Ocensurerat Kimi K3-API

De flesta guider för modellval är skrivna som om kapacitet vore gratis. Det är den inte. Den intressanta frågan om en toppmodell är aldrig ”är den bättre” — det är den oftast — utan ”är den tillräckligt mycket bättre, på just den här uppgiften, för att motivera en räkning fem gånger större än modellen ett snäpp ned”. Den här guiden svarar på det med verklig aritmetik, och säger rakt ut var de billigare alternativen vinner.

01Vad Kimi K3 faktiskt är

Kimi K3 är Moonshot AI:s öppenviktsflaggskepp, släppt i juli 2026 under Kimi K3-licensen — tredje generationen i en härstamning som började med Kimi K2, och en genuint ny arkitektur snarare än en finjustering.

Det publicerade upplägget är 93 lager — 69 med Kimi Delta Attention, 24 med grindad multi-head latent attention, ett tätt — med en Stable LatentMoE-router som väljer 16 av 896 experter per token plus 2 delade. Moonshot rapporterar ungefär en 2,5× förbättrad skalningseffektivitet jämfört med Kimi K2 från den kombinationen. Vision är inbyggd snarare än påklistrad: en MoonViT-V2-kodare med 401 miljoner parametrar matar samma stam som hanterar text.

Gleshetssiffran är värd att ta till sig: K3 aktiverar 104 miljarder parametrar per token, mot 30 till 40 miljarder för det mesta i vår katalog. Det är ungefär tre gånger så mycket aritmetik per genererad token, och det är hela skälet till att den här modellen toppar prislistan. Du betalar inte för en varumärkesnivå — du betalar för GPU-sekunder.

Härstamningen, kort

• Kimi K2 — 1 biljon parametrar, 32 miljarder aktiva, 384 experter med 8 dirigerade per token, förtränad på 15,5 biljoner tokens med MuonClip-optimeraren, byggd för att stoppa de uppmärksamhetsexplosioner som förstör MoE-träning i den skalan.
• Kimi K2 Thinking — samma grundmodell lärd att fläta samman resonemang med verktygsanvändning, rapporterad klara 200 till 300 sekventiella verktygsanrop i en körning, med 44,9 % på Humanity's Last Exam med verktyg och 60,2 % på BrowseComp.
• Kimi K3 — ombyggd med inbyggd multimodalitet och ett fönster på 1M tokens uppströms, med kvantiseringsmedveten träning från och med den övervakade finjusteringen (MXFP4-vikter, MXFP8-aktiveringar). Det är därför K3 tål aggressiv komprimering bättre än modeller som aldrig tränats med det i åtanke.

Den röda tråden är agentskap över lång horisont: varje generation har optimerats för att förbli sammanhängande genom hundratals steg snarare än för att vinna kortsvarsbenchmarks. Det är den förmågan du köper.

02Vad ”3BIT-REAP” betyder, och varför en modell på 2,8 biljoner behöver det

Suffixet på modell-id:t är ingen dekoration — det säger vad som gjordes med vikterna innan de laddades in på vårt eget GPU-kluster, och det är den ärliga brasklappen till varje påstående här. Börja med aritmetiken. En modell med 2,8 biljoner parametrar i 16-bitars precision är omkring 5,6 terabyte vikter. Vid 3 bitar per vikt är det närmare 1,05 terabyte — fortfarande stort, men en hanterbar driftsättning med utrymme kvar för en KV-cache på 262K tokens. REAP är den andra halvan: en expertbeskärningsmetod som profilerar vilka experter routern faktiskt når efter och tar bort de sällan valda före kvantiseringen i stället för efter. På en modell som bara dirigerar 16 av 896 experter per token passar det naturligt — en så gles fördelning har en lång svans som bidrar mycket lite till verklig trafik — och att beskära först betyder att den återstående bitbudgeten läggs på de experter som spelar roll.

