Uncensored na Kimi K3 API

Karamihan sa mga gabay sa pagpili ng model ay isinusulat na parang libre ang kakayahan. Hindi ito libre. Ang kawili-wiling tanong tungkol sa modelong pinakamataas ang antas ay hindi kailanman "mas mahusay ba ito" — kadalasan oo — kundi "sapat bang mas mahusay ito, sa gawaing ito, para bigyang-katwiran ang singil na limang beses na mas malaki kaysa sa modelong isang baitang pababa." Sinasagot ito ng gabay na ito gamit ang tunay na aritmetika, at tuwirang sinasabi kung saan nananalo ang mas murang opsiyon.

01Ano talaga ang Kimi K3

Ang Kimi K3 ang pangunahing open-weights na modelo ng Moonshot AI, inilabas noong Hulyo 2026 sa ilalim ng Kimi K3 License — ang ikatlong henerasyon ng angkan na nagsimula sa Kimi K2, at tunay na bagong arkitektura sa halip na fine-tune.

Ang nailathalang layout ay 93 layer — 69 na gumagamit ng Kimi Delta Attention, 24 na gumagamit ng gated multi-head latent attention, isang siksik — na may Stable LatentMoE na router na pumipili ng 16 sa 896 na expert kada token kasama ang 2 na ibinabahagi. Iniulat ng Moonshot ang humigit-kumulang 2.5x na pagbuti sa kahusayan ng pag-scale kaysa sa Kimi K2 mula sa kombinasyong iyon. Native ang vision sa halip na idinikit: isang 401M-parameter na MoonViT-V2 na encoder ang nagpapakain sa parehong tangkay na humahawak sa teksto.

Sulit isapuso ang numero ng sparsity: ini-aktibo ng K3 ang 104 bilyong parameter kada token, laban sa saklaw na 30 hanggang 40 bilyon sa karamihan ng aming katalogo. Halos tatlong beses iyon ng aritmetika kada token na nagagawa, at ito ang buong dahilan kung bakit nangunguna ang modelong ito sa listahan ng presyo. Hindi ka nagbabayad para sa antas ng brand — nagbabayad ka para sa GPU-segundo.

Ang angkan, sa maikling salita

• Kimi K2 — 1 trilyong parameter, 32 bilyong aktibo, 384 na expert na may 8 na niruruta kada token, pre-trained sa 15.5 trilyong token gamit ang MuonClip optimizer, itinayo para pigilan ang pagsabog ng attention na sumisira sa pagsasanay ng MoE sa ganoong laki.
• Kimi K2 Thinking — ang parehong pundasyon na tinuruang pagsalitin ang pangangatwiran at ang paggamit ng kasangkapan, na iniulat na napapanatili ang 200 hanggang 300 magkakasunod na tool call sa isang takbo, na may 44.9% sa Humanity's Last Exam na may kasangkapan at 60.2% sa BrowseComp.
• Kimi K3 — muling itinayo na may native na multimodalidad at 1M-token na window sa upstream, na may kuwantisasyon-kaalam na pagsasanay mula pa sa yugto ng supervised fine-tuning (MXFP4 na weights, MXFP8 na activation). Kaya nga mas kinakaya ng K3 ang matinding pagsisiksik kaysa sa mga modelong hindi kailanman sinanay na iyon ang nasa isip.

Ang tuloy-tuloy na hibla ay mahabang-abot na pagkilos: bawat henerasyon ay inoptimisa para manatiling magkaugnay sa daan-daang hakbang sa halip na manalo sa mga benchmark na maikli ang sagot. Iyon ang kakayahang binibili mo.

