Sansürsüz Kimi K3 API'si

Model seçimi rehberlerinin çoğu, yetenek bedavaymış gibi yazılır. Değildir. Üst sınıf bir modelle ilgili ilginç soru asla "daha mı iyi" değildir — genellikle öyledir — asıl soru şudur: "bu görevde, bir basamak aşağıdaki modelin beş katı bir faturayı haklı çıkaracak kadar daha mı iyi?" Bu rehber soruyu gerçek aritmetikle yanıtlıyor ve daha ucuz seçeneklerin nerede kazandığını açıkça söylüyor.

01Kimi K3 gerçekte nedir?

Kimi K3, Moonshot AI'ın açık ağırlıklı amiral gemisidir; Temmuz 2026'da Kimi K3 Lisansı altında yayımlandı — Kimi K2 ile başlayan bir soyun üçüncü kuşağı ve bir ince ayar değil, gerçekten yeni bir mimari.

Yayımlanan düzen 93 katman — 69'u Kimi Delta Attention, 24'ü kapılı çok başlıklı gizli dikkat, biri yoğun — ve Stable LatentMoE yönlendiricisi token başına 896 uzmandan 16'sını artı 2 paylaşılan uzmanı seçiyor. Moonshot, bu bileşimden Kimi K2'ye göre ölçekleme verimliliğinde kabaca 2,5 kat iyileşme bildiriyor. Görü sonradan eklenmiş değil, yerel: 401M parametreli bir MoonViT-V2 kodlayıcı, metni işleyen aynı gövdeyi besliyor.

Seyreklik sayısını içselleştirmeye değer: K3, kataloğumuzun çoğu için geçerli olan 30 ila 40 milyar aralığına karşılık token başına 104 milyar parametre etkinleştiriyor. Bu, üretilen token başına kabaca üç kat aritmetik demek ve bu modelin fiyat listesinin tepesinde olmasının tek nedeni de bu. Bir marka katmanı için değil, GPU saniyeleri için ödeme yapıyorsunuz.

Soy, kısaca

• Kimi K2 — 1 trilyon parametre, 32 milyar etkin, token başına 8'i yönlendirilen 384 uzman; MuonClip eniyileyicisiyle 15,5 trilyon token üzerinde ön eğitim; bu ölçekte MoE eğitimini mahveden dikkat patlamalarını durdurmak için inşa edildi.
• Kimi K2 Thinking — aynı temele akıl yürütmeyi araç kullanımıyla iç içe geçirmeyi öğretti; tek bir koşuda 200 ila 300 ardışık araç çağrısını sürdürdüğü, araçlarla Humanity's Last Exam'de %44,9 ve BrowseComp'ta %60,2 aldığı bildirildi.
• Kimi K3 — yerel çok kiplilik ve kaynağında 1M tokenlık bir pencereyle yeniden inşa edildi; gözetimli ince ayar aşamasından itibaren niceleme farkındalıklı eğitim (MXFP4 ağırlıklar, MXFP8 etkinleşmeler) kullanıldı. K3'ün agresif sıkıştırmayı, bunu hesaba katmadan eğitilmiş modellerden daha iyi kaldırmasının nedeni budur.

Ana çizgi uzun ufuklu ajanlıktır: her kuşak, kısa yanıtlı kıyaslamaları kazanmak için değil, yüzlerce adım boyunca tutarlı kalmak için eniyilendi. Satın aldığınız yetenek budur.

02"3BIT-REAP" ne demek ve 2,8T'lik bir modelin buna neden ihtiyacı var?

Model kimliğindeki ek bir süs değil — kendi GPU kümemize yüklenmeden önce ağırlıklara ne yapıldığını söylüyor ve buradaki her iddiaya iliştirilmiş dürüst şerh de bu. Aritmetikle başlayın. 16 bit hassasiyette 2,8 trilyon parametreli bir model yaklaşık 5,6 terabaytlık ağırlık demektir. Ağırlık başına 3 bitte bu 1,05 terabayta yaklaşır — hâlâ büyük, ama 262K tokenlık bir KV önbelleğine yer bırakan, üstesinden gelinebilir bir dağıtım. İkinci yarı REAP'tir: yönlendiricinin gerçekte hangi uzmanlara uzandığını profilleyip ender seçilenleri nicelemeden sonra değil önce atan bir uzman budama yöntemi. Token başına 896 uzmandan yalnızca 16'sını yönlendiren bir modelde bu doğal bir uyum — bu kadar seyrek bir dağılımın, gerçek trafiğe çok az katkı veren uzun bir kuyruğu vardır — ve önce budamak, kalan bit bütçesinin önemli uzmanlara harcanması demektir.