Vår katalog använder tre suffix som en medveten stege. 3BIT-REAP läggs på de största grundmodellerna, där inget annat får plats. W4A16-AUTOROUND-REAP är 4-bitars vikter med 16-bitars aktiveringar kvantiserade med AutoRound — inlärd avrundning som återvinner verklig träffsäkerhet jämfört med naiv avrundning till närmaste — plus samma beskärning. W8A16 är nivån med högst trohet, för grundmodeller små nog att inte behöva aggressiv komprimering. Kort sagt: suffixet talar om hur mycket av originalet som överlevde; priset talar om vad det kostar att köra.

03Vision: vad bildförståelse ger dig

Kimi-K3 är en av fem modeller i vår katalog med tolv modeller som har vision, och den mest kapabla av de fem. De flesta kommersiella vision-API:er kör en klassificerare över uppladdade bilder och avvisar en bred kategori av indata innan modellen ens ser dem — ett rimligt konsumentstandardval och ett allvarligt hinder för legitimt arbete. Säkerhetsforskare som skärmdumpar utdata från en exploit, modereringsteam som bygger egna klassificerare, rättsmedicinskt arbete och datamängdsgranskning samt red team-utvärdering slår alla i den väggen. Kimi-K3 har inget vägranslager och ingen filtrering av utdata.

Där K3:s vision är värd sitt pris jämfört med billigare visionmodeller

• Täta diagram och scheman — arkitekturdiagram, nätverkstopologier, kretsscheman: allt där svaret beror på att följa linjer och etiketter snarare än att namnge objekt.
• Liten text i skärmbilder — stackspår, terminalutdata, kalkylbladsceller. Skillnaden mellan visionnivåerna är störst när det gäller läsbarhet i liten skala.
• Bild inuti lång text — en skärmbild insläppt i en kontext på 200K tokens, där modellen måste relatera det den ser till det den läste femtiotusen tokens tidigare.
• Jämförelse av flera bilder — två versioner av ett gränssnitt, eller ett diagram mot tabellen som genererade det.

Där den inte är värd sitt pris: bildtexter, alt-text, OCR av rena dokument och taggningspipelines. Det är löst för $0.50 per miljon indatatokens — om din bildbelastning är storskalig och varje objekt enkelt för sig, ger Kimi-K2.6 eller MiniMax-M3 svar du inte kommer att kunna skilja från K3:s.

Bilder förbrukar tokens ur samma budget på 262 144 tokens som text och debiteras till indatapriset. En handfull högupplösta skärmbilder är inte gratis.

04Agentarbete över lång horisont — det här är vad nivån finns för

Om en arbetsbelastning motiverar toppnivån är det den här. Korta uppgifter misslyckas förlåtande: modellen gör fel, du märker det, du försöker igen, du har förlorat fyra sekunder. En agent på fyrtio turer som tar fel gren i tur sex ägnar de följande trettiofyra turerna åt att bygga vidare i detalj på ett misstag, och du får veta det i slutet efter att ha betalat för varenda token däremellan. Den asymmetrin är varför pris per token nästan är fel mått här. Det som betyder något är kostnad per lyckad slutförd körning, som domineras av hur ofta en körning slängs bort. Moonshots publicerade siffror för K3-grundmodellen på agentiska benchmarks:

Alla siffror är rapporterade av Moonshot för den okvantiserade Kimi K3-grundmodellen, juli 2026. De är inte mätningar av vår 3BIT-REAP-build och vi presenterar dem inte som sådana.

Mönstret stämmer med vad arkitekturen byggdes för: BrowseComp och Terminal-Bench är benchmarks för verktygsslingor — upprepade cykler av att agera, observera och revidera. SWE Marathon på 42,0 är motvikten: den svåraste utvärderingen över lång horisont i uppsättningen, där även en frontlinjemodell misslyckas med de flesta uppgifter. ”Agentisk” är ingen löst kategori; designa för misslyckande vilken modell du än väljer.