02Ano ang ibig sabihin ng "3BIT-REAP," at bakit kailangan ito ng 2.8T na model

Hindi palamuti ang suffix sa model id — sinasabi nito kung ano ang ginawa sa weights bago sila ikinarga sa sarili naming GPU cluster, at ito ang tapat na babalang nakakabit sa bawat pahayag dito. Magsimula sa aritmetika. Ang 2.8-trilyong-parameter na model sa 16-bit na presisyon ay mga 5.6 terabyte ng weights. Sa 3 bit kada weight, mas malapit ito sa 1.05 terabyte — malaki pa rin, pero kayang i-deploy na may natitirang puwang para sa 262K-token na KV cache. Ang REAP ang ikalawang kalahati: isang paraan ng pagpupungos ng expert na nagpo-profile kung aling mga expert talaga ang inaabot ng router at tinatanggal ang mga bihirang napipili bago kuwantisahin sa halip na pagkatapos. Sa modelong nagruruta lamang ng 16 sa 896 na expert kada token, likas iyong akma — ang ganoong kasparse na distribusyon ay may mahabang buntot na napakaliit ang naiaambag sa tunay na trapiko — at ang pagpupungos muna ay nangangahulugang ginagastos ang natitirang badyet ng bit sa mga expert na mahalaga.

Gumagamit ang aming katalogo ng tatlong suffix bilang sinadyang hagdan. Napupunta ang 3BIT-REAP sa pinakamalalaking pundasyon, kung saan walang ibang kumakasya. Ang W4A16-AUTOROUND-REAP ay 4-bit na weights na may 16-bit na activation na kinuwantisa gamit ang AutoRound — natutunang pagbibilog na nakababawi ng tunay na katumpakan kaysa sa payak na round-to-nearest — kasama ang parehong pagpupungos. Ang W8A16 ang antas na pinakamataas ang katapatan, para sa mga pundasyong sapat na maliit para hindi kailanganin ang matinding pagsisiksik. Sa maikli: sinasabi ng suffix kung gaano karami sa orihinal ang nakaligtas; sinasabi ng presyo kung magkano ang pagpapatakbo nito.

03Vision: ano ang binibili ng pag-unawa sa larawan

Ang Kimi-K3 ay isa sa limang modelo sa aming labindalawang-modelong katalogo na may vision, at ang pinakamahusay sa lima. Karamihan sa komersiyal na vision API ay nagpapatakbo ng classifier sa mga ini-upload na larawan at tumatanggi sa malawak na kategorya ng input bago pa man makita ng model ang mga ito — makatwirang default para sa mamimili at seryosong balakid sa lehitimong trabaho. Tinatamaan iyon ng mga mananaliksik sa seguridad na kumukuha ng screenshot ng output ng exploit, ng mga pangkat ng moderasyon na gumagawa ng sariling classifier, ng trabahong forensic at pag-awdit ng dataset, at ng ebalwasyon ng red team. Ang Kimi-K3 ay walang refusal layer at walang pagsala sa output.

Saan sinusulit ng vision ng K3 ang presyo nito kaysa sa mas murang vision na model

• Siksik na diagram at eskematiko — diagram ng arkitektura, topolohiya ng network, sirkito: anumang ang sagot ay nakadepende sa pagsunod sa linya at label sa halip na sa pagpangalan ng mga bagay.
• Maliit na teksto sa screenshot — stack trace, output sa terminal, selda ng spreadsheet. Pinakamalawak ang agwat sa pagitan ng antas ng vision sa kabasahan sa maliit na sukat.
• Larawan sa loob ng mahabang teksto — isang screenshot na inilagay sa 200K-token na context, kung saan kailangang iugnay ng model ang nakikita nito sa nabasa nito limampung libong token ang nakaraan.
• Paghahambing ng maraming larawan — dalawang bersyon ng UI, o isang tsart laban sa talahanayang gumawa nito.

Kung saan hindi nito sinusulit ang presyo: pagsulat ng kapsiyon, alt text, OCR ng malilinis na dokumento, at mga pipeline ng pagtatag. Nalulutas ang mga iyon sa $0.50 kada milyong input token — kung mataas ang dami ng trabaho mo sa larawan at simple ang bawat isa, ang Kimi-K2.6 o ang MiniMax-M3 ay gumagawa ng sagot na hindi mo maididistingge sa sagot ng K3.

