MoonshotAI: Kimi K3 (batch)

MoonshotAI: Kimi K3 (batch) est un modèle de génération de texte de Moonshot AI, identifié sur api14 par l'identifiant de modèle moonshotai/kimi-k3:batch. C'est un modèle de raisonnement multimodal à poids ouverts et 2,8 billions de paramètres, conçu pour des charges de travail exigeantes plutôt que pour le chat léger. La variante batch est la version que vous appelez via api14, et elle conserve la même identité de modèle et le même comportement que la version de base Kimi K3 du fournisseur.

Le modèle accepte le texte, les images et la vidéo en entrée, et produit du texte en sortie. Sa fenêtre de contexte est de 1 048 576 tokens, ce qui est suffisamment grand pour contenir des bases de code entières, de longs ensembles de documents ou des historiques de conversation étendus dans une seule requête. La longueur maximale de sortie est de 16 384 tokens par réponse. Comme il s'agit d'un modèle de raisonnement, il peut consacrer une partie de son budget de génération à un raisonnement interne avant de produire la réponse finale, et ce comportement peut être influencé via les paramètres reasoning et reasoning_effort.

Ces capacités correspondent à quelques usages pratiques. Les tâches de codage complexes conviennent bien, y compris le travail sur de grands dépôts où l'intégralité du code source doit être dans le contexte. Le travail de connaissance tel que le résumé, la comparaison ou l'extraction à partir de longs documents et rapports est un autre usage naturel, en particulier lorsque le matériel source inclut des images ou de la vidéo qui doivent être interprétées en parallèle du texte. Les flux de travail agentiques à long horizon sont également un cas d'usage ciblé, où le modèle planifie sur de nombreuses étapes, appelle des outils et suit l'état sur un long contexte.

Vous appelez le modèle via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle moonshotai/kimi-k3:batch. La requête prend en charge 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 et top_p. L'appel d'outils et les sorties structurées sont disponibles via les paramètres tools, tool_choice, response_format et structured_outputs, et l'échantillonnage peut être ajusté avec temperature, top_p, top_k, min_p et les paramètres de pénalité. Une seed peut être définie pour un échantillonnage reproductible.

Gardez le plafond de sortie à l'esprit : les réponses sont limitées à 16 384 tokens, donc les tâches qui nécessitent une seule réponse très longue peuvent exiger de répartir le travail sur plusieurs appels. Le modèle produit également uniquement du texte, donc toute entrée image ou vidéo est interprétée pour produire du texte plutôt qu'une sortie multimédia générée. Pour les tâches textuelles simples et courtes, un modèle plus petit et plus rapide peut être un choix plus économique qu'un modèle de raisonnement de 2,8 billions de paramètres.