate de o limită de politici. Aici, un eșec este un eșec de capabilitate — singurul fel pe care îl poți depana.

06Prețul: 3,83 $ intrare, 19,12 $ ieșire — și când îl merită

Acesta este de departe cel mai scump model din lista noastră: ieșirea costă de 9,6× podeaua noastră de 2,00 $ și de 5,2× cât costă Kimi-K2.6. Iată aritmetica pe față.

Model	Intrare / 1M	Ieșire / 1M	Viziune	Schemă JSON
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Da	Da
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	Nu	Da
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	Da	Nu
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	Da	Da
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Nu	Da
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Da	Da
MiMo-V2.5 · W8A16	$0.50	$2.00	Da	Da

Rânduri selectate, ordonate după prețul de intrare. Toate cele douăsprezece modele împart același context de 262.144 de tokenuri, aceeași ieșire maximă de 16.384 de tokenuri, streaming, apeluri de unelte și reasoning_effort. Indicatorii live de capabilități sunt pe pagina de documentație API.

Două exemple lucrate

Întâi, o intrare de 120.000 de tokenuri — o descărcare de bază de cod, un document de reglementare — care produce o analiză de 3.000 de tokenuri. Apoi, o rulare de agent pe patruzeci de ture: circa 1,2 M de tokenuri de intrare cumulate, pe măsură ce contextul se acumulează, și 90.000 de tokenuri de ieșire, inclusiv raționamentul.

Scenariu	Kimi-K3	Kimi-K2.6	MiniMax-M3
120K intrare / 3K ieșire	$0.517	$0.105	$0.066
Rulare de agent pe 40 de ture	$6.32	$1.27	$0.78

K3 costă cam de 4,9× cât Kimi-K2.6 pe apelul cu documentul. Cincizeci de cenți nu înseamnă nimic o dată; înseamnă 517 $ pe zi la o mie de apeluri, față de 105 $. Pe rularea de agent, diferența este de circa 5 $. Acum aplică singurul test care contează: dacă sarcina valorează o oră din timpul unui inginer la 100 $, K3 se plătește singur în clipa în care ridică rata de reușită din prima încercare cu cinci puncte procentuale — iar pe muncă cu adevărat grea, pe orizont lung, diferența dintre trepte e de obicei mai mare. Dacă sarcina valorează treizeci de secunde din timpul oricui, aceiași 5 $ sunt de neapărat.

07Kimi-K3 sau un frate mai ieftin?

Cele două modele Kimi din catalogul nostru sunt două trepte ale aceleiași scări, nu concurenți. Kimi-K2.6 este cuantizat mai puțin agresiv — W4A16-AUTOROUND-REAP, greutăți pe 4 biți cu rotunjire învățată, față de cei 3 biți ai lui K3 — pe o fundație mai mică. Are viziune, ieșire cu schemă JSON, aceeași fereastră de context și costă cam o cincime.

Sarcină	Folosește	De ce
Agent autonom pe patruzeci de ture	Kimi-K3	Eșecul se cumulează; calitatea planului la tura unu decide rularea
Refactorizare la scară de repozitoriu	Kimi-K3	Are nevoie ca tot contextul să fie ținut coerent, nu doar consultat
Diagrame dense, text mic în capturi de ecran	Kimi-K3	Cea mai mare diferență de viziune între trepte este lizibilitatea și raționamentul spațial
Editări într-un singur fișier, bine specificate	Kimi-K2.6	Sarcină delimitată, reîncercare ieftină, nicio diferență măsurabilă de plafon
Legende de imagine la volum	MiniMax-M3 / MiMo-V2.5	Rezolvat la 0,50 $ la intrare; ieșirea lui K3 costă de 9,6× pentru aceeași legendă
Greu pe raționament, dar doar text	DeepSeek-V4-Pro	3,90 $ la ieșire față de 19,12 $ — renunță la K3 dacă nu ai nevoie de imagini

Ultimul rând este economia cel mai des ratată. Dacă sarcina ta nu implică imagini, verifică întâi DeepSeek-V4-Pro. Este tot un build 3BIT-REAP pe o fundație mare, puternic la raționament greu, iar ieșirea lui costă 3,90 $ față de cei 19,12 $ ai lui K3. Mult din traficul care apelează la treapta de vârf este raționament pe text, servit la fel de bine cu un rând mai jos.

08Cum apelezi API-ul Kimi K3 fără cenzură

Modelul este expus ca Kimi-K3-3BIT-REAP pe toate cele trei dialecte, cu streaming pe fiecare și fără nicio diferență de capabilitate între ele — doar de format pe fir: /v1/chat/completions (compatibil OpenAI), /v1/messages (compatibil Anthropic) și /v1/responses. O cerere cu viziune, cu efortul de raționament ridicat pentru o sarcină vizuală grea:

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 suportă atât response_format, cât și json_schema complet, așa că poți constrânge argumentele de unelte ale unui agent sau poți forța un raport într-o formă fixă, fără parsare ulterioară. Apelurile de unelte sunt native și sunt modul prevăzut de a conduce rulări lungi. Parametrii, autentificarea, limitele de rată și un playground live sunt pe pagina de documentație API.

Trei lucruri care economisesc bani din prima zi

• Taie prefixul. Fiecare tură refacturează întreaga conversație la 3,83 $ per milion; rezumarea unui istoric de 40 de ture într-un obiect de stare de 4K de tokenuri, o singură dată, economisește mai mult decât majoritatea schimbărilor de model.
• Micșorează imaginile. Tokenurile de imagine sunt tokenuri de intrare; o captură de ecran 4K redimensionată la ceva încă lizibil dă același răspuns pentru mai puțin.
• Rutează după dificultate. Un model ieftin pe turele de rutină, cu K3 pe plan, pe ramura grea și pe revizuirea finală, înseamnă adesea 80% din capabilitate la 25% din factură.

09Întrebări frecvente

---

Datele despre fundație și benchmarkurile sunt cifrele publicate de Moonshot AI pentru Kimi K3 și Kimi K2 și descriu modelele necuantizate din amonte; build-ul nostru este o cuantizare REAP pe 3 biți și va diferi. Prețurile, contextul și indicatorii de capabilități sunt ai Shannon AI, valabili la 5 septembrie 2026 — valorile live sunt întotdeauna cele returnate de /v1/models. Surse: fișa de model Kimi K3 · repozitoriul Kimi K3 · Kimi K2 Thinking.