Kumakain ang mga larawan ng token mula sa parehong 262,144-token na badyet gaya ng teksto at sinisingil sa presyo ng input. Hindi libre ang ilang high-resolution na screenshot.

04Mahabang-abot na agentikong trabaho — para saan ang antas na ito

Kung may isang trabahong nagbibigay-katwiran sa pinakamataas na antas, ito iyon. Mapagpatawad ang pagbagsak ng maikling gawain: nagkamali ang model, napansin mo, inulit mo, apat na segundo ang nawala sa iyo. Ang apatnapung-turn na agent na kumuha ng maling sanga sa ikaanim na turn ay gugugol ng susunod na tatlumpu't apat na turn sa masalimuot na pagtatayo sa ibabaw ng pagkakamali, at malalaman mo ito sa dulo matapos mong bayaran ang bawat token sa pagitan. Dahil sa hindi pagkakatimbang na iyon, malapit nang maling sukatan ang presyo kada token dito. Ang mahalaga ay ang halaga kada matagumpay na pagkumpleto, na pinangingibabawan ng kung gaano kadalas itinatapon ang isang takbo. Ang mga nailathalang numero ng Moonshot para sa pundasyong K3 sa mga agentikong benchmark:

Lahat ng numero ay iniulat ng Moonshot para sa hindi kinuwantisang pundasyong Kimi K3, Hulyo 2026. Hindi ito sukat ng aming 3BIT-REAP na build at hindi namin ito ipinapakita bilang ganoon.

Tumutugma ang hugis sa pinagtayuan ng arkitektura: ang BrowseComp at Terminal-Bench ay mga benchmark ng tool loop — paulit-ulit na siklo ng kilos, obserba, rebisa. Ang SWE Marathon sa 42.0 ang kontrapeso: ang pinakamahirap na ebalwasyon sa mahabang-abot na coding sa set, kung saan kahit ang frontier na model ay bumabagsak sa karamihan ng gawain. Hindi nalutas na kategorya ang "agentiko"; magdisenyo para sa pagbagsak anuman ang modelong piliin mo.

Praktikal na setting para sa mahahabang takbo

Inilalantad ng K3 ang reasoning_effort, at tunay na pingga ito ng gastos dito: sinisingil ang mga token ng pangangatwiran bilang token ng output, sa $19.12 kada milyon.

• Low — pagruruta ng tool call at structured na paghango, kung saan pumipili ang model sa iilang kilalang opsiyon.
• High — ang default para sa tunay na agentikong trabaho: pagpaplano ng maramihang-hakbang na pagbabago, pag-debug mula sa stack trace, pagpapatugma ng magkasalungat na sanggunian.
• Max — itabi ito para sa pinakamahirap na iisang tawag sa isang pipeline: ang plano sa simula ng takbo, o ang panghuling pagsusuri. Ang takbong gumagastos ng 30K na token ng pangangatwiran sa high at 90K sa max ay nagbabayad ng dagdag na $1.15 para sa isang bandilang iyon.

Badyetin din nang sadya ang context: ang aming window ay 262,144 na token na may 16,384-token na pinakamataas na output, at sa $3.83 kada milyong input, naiipon ang hindi pinungusang kasaysayan — muling sinisingil ng bawat turn ang buong prefix.

05Ano ang ibig sabihin ng "uncensored" sa endpoint na ito

Bawat model sa Shannon AI Gateway ay inihahain nang walang refusal layer at walang pagsala ng nilalaman sa output. Mas mahalaga ito sa pinakamataas na antas, dahil ang mga gawaing dinadala ng mga tao sa modelong pinakamataas ang antas ang pinakamalamang na makapagpatunog ng filter: adbersaryal na security research, pagsusuri ng opensibong kasangkapan, pagbuo ng classifier para sa moderasyon, threat intelligence, mahirap na kathang-isip, at anumang ebalwasyong nangangailangang gawin mismo ng model ang bagay na sinusubukan mong matukoy.

