Kimi K3 是月之暗面（Moonshot）迄今最強的旗艦模型，擁有 2.8 兆參數，其文件稱它是全球首個三兆參數級別的開源模型。
- 輸入
- 文字 圖像 影片 $3/M
- 輸出
- 文字 $15/M
- 快取讀取
- $0.3/M
- 上下文
- 1M
- 相較 GPT-4o
- 便宜約 40%
Benchmark 成績
供應商公布： Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
價格在同類中的位置
價格在 70 個同類模型中的位置
這條線標出這個模型的價格，在 Synthorai 的同類模型裡落在什麼位置；兩端分別是最便宜和最貴的模型。這裡列的是基礎價，批次、區域和快取寫入的折扣請見價格頁。
規格與限制
Token
| 上下文視窗（供應商規格） | 1,048,576 |
|---|---|
| 最大輸出（供應商規格） | 1,048,576 |
提示詞快取
| 快取方式 | 自動 |
|---|
思考
| 供應商參數 | reasoning_effort (top-level; the thinking object is not accepted) |
|---|---|
| 可接受的值 | low · high · max |
| 預設值 | max 請求未指定時生效 |
| 可關閉 | 不支援 |
| 思考行為 | K3 一律會推理，因此請用 low 調低而不是關閉；在多輪與工具呼叫的輪次中，必須把包含 reasoning_content 與 tool_calls 的完整 assistant 訊息回傳，而在會話中途切換力度會使前綴快取命中失效。 |
| 參數 | reasoning_effort |
| 參數值 | minimal · low · medium · high 這是閘道的參數，實際以上方的供應商對應為準 |
模型
| 模態 | 文字 + 圖像 + 影片 → 文字 |
|---|---|
| 參數量 | 總參數 2.8T · 啟用 104B MoE：Kimi Delta Attention（KDA） + Attention Residuals，每個 token 啟用 896 個專家中的 16 個 |
| 授權條款 | Kimi K3 License |
- 思考模式始終開啟：推理無法關閉，只能透過力度等級（low / high / max）調低。
- max_completion_tokens 預設為 131,072，可提高到完整的 1,048,576。
- 上下文快取自動生效，沒有 cache id、TTL 或額外參數，只要上一個請求的提示詞超過 256 token 就會啟用。
- 開放權重（MXFP4 權重 / MXFP8 啟用值，量化感知訓練）以 Kimi K3 License 發布於 Hugging Face。
一段提示詞，經閘道實測
Kimi K3 通過 · 3 sentences
Reasoning models don't just answer questions—they "think" first, generating long internal chains of step-by-step logic before producing a response. Those hidden thinking steps are billed as output tokens (the most expensive kind, typically 3–5x the price of input tokens), and a single query can generate thousands of them even when the visible answer is only a paragraph long. So you're paying for dramatically more compute per request: the bill doubled because the model does far more work behind the scenes, not because usage increased.
輸出 755 tok (+637 思考) 延遲 20.8 s
是否照指令做（剛好三句，數得出來）、語氣是否貼合對象（寫給 CFO 看），以及下方 token 計量顯示出的隱藏思考計費落差。
Kimi K3 通過 · 8/8 cases
```python def longest_run(xs): if not xs: return 0 best = 1 cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 best = max(best, cur) else: cur = 1 return best ``` The bug is a fencepost error: `cur` counts *matching adjacent pairs* rather than *items in the run*, because it starts at 0 and only increments when `xs[i] == xs[i - 1]`. A run of length L contains L−1 equal pairs, so every run was undercounted by exactly one. For a single-element list (a run of length 1) the loop never runs and the function returns 0 instead of 1; likewise any run ending at the last index — e.g. the two `2`s in `[1, 2, 2]` — reported 1 instead of 2, making it look like no run existed at all. […]
輸出 1837 tok (+1547 思考) 延遲 47.2 s
修正是否真的正確（跑得起來）、說明的資訊密度，以及在範圍明確的任務上的 token 效率。
Kimi K3 通過 · 5/5 fields, guidance null
{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null }
輸出 924 tok (+863 思考) 延遲 25.9 s
是否遵守 schema（不自創欄位）、面對幻覺誘因的表現（題目明確不給 guidance），以及結構化輸出路徑的差異。
Kimi K3 通過 · 120 words, 0 banned, 1 question
Meet Prompt Cache, a new API gateway capability that stores prompt responses and serves them across OpenAI, Anthropic, Google, and Azure endpoints. It matches requests by model, prompt hash, tools, temperature, and tenant policy, so repeated work returns fast while sensitive contexts stay isolated. Teams set TTLs, stale rules, encryption scopes, and bypass flags per route. Analytics show hit rate, latency saved, token spend avoided, and drift risk by provider. What changes for developers? Keep one integration, add cache headers, and watch fallback logic respect consent, residency, and audit needs. During rollout, canary keys compare fresh answers with cached copies before promotion. Prompt Cache cuts vendor calls, steadies p95 latency, and gives platform owners controls for cost, quality, and compliance.
