MoonshotAI: Kimi K3

Kimi K3 est un modèle de raisonnement multimodal de Moonshot AI, publié par le fournisseur le 16 juillet 2026. C'est un modèle à poids ouverts de 2,8 billions de paramètres, et il figure dans la catégorie texte sur api14 tout en acceptant plus que du texte en entrée. Moonshot AI le positionne pour le codage complexe, le travail de connaissance et les flux de travail agentiques à long horizon.

Côté entrée, Kimi K3 accepte le texte, les images et la vidéo, et il produit du texte en sortie. La fenêtre de contexte est de 1 048 576 tokens, ce qui est suffisamment grand pour contenir de très longs documents, des historiques de conversation étendus ou des bases de code conséquentes dans une seule requête. La sortie maximale est de 943 718 tokens, donc les réponses peuvent elles-mêmes être extrêmement longues lorsqu'une tâche l'exige. Le raisonnement fait partie de la conception du modèle, et l'API expose des contrôles pour celui-ci, notamment un paramètre reasoning, un réglage reasoning_effort et un indicateur include_reasoning pour faire apparaître le contenu du raisonnement.

Ces capacités indiquent quelques usages pratiques. Le travail à long contexte, comme la revue de grands dépôts, le résumé ou l'interrogation de rapports volumineux, et le maintien d'un état à travers des exécutions d'agent multi-étapes, correspond à la fenêtre de contexte et à l'orientation agentique. Comme des images et des vidéos peuvent être transmises avec du texte, le modèle peut traiter des tâches qui mêlent du contenu visuel à des instructions écrites, par exemple décrire ou extraire des informations de captures d'écran, de schémas ou de clips. Les sorties structurées, l'appel d'outils et les contrôles de raisonnement en font un choix raisonnable pour des pipelines où le modèle doit appeler des fonctions, renvoyer du JSON ou consacrer plus d'effort à des problèmes difficiles.

Vous appelez Kimi K3 via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "moonshotai/kimi-k3". Les paramètres de requête pris en charge sont 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 et top_p. Les contrôles d'échantillonnage (temperature, top_p, top_k, min_p, les paramètres de pénalité, seed et stop) permettent d'ajuster la sortie, tandis que response_format et structured_outputs couvrent les réponses formatées et que tools et tool_choice couvrent l'appel de fonctions. Logprobs et top_logprobs sont disponibles si vous avez besoin de probabilités au niveau des tokens, et max_tokens plafonne la longueur de la réponse dans la limite de la sortie maximale.

Il n'y a pas d'information ici sur la tarification, la latence ou le débit, donc cela vaut la peine de les vérifier par rapport au tableau des prix en direct et à vos propres tests. Le modèle produit uniquement du texte, donc si vous avez besoin d'images générées, d'audio ou d'autres modalités de sortie, un autre modèle sera nécessaire. Si votre charge de travail est petite, à contexte court et ne bénéficie pas du raisonnement ou d'une entrée multimodale, un modèle plus simple peut mieux convenir.