MoonshotAI: Kimi K3

Kimi K3 is een multimodaal redeneermodel van Moonshot AI, vrijgegeven door de provider op 16 juli 2026. Het is een open-weight model met 2,8 biljoen parameters, en het staat in de tekstcategorie op api14 terwijl het meer dan tekst als invoer accepteert. Moonshot AI positioneert het voor complexe codering, kenniswerk en langdurige agentische workflows.

Aan de invoerkant accepteert Kimi K3 tekst, afbeeldingen en video, en het produceert tekst als uitvoer. Het contextvenster is 1.048.576 tokens, wat groot genoeg is om zeer lange documenten, uitgebreide gespreksgeschiedenissen of omvangrijke codebases in één verzoek te bevatten. De maximale uitvoer is 943.718 tokens, dus antwoorden kunnen zelf extreem lang zijn wanneer een taak dat vereist. Redeneren maakt deel uit van het ontwerp van het model, en de API biedt besturingselementen daarvoor, waaronder een reasoning-parameter, een reasoning_effort-instelling en een include_reasoning-vlag om de redeneerinhoud zichtbaar te maken.

Die mogelijkheden wijzen op een paar praktische toepassingen. Lang-contextwerk zoals het beoordelen van grote repositories, het samenvatten van of queryen in lange rapporten, en het bijhouden van status across multi-step agent-runs past bij het contextvenster en de agentische focus. Omdat afbeeldingen en video samen met tekst kunnen worden meegegeven, kan het model taken aan die visueel materiaal met geschreven instructies combineren, bijvoorbeeld het beschrijven of extraheren van informatie uit screenshots, diagrammen of clips. Gestructureerde uitvoer, tool calling en redeneerbesturingselementen maken het een redelijke keuze voor pipelines waarin het model functies moet aanroepen, JSON moet retourneren of meer inspanning aan moeilijke problemen moet besteden.

Je roept Kimi K3 aan via de OpenAI-compatibele API van api14 met het model-id "moonshotai/kimi-k3". De ondersteunde verzoekparameters zijn 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 en top_p. Sampling-besturingselementen (temperature, top_p, top_k, min_p, de penalty-parameters, seed en stop) laten je de uitvoer afstemmen, terwijl response_format en structured_outputs opgemaakte antwoorden dekken en tools en tool_choice functieaanroepen dekken. Logprobs en top_logprobs zijn beschikbaar als je token-niveau waarschijnlijkheden nodig hebt, en max_tokens begrenst de antwoordlengte binnen de maximale uitvoer.

Er is hier geen informatie over prijzen, latentie of doorvoer, dus die kun je het beste controleren aan de hand van de actuele prijstabel en je eigen tests. Het model levert alleen tekstuitvoer, dus als je gegenereerde afbeeldingen, audio of andere uitvoermodaliteiten nodig hebt, is een ander model vereist. Als je workload klein is, een korte context heeft en geen baat heeft bij redeneren of multimodale invoer, kan een eenvoudiger model beter passen.