MoonshotAI: Kimi K3

Kimi K3 to multimodalny model rozumujący od Moonshot AI, udostępniony przez dostawcę 16 lipca 2026. To model o otwartych wagach z 2,8 biliona parametrów, który w api14 znajduje się w kategorii tekstowej, choć przyjmuje na wejściu więcej niż tekst. Moonshot AI pozycjonuje go do złożonego kodowania, pracy z wiedzą oraz długoterminowych przepływów agentowych.

Po stronie wejścia Kimi K3 przyjmuje tekst, obrazy i wideo, a jako wyjście produkuje tekst. Okno kontekstu wynosi 1 048 576 tokenów, co wystarcza na bardzo długie dokumenty, rozbudowane historie rozmów lub spore bazy kodu w jednym żądaniu. Maksymalne wyjście to 943 718 tokenów, więc odpowiedzi same w sobie mogą być niezwykle długie, gdy zadanie tego wymaga. Rozumowanie jest częścią projektu modelu, a API udostępnia jego kontrolę, w tym parametr reasoning, ustawienie reasoning_effort oraz flagę include_reasoning do ujawniania treści rozumowania.

Te możliwości wskazują na kilka praktycznych zastosowań. Praca z długim kontekstem, taka jak przeglądanie dużych repozytoriów, streszczanie lub odpytywanie długich raportów oraz utrzymywanie stanu między wieloetapowymi uruchomieniami agenta, pasuje do okna kontekstu i nastawienia na agentowość. Ponieważ obrazy i wideo można przekazywać razem z tekstem, model radzi sobie z zadaniami łączącymi materiał wizualny z instrukcjami pisemnymi, na przykład opisywaniem lub wyodrębnianiem informacji ze zrzutów ekranu, diagramów lub klipów. Ustrukturyzowane wyjścia, wywoływanie narzędzi i kontrola rozumowania czynią go rozsądnym wyborem dla potoków, w których model musi wywoływać funkcje, zwracać JSON lub poświęcić więcej wysiłku na trudne problemy.

Kimi K3 wywołujesz przez zgodne z OpenAI API api14, używając identyfikatora modelu "moonshotai/kimi-k3". Obsługiwane parametry żądania to 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 oraz top_p. Kontrola próbkowania (temperature, top_p, top_k, min_p, parametry kar, seed i stop) pozwala dostroić wyjście, natomiast response_format i structured_outputs obejmują sformatowane odpowiedzi, a tools i tool_choice obejmują wywoływanie funkcji. Logprobs i top_logprobs są dostępne, jeśli potrzebujesz prawdopodobieństw na poziomie tokenów, a max_tokens ogranicza długość odpowiedzi w ramach maksymalnego wyjścia.

Nie ma tu informacji o cenniku, opóźnieniach ani przepustowości, więc warto je sprawdzić w aktualnej tabeli cen i we własnych testach. Model generuje wyłącznie tekst, więc jeśli potrzebujesz generowanych obrazów, dźwięku lub innych modalności wyjściowych, konieczny będzie inny model. Jeśli Twoje obciążenie jest niewielkie, oparte na krótkim kontekście i nie korzysta z rozumowania ani wejścia multimodalnego, prostszy model może być lepszym dopasowaniem.