Kataloğumuz üç eki kasıtlı bir merdiven olarak kullanır. 3BIT-REAP, başka hiçbir şeyin sığmadığı en büyük temellere gider. W4A16-AUTOROUND-REAP, AutoRound kullanılarak nicelenmiş 16 bit etkinleşmeli 4 bitlik ağırlıklardır — naif en yakına yuvarlamaya göre gerçek doğruluk kazandıran öğrenilmiş yuvarlama — artı aynı budama. W8A16 ise agresif sıkıştırmaya ihtiyaç duymayacak kadar küçük temeller için en yüksek sadakatli katmandır. Kısacası: ek size aslından ne kadarının hayatta kaldığını, fiyat ise çalıştırmanın neye mal olduğunu söyler.

03Görü: görsel anlama size ne kazandırır?

Kimi-K3, on iki modellik kataloğumuzda görüsü olan beş modelden biri ve beşinin en yeteneklisi. Ticari görü API'lerinin çoğu, yüklenen görsellerin üzerinde bir sınıflandırıcı çalıştırır ve geniş bir girdi kategorisini model görmeden önce reddeder — tüketici için makul bir varsayılan, meşru iş için ciddi bir engel. İstismar çıktısının ekran görüntüsünü alan güvenlik araştırmacıları, kendi sınıflandırıcılarını kuran denetim ekipleri, adli ve veri kümesi denetimi işleri ile kırmızı takım değerlendirmeleri hep bu duvara çarpar. Kimi-K3'te reddetme katmanı ve çıktı üzerinde filtre yoktur.

K3'ün görüsü daha ucuz görü modellerine karşı fiyatını nerede hak eder?

• Yoğun diyagramlar ve şemalar — mimari diyagramları, ağ topolojileri, devreler: yanıtın nesneleri adlandırmaya değil, çizgileri ve etiketleri takip etmeye bağlı olduğu her şey.
• Ekran görüntülerindeki küçük metin — yığın izleri, terminal çıktısı, hesap tablosu hücreleri. Görü katmanları arasındaki fark, küçük ölçekte okunabilirlikte en geniştir.
• Uzun metnin içindeki görsel — 200K tokenlık bir bağlama bırakılmış bir ekran görüntüsü; modelin gördüğünü elli bin token önce okuduğuyla ilişkilendirmesi gerekir.
• Çoklu görsel karşılaştırması — bir arayüzün iki sürümü ya da bir grafik ile onu üreten tablo.

Fiyatını hak etmediği yerler: altyazılama, alternatif metin, temiz belgelerin OCR'ı ve etiketleme hatları. Bunlar milyon giriş tokeni başına 0,50 $ ile zaten çözülmüş durumda — görsel iş yükünüz yüksek hacimli ve her bir öğe tek başına basitse, Kimi-K2.6 ya da MiniMax-M3, K3'ünkinden ayırt edemeyeceğiniz yanıtlar üretir.

Görseller, tokenleri metinle aynı 262.144 tokenlık bütçeden tüketir ve giriş ücretiyle faturalanır. Bir avuç yüksek çözünürlüklü ekran görüntüsü bedava değildir.

04Uzun ufuklu ajan işi — bu katman bunun için var

Üst katmanı haklı çıkaran tek bir iş yükü varsa, o da budur. Kısa görevler bağışlayıcı biçimde başarısız olur: model yanlış yapar, fark edersiniz, yeniden denersiniz, dört saniye kaybetmişsinizdir. Altıncı turda yanlış dala sapan kırk turluk bir ajan ise sonraki otuz dört turu bir hatanın üzerine özenle inşa ederek geçirir ve siz bunu, aradaki her token için ödeme yaptıktan sonra sonda öğrenirsiniz. Bu asimetri, token başına fiyatın burada neredeyse yanlış ölçüt olmasının nedenidir. Önemli olan, başarılı tamamlama başına maliyettir; bunu da bir koşunun ne sıklıkta çöpe gittiği belirler. Moonshot'ın K3 temeli için ajan kıyaslamalarında yayımladığı rakamlar:

Tüm rakamlar Temmuz 2026 itibarıyla nicelenmemiş Kimi K3 temeli için Moonshot tarafından bildirilmiştir. Bunlar bizim 3BIT-REAP yapımımızın ölçümleri değildir ve bunları öyle sunmuyoruz.

Görünen biçim, mimarinin ne için inşa edildiğiyle örtüşüyor: BrowseComp ve Terminal-Bench araç döngüsü kıyaslamalarıdır — yinelenen eyleme, gözlemleme, düzeltme çevrimleri. 42,0 ile SWE Marathon karşı ağırlıktır: kümedeki en zor uzun ufuklu kodlama değerlendirmesi; orada bir sınır modeli bile görevlerin çoğunda başarısız olur. "Ajan odaklılık" çözülmüş bir kategori değil; hangi modeli seçerseniz seçin, başarısızlığa göre tasarlayın.