• Walang classifier sa output. Hindi sina-scan at isinusulat muli o hinaharangan ang mga tugon pagkatapos gawin.
• Walang tarangkahan sa input. Hindi sinasala ang mga prompt at larawan bago makarating sa model.
• Hindi ibang model. Ito ang pundasyong Kimi K3 na inihahain nang wala ang layer na karaniwang nakaupo sa harap nito.
• Hindi paglipat ng pananagutan. Ang pag-alis ng refusal layer ay inililipat sa iyo ang paghatol — tingnan ang aming patakaran sa responsableng paggamit.

May mas tahimik na benepisyo para sa sinumang gumagawa ng sistema ng ebalwasyon: matatag na batayan ang modelong hindi sinasala. Ang modelong tumatanggi nang hindi mahulaan ay ginagawang maingay ang mga sukat, dahil hindi mo mapaghihiwalay ang hangganan ng kakayahan sa hangganan ng patakaran. Dito, ang pagbagsak ay pagbagsak ng kakayahan — ang tanging uring kaya mong i-debug.

06Ang presyo: $3.83 in, $19.12 out — at kailan ito sinusulit

Ito ang pinakamahal na model sa listahan namin nang malayo: ang output ay 9.6x ng aming $2.00 na sahig at 5.2x ng halaga ng Kimi-K2.6. Narito ang aritmetika sa hayag.

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

Piling hanay, isinaayos ayon sa presyo ng input. Lahat ng labindalawang model ay nagbabahagi ng parehong 262,144-token na context, 16,384-token na pinakamataas na output, streaming, tool calling at reasoning_effort. Nasa pahina ng dokumentasyon ng API ang buhay na mga bandila ng kakayahan.

Dalawang halimbawang ginawa

Una, isang 120,000-token na input — isang dump ng codebase, isang regulatoryong paghahain — na gumagawa ng 3,000-token na pagsusuri. Pangalawa, isang apatnapung-turn na takbo ng agent: humigit-kumulang 1.2M na pinagsamang input token habang naiipon ang context, 90,000 na output token kasama ang pangangatwiran.

Sitwasyon	Kimi-K3	Kimi-K2.6	MiniMax-M3
120K in / 3K out	$0.517	$0.105	$0.066
40-turn na takbo ng agent	$6.32	$1.27	$0.78

Ang K3 ay mga 4.9x ng Kimi-K2.6 sa tawag para sa dokumento. Walang halaga ang limampung sentimo nang minsan; $517 ito kada araw sa isang libong tawag, laban sa $105. Sa takbo ng agent, ang pagkakaiba ay mga $5. Ngayon ilapat ang tanging pagsubok na mahalaga: kung ang gawain ay katumbas ng isang oras ng inhinyero sa $100, sinusulit ng K3 ang sarili nito sa sandaling itaas nito ang tagumpay sa unang pasada ng limang puntong porsiyento — at sa tunay na mahirap na mahabang-abot na trabaho, kadalasang mas malaki ang agwat sa pagitan ng antas. Kung ang gawain ay katumbas ng tatlumpung segundo ng oras ninuman, hindi maipagtatanggol ang parehong $5.

07Kimi-K3 o mas murang kapatid?

Ang dalawang modelong Kimi sa aming katalogo ay dalawang baitang ng isang hagdan sa halip na magkaribal. Ang Kimi-K2.6 ay hindi kasingtindi ang pagkakakuwantisa — W4A16-AUTOROUND-REAP, 4-bit na weights na may natutunang pagbibilog, laban sa 3-bit ng K3 — sa mas maliit na pundasyon. May vision ito, JSON-schema na output, parehong context window, at nagkakahalaga ng mga ikalima lang.