Praktiska inställningar för långa körningar

K3 exponerar reasoning_effort, och här är det en verklig kostnadsspak: resonemangstokens debiteras som utdatatokens, till $19.12 per miljon.

• Low — dirigering av verktygsanrop och strukturerad extraktion, där modellen väljer mellan en handfull kända alternativ.
• High — standardvalet för verkligt agentarbete: att planera en ändring i flera steg, felsöka utifrån ett stackspår, jämka samman motstridiga källor.
• Max — spara det till det svåraste enskilda anropet i en pipeline: planen i början av en körning, eller den slutliga granskningen. En körning som förbrukar 30K resonemangstokens på high och 90K på max betalar $1.15 extra för just den flaggan.

Budgetera kontexten medvetet också: vårt fönster är 262 144 tokens med 16 384 tokens maximal utdata, och vid $3.83 per miljon indatatokens ackumuleras en obeskuren historik — varje tur debiterar om hela prefixet.

05Vad ”ocensurerad” betyder på den här slutpunkten

Varje modell på Shannon AI Gateway serveras utan vägranslager och utan innehållsfiltrering av utdata. Det betyder mer på toppnivån, eftersom de uppgifter folk tar till en toppmodell är de mest sannolika att utlösa ett filter: adversariell säkerhetsforskning, analys av offensiva verktyg, utveckling av modereringsklassificerare, hotunderrättelser, svår fiktion och varje utvärdering som kräver att modellen producerar just det du försöker upptäcka.

• Ingen utdataklassificerare. Svar skannas inte och skrivs varken om eller blockeras efter genereringen.
• Ingen indatagrind. Prompter och bilder granskas inte innan de når modellen.
• Inte en annan modell. Det här är Kimi K3-grundmodellen serverad utan lagret som brukar sitta framför den.
• Ingen ansvarsöverföring. Att ta bort ett vägranslager flyttar bedömningen till dig — se vår policy för ansvarsfull användning.

Det finns en tystare fördel för den som bygger utvärderingssystem: en ofiltrerad modell är en stabil baslinje. En modell som vägrar oförutsägbart gör mätningarna brusiga, eftersom du inte kan skilja en kapacitetsgräns från en policygräns. Här är ett misslyckande ett kapacitetsmisslyckande — den enda sort du kan felsöka.

06Priset: $3.83 in, $19.12 ut — och när det förtjänas

Det här är den dyraste modellen på vår lista med bred marginal: utdata kostar 9,6× vårt golv på $2.00 och 5,2× vad Kimi-K2.6 kostar. Här är aritmetiken öppet redovisad.

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

Utvalda rader, ordnade efter indatapris. Alla tolv modeller delar samma kontext på 262 144 tokens, samma maximala utdata på 16 384 tokens, strömning, verktygsanrop och reasoning_effort. Aktuella förmågeflaggor finns på API-dokumentationssidan.

Två genomräknade exempel

Först en indata på 120 000 tokens — en kodbasdump, en tillsynsanmälan — som producerar en analys på 3 000 tokens. Sedan en agentkörning på fyrtio turer: ungefär 1,2M ackumulerade indatatokens allteftersom kontexten växer, 90 000 utdatatokens inklusive resonemang.

Scenario	Kimi-K3	Kimi-K2.6	MiniMax-M3
120K in / 3K ut	$0.517	$0.105	$0.066
Agentkörning på 40 turer	$6.32	$1.27	$0.78

K3 kostar ungefär 4,9× Kimi-K2.6 på dokumentanropet. Femtio cent är ingenting en gång; det är $517 om dagen vid tusen anrop, mot $105. På agentkörningen är skillnaden omkring $5. Tillämpa nu det enda test som betyder något: om uppgiften är värd en ingenjörstimme till $100 betalar K3 för sig själv i samma stund den höjer andelen lyckade första försök med fem procentenheter — och på genuint svårt arbete över lång horisont är gapet mellan nivåerna oftast större. Om uppgiften är värd trettio sekunder av någons tid är samma $5 oförsvarbart.