Uzun koşular için pratik ayarlar

K3, reasoning_effort sunar ve burası gerçek bir maliyet kaldıracıdır: akıl yürütme tokenleri milyon başına 19,12 $ üzerinden çıkış tokeni olarak faturalanır.

• Düşük — modelin bir avuç bilinen seçenek arasından seçim yaptığı araç çağrısı yönlendirmesi ve yapılandırılmış çıkarım.
• Yüksek — gerçek ajan işi için varsayılan: çok adımlı bir değişikliği planlamak, bir yığın izinden hata ayıklamak, çelişkili kaynakları uzlaştırmak.
• Azami — bunu hattaki en zor tek çağrıya ayırın: koşunun başındaki plan ya da son inceleme. Yüksekte 30K, azamide 90K akıl yürütme tokeni harcayan bir koşu, o tek bayrak için fazladan 1,15 $ öder.

Bağlamı da bilinçli bütçeleyin: penceremiz 262.144 token, azami çıktı 16.384 token ve milyon giriş başına 3,83 $ ile budanmamış bir geçmiş bileşik büyür — her tur, ön ekin tamamını yeniden faturalandırır.

05Bu uç noktada "sansürsüz" ne anlama geliyor?

Shannon AI ağ geçidindeki her model reddetme katmanı ve çıktı üzerinde içerik filtresi olmadan sunulur. Bu, üst katmanda daha da önemlidir; çünkü insanların üst sınıf bir modele getirdiği görevler, bir filtreyi tetiklemesi en muhtemel olanlardır: hasmane güvenlik araştırması, saldırı aracı analizi, denetim sınıflandırıcısı geliştirme, tehdit istihbaratı, zor kurgu ve modelin tam da tespit etmeye çalıştığınız şeyi üretmesini gerektiren her değerlendirme.

• Çıktı sınıflandırıcısı yok. Yanıtlar üretimden sonra taranıp yeniden yazılmaz ya da engellenmez.
• Girdi kapısı yok. İstemler ve görseller modele ulaşmadan önce elenmez.
• Farklı bir model değil. Bu, genellikle önünde duran katman olmadan sunulan Kimi K3 temelidir.
• Sorumluluk devri değil. Reddetme katmanını kaldırmak, karar yükünü size taşır — sorumlu kullanım politikamıza bakın.

Değerlendirme sistemi kuran herkes için daha sessiz bir yarar da var: filtresiz bir model kararlı bir taban çizgisidir. Öngörülemez biçimde reddeden bir model ölçümleri gürültülü kılar, çünkü bir yetenek sınırını bir politika sınırından ayıramazsınız. Burada bir başarısızlık, yetenek başarısızlığıdır — hata ayıklayabileceğiniz tek tür.

06Fiyat: 3,83 $ giriş, 19,12 $ çıkış — ve bunu ne zaman hak eder

Bu, listemizdeki açık farkla en pahalı model: çıktı, 2,00 $'lık tabanımızın 9,6 katı ve Kimi-K2.6'nın 5,2 katı. Aritmetik açıkta:

Model	Giriş / 1M	Çıkış / 1M	Görü	JSON şeması
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Evet	Evet
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	Hayır	Evet
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	Evet	Hayır
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	Evet	Evet
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Hayır	Evet
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Evet	Evet
MiMo-V2.5 · W8A16	$0.50	$2.00	Evet	Evet

Seçilmiş satırlar, giriş fiyatına göre sıralı. On iki modelin hepsi aynı 262.144 tokenlık bağlamı, 16.384 tokenlık azami çıktıyı, akışı, araç çağırmayı ve reasoning_effort'u paylaşır. Canlı yetenek bayrakları API belgeleri sayfasındadır.

İşlenmiş iki örnek

Birincisi, 120.000 tokenlık bir girdi — bir kod tabanı dökümü, bir düzenleyici bildirim — ve 3.000 tokenlık bir analiz üretimi. İkincisi, kırk turluk bir ajan koşusu: bağlam biriktikçe kabaca 1,2M kümülatif giriş tokeni ve akıl yürütme dahil 90.000 çıkış tokeni.

Senaryo	Kimi-K3	Kimi-K2.6	MiniMax-M3
120K giriş / 3K çıkış	$0.517	$0.105	$0.066
40 turluk ajan koşusu	$6.32	$1.27	$0.78

Belge çağrısında K3, Kimi-K2.6'nın yaklaşık 4,9 katına mal oluyor. Elli sent bir kez hiçbir şeydir; bin çağrıda 105 $'a karşılık günde 517 $'dır. Ajan koşusunda fark yaklaşık 5 $. Şimdi tek önemli testi uygulayın: görev, saati 100 $ olan bir mühendisin bir saatine değiyorsa, K3 ilk geçiş başarısını beş puan artırdığı anda kendini amorti eder — gerçekten zor uzun ufuklu işlerde katmanlar arasındaki fark genellikle daha da büyüktür. Görev herhangi birinin otuz saniyesine değiyorsa, aynı 5 $ savunulamaz.

