MoonshotAI: Kimi K3 (batch)

MoonshotAI: Kimi K3 (batch) es un modelo de generación de texto de Moonshot AI, identificado en api14 por el id de modelo moonshotai/kimi-k3:batch. Es un modelo de razonamiento multimodal con pesos abiertos y 2,8 billones de parámetros, diseñado para trabajo exigente en lugar de chat ligero. La variante batch es la versión que se llama a través de api14, y mantiene la misma identidad de modelo y el mismo comportamiento que la versión base Kimi K3 del proveedor.

El modelo acepta texto, imágenes y vídeo como entrada, y produce texto como salida. Su ventana de contexto es de 1.048.576 tokens, lo suficientemente grande como para contener bases de código enteras, conjuntos largos de documentos o historiales de conversación extensos en una sola solicitud. La longitud máxima de salida es de 16.384 tokens por respuesta. Como es un modelo de razonamiento, puede gastar parte de su presupuesto de generación en razonamiento interno antes de producir la respuesta final, y ese comportamiento puede influirse mediante los parámetros reasoning y reasoning_effort.

Esas capacidades apuntan a algunos usos prácticos. Las tareas de programación complejas encajan bien, incluido el trabajo en repositorios grandes donde el código fuente completo debe estar en contexto. El trabajo de conocimiento, como resumir, comparar o extraer de documentos e informes largos, es otro encaje natural, especialmente cuando el material de origen incluye imágenes o vídeo que deben interpretarse junto con el texto. Los flujos de trabajo agénticos de horizonte largo también son un caso de uso objetivo, donde el modelo planifica a lo largo de muchos pasos, llama a herramientas y hace seguimiento del estado a través de un contexto largo.

Se llama al modelo a través de la API compatible con OpenAI de api14 usando el id de modelo moonshotai/kimi-k3:batch. La solicitud admite frequency_penalty, include_reasoning, logit_bias, max_tokens, min_p, presence_penalty, reasoning, reasoning_effort, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k y top_p. La llamada a herramientas y las salidas estructuradas están disponibles mediante los parámetros tools, tool_choice, response_format y structured_outputs, y el muestreo puede ajustarse con temperature, top_p, top_k, min_p y los parámetros de penalización. Puede establecerse un seed para un muestreo reproducible.

Ten en cuenta el límite de salida: las respuestas están limitadas a 16.384 tokens, por lo que las tareas que necesitan una única respuesta muy larga pueden requerir dividir el trabajo en varias llamadas. El modelo además solo produce texto, así que cualquier entrada de imagen o vídeo se interpreta para producir texto en lugar de una salida multimedia generada. Para tareas de texto simples y cortas, un modelo más pequeño y rápido puede ser una opción más económica que un modelo de razonamiento de 2,8 billones de parámetros.