07Kimi-K3 eller ett billigare syskon?

De två Kimi-modellerna i vår katalog är två steg på samma stege snarare än konkurrenter. Kimi-K2.6 är mindre aggressivt kvantiserad — W4A16-AUTOROUND-REAP, 4-bitars vikter med inlärd avrundning, mot K3:s 3 bitar — på en mindre grundmodell. Den har vision, JSON-schema som utdata, samma kontextfönster och kostar ungefär en femtedel så mycket.

Uppgift	Använd	Varför
Autonom agent över fyrtio turer	Kimi-K3	Fel ackumuleras; plankvaliteten i tur ett avgör körningen
Refaktorering i repositorieskala	Kimi-K3	Kräver att hela kontexten hålls sammanhängande, inte bara söks i
Täta diagram, liten text i skärmbilder	Kimi-K3	Största visionskillnaden mellan nivåerna är läsbarhet och rumsligt resonemang
Ändringar i en enda fil, väl specificerade	Kimi-K2.6	Avgränsad uppgift, billigt omförsök, ingen mätbar takskillnad
Bildtexter i stor volym	MiniMax-M3 / MiMo-V2.5	Löst för $0.50 in; K3:s utdata kostar 9,6× för samma bildtext
Resonemangstungt men endast text	DeepSeek-V4-Pro	$3.90 i utdata mot $19.12 — hoppa över K3 om du inte behöver bilder

Den sista raden är den oftast missade besparingen. Om din uppgift inte involverar bilder, kolla DeepSeek-V4-Pro först. Den är också en 3BIT-REAP-build på en stor grundmodell, stark på svåra resonemang, och dess utdata kostar $3.90 mot K3:s $19.12. Mycket av trafiken som söker sig till toppnivån är resonemang med enbart text som betjänas lika väl en rad ned.

08Att anropa det ocensurerade Kimi K3-API:et

Modellen exponeras som Kimi-K3-3BIT-REAP på alla tre dialekterna, med strömning på var och en och utan någon skillnad i förmåga mellan dem — bara i trådformat: /v1/chat/completions (OpenAI-kompatibel), /v1/messages (Anthropic-kompatibel) och /v1/responses. En visionförfrågan med höjd reasoning effort för en svår visuell uppgift:

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 stöder både response_format och fullständigt json_schema, så du kan begränsa en agents verktygsargument eller tvinga in en rapport i en fast form utan efterhandsparsning. Verktygsanrop är inbyggda och är det avsedda sättet att driva långa körningar. Parametrar, autentisering, hastighetsgränser och en live-lekplats finns på API-dokumentationssidan.

Tre saker som sparar pengar från dag ett

• Beskär prefixet. Varje tur debiterar om hela konversationen till $3.83 per miljon; att en gång sammanfatta en historik på 40 turer till ett tillståndsobjekt på 4K tokens sparar mer än de flesta modellbyten.
• Skala ner bilder. Bildtokens är indatatokens; en 4K-skärmbild nedskalad till något fortfarande läsbart ger samma svar för mindre.
• Dirigera efter svårighetsgrad. En billig modell på rutinturerna, med K3 på planen, den svåra grenen och den slutliga granskningen, ger ofta 80 % av kapaciteten för 25 % av räkningen.

09Vanliga frågor

---

Fakta och benchmarks om grundmodellen är Moonshot AI:s publicerade siffror för Kimi K3 och Kimi K2 och beskriver de okvantiserade uppströmsmodellerna; vår build är en 3-bitars REAP-kvantisering och kommer att skilja sig. Priser, kontext och förmågeflaggor är Shannon AI:s egna, aktuella per den 5 september 2026 — de gällande värdena är alltid de som returneras av /v1/models. Källor: modellkort för Kimi K3 · Kimi K3-repositoriet · Kimi K2 Thinking.