輸出 1527 tok (+1354 思考) 延遲 37.9 s
是否遵守限制（字數上限、禁用詞清單、只能有一句問句）、文字風格的特徵，以及長度控制。
30 秒上手 Kimi K3
相容 OpenAI：換掉 base_url，SDK 不用換。POST /v1/chat/completions
from openai import OpenAI
client = OpenAI(
base_url="https://synthorai.io/v1",
api_key="sk-syn-...",
)
resp = client.chat.completions.create(
model="kimi-k3",
messages=[{"role": "user", "content": "Summarize this diff"}],
reasoning_effort="medium",
)
print(resp.choices[0].message.content)import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://synthorai.io/v1",
apiKey: "sk-syn-...",
});
const resp = await client.chat.completions.create({
model: "kimi-k3",
messages: [{ role: "user", content: "Summarize this diff" }],
reasoning_effort: "medium",
});
console.log(resp.choices[0].message.content);curl https://synthorai.io/v1/chat/completions \
-H "Authorization: Bearer sk-syn-..." \
-H "Content-Type: application/json" \
-d '{
"model": "kimi-k3",
"messages": [{"role": "user", "content": "Hello"}],
"reasoning_effort": "medium"
}'package main
import (
"context"
"fmt"
"github.com/openai/openai-go/v3"
"github.com/openai/openai-go/v3/option"
)
func main() {
client := openai.NewClient(
option.WithBaseURL("https://synthorai.io/v1"),
option.WithAPIKey("sk-syn-..."),
)
resp, _ := client.Chat.Completions.New(context.TODO(), openai.ChatCompletionNewParams{
Model: "kimi-k3",
Messages: []openai.ChatCompletionMessageParamUnion{
openai.UserMessage("Summarize this diff"),
},
ReasoningEffort: openai.ReasoningEffortMedium,
})
fmt.Println(resp.Choices[0].Message.Content)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;
import com.openai.models.ReasoningEffort;
OpenAIClient client = OpenAIOkHttpClient.builder()
.baseUrl("https://synthorai.io/v1")
.apiKey("sk-syn-...")
.build();
ChatCompletion resp = client.chat().completions().create(
ChatCompletionCreateParams.builder()
.model("kimi-k3")
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));關於 Kimi K3
- 架構上，它把混合線性注意力機制 Kimi Delta Attention 與 Attention Residuals 搭配，並透過 Stable LatentMoE 框架把混合專家（MoE）的稀疏度推得更遠，從 896 個專家中啟用 16 個；月之暗面把整體擴展效率約為 K2 的 2.5 倍歸功於這些改動。
- 它原生具備視覺理解與 1M token 上下文視窗，瞄準長程編碼、知識工作與推理等前沿智慧場景：以最少的監督支撐長時間的工程任務、在大型程式碼庫之間工作、驅動終端工具，以及在遊戲開發、前端工程與 CAD 工作流程中使用截圖與視覺回饋。
- 這裡的思考不是可選項。
- K3 始終推理，唯一的控制項是頂層的 reasoning_effort 欄位，取值 low、high 或 max，預設為 max，因此對延遲敏感的部署必須明確把它調低。
- 另有幾項限制值得寫進程式碼：max_completion_tokens 預設為 131,072，而上限是 1,048,576；取樣參數是固定的，請求中應當省略；在多輪與工具呼叫的輪次上，完整的 assistant 訊息必須原樣回傳；視覺輸入拒絕公開的影像 URL，只接受 base64 或已上傳的檔案引用。
- 上下文快取是自動的，沒有 cache id、TTL 或額外參數，一旦上一個請求的 prompt 超過 256 token 就會生效，定價是統一的，不按上下文長度分級。
- 結構化輸出、partial 模式預填與動態工具載入均受支援，權重以 Kimi K3 License 釋出。
- Synthorai 讓 Kimi K3 可透過其 OpenAI 相容 chat completions 端點呼叫。
常見問題
Kimi K3 API 可以免費試用嗎？
可以，新帳號有 10 次試用呼叫和最高 $1 的免費額度，免綁卡。以輸入價 $3/M 計算，光是這筆額度就夠你對 Kimi K3 發出約 41 次請求，每次約 8K token。
Kimi K3 最擅長什麼？
首個三兆參數級別的開源模型、原生視覺理解，1M token 上下文視窗、始終推理，reasoning_effort 預設為 max。完整介紹請見「關於」一節，內容取自供應商官方的發布說明。
Kimi K3 的價格是多少？
在 Synthorai 上，Kimi K3 的輸入價是每百萬 token $3，輸出價是每百萬 token $15。這就是供應商官網價，平台不加價。快取命中的輸入 token 以 $0.3/M 計費。
Kimi K3 的上下文長度是多少？
Kimi K3 的上下文長度（上下文視窗）是 1M token。單次回覆最多輸出 1,048,576 個 token。
Kimi K3 支援提示詞快取（prompt caching）嗎？
支援，而且全自動：由 Moonshot 處理的提示詞會自動快取，不用改程式碼。快取命中的輸入 token 以 $0.3/M 計費（未命中為 $3/M）。 提示詞快取指南 →
如何開通 Kimi K3？
把現有 OpenAI SDK 的 base_url 指向 "https://synthorai.io/v1"，model 設為 "kimi-k3" 就可以了。一把 API 金鑰就能呼叫閘道上的所有模型。
Kimi K3 是開源的嗎？
是，權重以 Kimi K3 License 釋出（官方儲存庫連結見「關於」一節）。不想自己準備 GPU 的話，這裡的託管版本按用量計費，不必自己架設基礎設施。 執行開放權重模型 →
相關模型
比較
本頁每一個數值都摘錄自供應商自己的文件（連結見上方），並附上查核日期。價格是放在整個目錄裡比較；各家供應商定義不一樣的規格，只說明差異，不畫成圖表比較。這裡沒有任何數據是我們自己量測的，也不做評分。