MoonshotAI: Kimi K3

Kimi K3 ist ein multimodales Reasoning-Modell von Moonshot AI, das vom Anbieter am 16. Juli 2026 veröffentlicht wurde. Es ist ein Modell mit offenen Gewichten und 2,8 Billionen Parametern, und es steht auf api14 in der Kategorie Text, während es mehr als nur Text als Eingabe akzeptiert. Moonshot AI positioniert es für komplexes Coding, Wissensarbeit und langfristige agentische Workflows.

Auf der Eingabeseite akzeptiert Kimi K3 Text, Bilder und Video, und es erzeugt Text als Ausgabe. Das Kontextfenster umfasst 1.048.576 Tokens, was groß genug ist, um sehr lange Dokumente, ausgedehnte Gesprächsverläufe oder umfangreiche Codebasen in einer einzigen Anfrage aufzunehmen. Die maximale Ausgabe beträgt 943.718 Tokens, sodass Antworten selbst extrem lang sein können, wenn eine Aufgabe es erfordert. Reasoning ist Teil des Designs des Modells, und die API bietet Steuerungsmöglichkeiten dafür, darunter einen reasoning-Parameter, eine reasoning_effort-Einstellung und ein include_reasoning-Flag zum Sichtbarmachen des Reasoning-Inhalts.

Diese Fähigkeiten deuten auf einige praktische Einsatzmöglichkeiten hin. Arbeiten mit langem Kontext wie das Überprüfen großer Repositories, das Zusammenfassen oder Abfragen umfangreicher Berichte und das Beibehalten von Zustand über mehrstufige Agentenläufe hinweg passen zum Kontextfenster und zum agentischen Fokus. Da Bilder und Video zusammen mit Text übergeben werden können, kann das Modell Aufgaben bewältigen, die visuelles Material mit schriftlichen Anweisungen mischen, zum Beispiel das Beschreiben oder Extrahieren von Informationen aus Screenshots, Diagrammen oder Clips. Strukturierte Ausgaben, Tool-Aufrufe und Reasoning-Steuerung machen es zu einer sinnvollen Wahl für Pipelines, in denen das Modell Funktionen aufrufen, JSON zurückgeben oder mehr Aufwand für schwierige Probleme betreiben muss.

Sie rufen Kimi K3 über die OpenAI-kompatible API von api14 mit der Modell-ID "moonshotai/kimi-k3" auf. Die unterstützten Anfrageparameter sind frequency_penalty, include_reasoning, logit_bias, logprobs, max_tokens, min_p, presence_penalty, reasoning, reasoning_effort, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs und top_p. Sampling-Steuerungen (temperature, top_p, top_k, min_p, die Penalty-Parameter, seed und stop) ermöglichen das Anpassen der Ausgabe, während response_format und structured_outputs formatierte Antworten abdecken und tools und tool_choice den Funktionsaufruf abdecken. Logprobs und top_logprobs sind verfügbar, wenn Sie Wahrscheinlichkeiten auf Token-Ebene benötigen, und max_tokens begrenzt die Antwortlänge innerhalb der maximalen Ausgabe.

Es gibt hier keine Informationen zu Preisgestaltung, Latenz oder Durchsatz, daher sollten diese anhand der aktuellen Preistabelle und Ihrer eigenen Tests geprüft werden. Das Modell gibt nur Text aus, wenn Sie also generierte Bilder, Audio oder andere Ausgabemodalitäten benötigen, ist ein anderes Modell erforderlich. Wenn Ihre Arbeitslast klein ist, kurzen Kontext hat und nicht von Reasoning oder multimodaler Eingabe profitiert, könnte ein einfacheres Modell besser passen.