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 影像 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
廠商公布: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
價格在同類中的位置
價格在 65 個同類模型中的位置
這條線顯示該模型的價格，在 Synthorai 上同類模型裡處於什麼位置。兩端標出了最便宜和最貴的那個。這裡是基礎價，批次、區域與快取寫入的折扣見價格頁。
規格與限制
Token
| 上下文視窗(廠商規格) | 1,048,576 |
|---|---|
| 最大輸出(廠商規格) | 1,048,576 |
提示詞快取
| 快取方式 | 自動 |
|---|
思考
| 廠商參數 | reasoning_effort (top-level; the thinking object is not accepted) |
|---|---|
| 可選值 | 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 |
| 取值 | minimal · low · medium · high 閘道側參數面——以上方廠商映射為準 |
模型
| 模態 | 文字 + 影像 + 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。
單一提示詞 — 經由閘道測量
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
指令遵循（恰好三句，可數）、受眾適配（面向 CFO 的語氣），以及下方 token 計量所暴露的隱藏思考計費缺口。
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
修復是否真的正確（可執行）、解釋的資訊密度，以及在一個邊界明確的任務上的 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
schema 服從度（不臆造欄位）、幻覺壓力（guidance 明確被暫緩給出），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
約束服從度（字數預算、禁用詞表、唯一的那句問句）、文風指紋，以及長度控制。
30 秒用上 Kimi K3
OpenAI 相容:換掉 base_url,SDK 不用改。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,新帳號可獲得 10 次試用呼叫和最高 $1 的免費額度,無需信用卡。以輸入 $3/M 計算,光是這筆額度就足以對 Kimi K3 發出約 41 次 ~8K token 的請求。
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。完整能力請見「關於」一節,內容取自廠商官方發布說明。
Kimi K3 的價格是多少?
在 Synthorai 上,Kimi K3 輸入 $3/百萬 token、輸出 $15/百萬 token,即廠商牌價,無平台加價。快取命中的輸入 token 以 $0.3/M 計費。
Kimi K3 支援提示詞快取(prompt caching)嗎?
支援,且全自動:由 Moonshot 供應的提示詞會自動快取,無需改程式碼。快取命中的輸入 token 以 $0.3/M 計費(未命中 $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" 即可。一組 API key 通用閘道上的所有模型。
Kimi K3 是開源的嗎?
是,權重以 Kimi K3 License 發布(官方儲存庫連結見「關於」一節)。也可以省下 GPU:這裡的託管版本按用量計費,無需自建基礎設施。 執行開放權重模型 →
相關模型
對比
本頁每個值都轉錄自廠商自己的文件(連結見上),並帶有核對日期。價格在全目錄範圍內比較;各廠商定義不同的規格值,只說明差異而不作圖表對比。此處沒有任何由我們測量的資料,也不做評分。