Gawain	Gamitin	Bakit
Apatnapung-turn na awtonomong agent	Kimi-K3	Naiipon ang pagbagsak; ang kalidad ng plano sa unang turn ang nagpapasya sa takbo
Refactor na kasinlaki ng repository	Kimi-K3	Kailangang hawakan ang buong context nang magkaugnay, hindi lang hanguan ito
Siksik na diagram, maliit na teksto sa screenshot	Kimi-K3	Ang pinakamalawak na agwat sa vision sa pagitan ng antas ay kabasahan at espasyal na pangangatwiran
Pag-edit ng isang file, mahusay na tinukoy	Kimi-K2.6	May hangganang gawain, murang ulitin, walang masusukat na pagkakaiba sa kisame
Pagsulat ng kapsiyon sa larawan nang maramihan	MiniMax-M3 / MiMo-V2.5	Nalulutas sa $0.50 in; 9.6x ang output ng K3 para sa parehong kapsiyon
Mabigat sa pangangatwiran pero teksto lamang	DeepSeek-V4-Pro	$3.90 na output laban sa $19.12 — iwanan ang K3 kung hindi mo kailangan ang larawan

Ang huling hanay na iyon ang pinakamadalas na nalalampasang tipid. Kung walang kinalaman ang gawain mo sa larawan, tingnan muna ang DeepSeek-V4-Pro. Isa rin itong 3BIT-REAP na build sa malaking pundasyon, malakas sa mahirap na pangangatwiran, at ang output nito ay $3.90 laban sa $19.12 ng K3. Malaking bahagi ng trapikong umaabot sa pinakamataas na antas ay pangangatwirang teksto lamang na kasinghusay ding naihahain ng isang hanay pababa.

08Pagtawag sa uncensored na Kimi K3 API

Inilalantad ang model bilang Kimi-K3-3BIT-REAP sa lahat ng tatlong dayalekto, na may streaming sa bawat isa at walang pagkakaiba sa kakayahan sa pagitan nila — pormat lang ng wire: /v1/chat/completions (tugma sa OpenAI), /v1/messages (tugma sa Anthropic), at /v1/responses. Isang kahilingang may vision na itinaas ang reasoning effort para sa mahirap na biswal na gawain:

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

Sinusuportahan ng K3 ang response_format at ang buong json_schema, kaya makokontrol mo ang mga argumento ng kasangkapan ng agent o mapipilit ang isang ulat sa nakatakdang hugis nang walang pag-parse pagkatapos. Native ang tool calling at ito ang nilalayong paraan para patakbuhin ang mahahabang takbo. Nasa pahina ng dokumentasyon ng API ang mga parameter, pagpapatunay, hangganan sa dami at buhay na playground.

Tatlong bagay na nakakatipid sa unang araw

• Pungusan ang prefix. Muling sinisingil ng bawat turn ang buong usapan sa $3.83 kada milyon; ang minsanang pagbuod ng 40-turn na kasaysayan sa isang 4K-token na bagay ng estado ay nakakatipid nang higit sa karamihan ng palitan ng model.
• Paliitin ang mga larawan. Ang mga token ng larawan ay token ng input; ang 4K na screenshot na binawasan sa sukat na nababasa pa rin ay nagbibigay ng parehong sagot nang mas mura.
• Magruta ayon sa hirap. Ang murang model sa mga karaniwang turn, kasama ang K3 sa plano, sa mahirap na sanga at sa panghuling pagsusuri, ay kadalasang 80% ng kakayahan sa 25% ng singil.

09Mga madalas itanong

---

Ang mga datos at benchmark ng pundasyon ay nailathalang numero ng Moonshot AI para sa Kimi K3 at Kimi K2 at inilalarawan ang hindi kinuwantisang upstream na model; ang aming build ay 3-bit na REAP na kuwantisasyon at magkakaiba ito. Ang mga presyo, context at bandila ng kakayahan ay sa Shannon AI mismo, kasalukuyan noong Setyembre 5, 2026 — ang buhay na halaga ay laging ang ibinabalik ng /v1/models. Mga sanggunian: Model card ng Kimi K3 · Repository ng Kimi K3 · Kimi K2 Thinking.