MoonshotAI: Kimi K3

Kimi K3 è un modello di ragionamento multimodale di Moonshot AI, rilasciato dal provider il 16 luglio 2026. È un modello a pesi aperti con 2,8 trilioni di parametri, e si colloca nella categoria testo su api14 pur accettando più che testo come input. Moonshot AI lo posiziona per coding complesso, knowledge work e workflow agentici a lungo orizzonte.

Sul lato input, Kimi K3 accetta testo, immagini e video, e produce testo come output. La finestra di contesto è di 1.048.576 token, abbastanza ampia da contenere documenti molto lunghi, cronologie di conversazione estese o codebase di dimensioni considerevoli in una singola richiesta. L'output massimo è di 943.718 token, quindi le risposte possono essere esse stesse estremamente lunghe quando un'attività lo richiede. Il ragionamento fa parte del design del modello, e l'API espone controlli per esso, tra cui un parametro reasoning, un'impostazione reasoning_effort e un flag include_reasoning per far emergere il contenuto del ragionamento.

Queste capacità indicano alcuni usi pratici. Il lavoro a contesto lungo, come la revisione di repository di grandi dimensioni, il riepilogo o l'interrogazione di report lunghi e il mantenimento dello stato attraverso esecuzioni agentiche multi-step, si adatta alla finestra di contesto e all'attenzione agentica. Poiché immagini e video possono essere passati insieme al testo, il modello può gestire attività che combinano materiale visivo con istruzioni scritte, ad esempio descrivendo o estraendo informazioni da screenshot, diagrammi o clip. Output strutturati, tool calling e controlli di ragionamento lo rendono una scelta ragionevole per pipeline in cui il modello deve chiamare funzioni, restituire JSON o impiegare maggiore sforzo su problemi difficili.

Chiami Kimi K3 tramite l'API compatibile con OpenAI di api14 usando il model id "moonshotai/kimi-k3". I parametri di richiesta supportati sono 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 e top_p. I controlli di campionamento (temperature, top_p, top_k, min_p, i parametri di penalità, seed e stop) permettono di regolare l'output, mentre response_format e structured_outputs coprono le risposte formattate e tools e tool_choice coprono il function calling. Logprobs e top_logprobs sono disponibili se hai bisogno di probabilità a livello di token, e max_tokens limita la lunghezza della risposta entro l'output massimo.

Qui non ci sono informazioni su prezzi, latenza o throughput, quindi vale la pena verificarli rispetto alla tabella prezzi aggiornata e ai tuoi test. Il modello produce solo testo, quindi se hai bisogno di immagini generate, audio o altre modalità di output, sarà necessario un modello diverso. Se il tuo carico di lavoro è piccolo, a contesto breve e non trae beneficio dal ragionamento o dall'input multimodale, un modello più semplice potrebbe essere una scelta migliore.