07Kimi-K3 mü, daha ucuz bir kardeş mi?

Kataloğumuzdaki iki Kimi modeli rakip değil, aynı merdivenin iki basamağıdır. Kimi-K2.6 daha az agresif nicelenmiştir — K3'ün 3 bitine karşılık W4A16-AUTOROUND-REAP, öğrenilmiş yuvarlamayla 4 bitlik ağırlıklar — ve daha küçük bir temel üzerindedir. Görüsü, JSON şeması çıktısı ve aynı bağlam penceresi vardır; maliyeti ise yaklaşık beşte biridir.

Görev	Kullanın	Neden
Kırk turluk özerk ajan	Kimi-K3	Başarısızlık bileşik büyür; ilk turdaki plan kalitesi koşuyu belirler
Depo ölçeğinde yeniden düzenleme	Kimi-K3	Bağlamın tamamını yalnızca erişilebilir değil, tutarlı biçimde tutmayı gerektirir
Yoğun diyagramlar, küçük ekran görüntüsü metni	Kimi-K3	Katmanlar arasındaki en geniş görü farkı okunabilirlik ve uzamsal akıl yürütmedir
İyi tanımlanmış tek dosyalık düzenlemeler	Kimi-K2.6	Sınırlı görev, ucuz yeniden deneme, ölçülebilir bir tavan farkı yok
Hacimli görsel altyazılama	MiniMax-M3 / MiMo-V2.5	0,50 $ girişle çözülmüş; aynı altyazı için K3 çıktısı 9,6 kat
Akıl yürütme ağırlıklı ama yalnızca metin	DeepSeek-V4-Pro	19,12 $'a karşılık 3,90 $ çıkış — görsel gerekmiyorsa K3'ü bırakın

Son satır, en sık kaçırılan tasarruftur. Göreviniz görsel içermiyorsa önce DeepSeek-V4-Pro'ya bakın. O da büyük bir temel üzerinde 3BIT-REAP yapımıdır, zor akıl yürütmede güçlüdür ve çıktısı K3'ün 19,12 $'ına karşılık 3,90 $'dır. Üst katmana uzanan trafiğin çoğu, bir satır aşağıda aynı derecede iyi karşılanan yalnızca metin akıl yürütmesidir.

08Sansürsüz Kimi K3 API'sini çağırmak

Model, üç lehçenin hepsinde Kimi-K3-3BIT-REAP olarak sunulur; her birinde akış vardır ve aralarında yalnızca tel biçimi dışında hiçbir yetenek farkı yoktur: /v1/chat/completions (OpenAI uyumlu), /v1/messages (Anthropic uyumlu) ve /v1/responses. Zor bir görsel görev için akıl yürütme eforu yükseltilmiş bir görü isteği:

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 hem response_format hem de tam json_schema destekler; böylece bir ajanın araç argümanlarını kısıtlayabilir ya da bir raporu sonradan ayrıştırmaya gerek kalmadan sabit bir biçime zorlayabilirsiniz. Araç çağırma yereldir ve uzun koşuları sürmenin amaçlanan yoludur. Parametreler, kimlik doğrulama, hız sınırları ve canlı bir deneme alanı API belgeleri sayfasındadır.

İlk günden para kazandıran üç şey

• Ön eki budayın. Her tur, konuşmanın tamamını milyon başına 3,83 $ üzerinden yeniden faturalandırır; 40 turluk bir geçmişi bir kez 4K tokenlık bir durum nesnesine özetlemek, çoğu model değişiminden daha fazla tasarruf sağlar.
• Görselleri küçültün. Görsel tokenleri giriş tokenidir; 4K bir ekran görüntüsünü hâlâ okunabilir bir boyuta indirmek aynı yanıtı daha ucuza verir.
• Zorluğa göre yönlendirin. Rutin turlarda ucuz bir model, planda, zor dalda ve son incelemede K3 — bu genellikle faturanın %25'ine yeteneğin %80'ini verir.

09Sıkça sorulan sorular

---

Temel bilgileri ve kıyaslamalar, Moonshot AI'ın Kimi K3 ve Kimi K2 için yayımladığı sayılardır ve nicelenmemiş kaynak modelleri tarif eder; bizim yapımımız 3 bitlik bir REAP nicelemesidir ve farklılık gösterecektir. Fiyatlar, bağlam ve yetenek bayrakları Shannon AI'a aittir ve 5 Eylül 2026 itibarıyla günceldir — canlı değerler her zaman /v1/models tarafından döndürülenlerdir. Kaynaklar: Kimi K3 model kartı · Kimi K3 deposu · Kimi K2 Thinking.