Kimi K3-anmeldelse: benchmarks, priser, kontekst på 1M og API

Kimi K3 er Moonshot AI's flagskibsmodel med 2,8 billioner parametre til kodning over lange forløb, vidensarbejde, visuel ræsonnering og agenter, der bruger værktøjer. Den kombinerer et kontekstvindue på 1 million tokens med indbygget forståelse af billeder og video, altid-aktiv ræsonnering, struktureret output og en usædvanlig sparsom Mixture-of-Experts-arkitektur.

Tallene i overskrifterne er imponerende, men de besvarer ikke de praktiske spørgsmål. Er Kimi K3 bedre end de stærkeste lukkede modeller? Er dens kontekst på 1M nyttig eller bare dyr? Kan udviklere selvhoste en model på 2,8T? Og hvilke begrænsninger har betydning, når K3 styrer værktøjer i timevis i stedet for at besvare én prompt?

Denne anmeldelse adskiller bekræftede evner fra påstande ved lanceringen og forklarer, hvor Kimi K3 passer ind i en modelstack i produktion.

Poyo-tilgængelighed opdateret 22. juli 2026. Kimi K3 er tilgængelig via Poyo.ai som kimi-k3 og gennem Moonshot AI's officielle produkter. Moonshot oplyser, at de komplette modelvægte er planlagt udgivet senest den 27. juli 2026; denne artikel opdateres, når vægtene og licensen er offentlige.

Kimi K3 med et enkelt blik

Kimi K3 bruger ekstrem skala på en anden måde end en tæt model med 2,8T. Stable LatentMoE router hvert token gennem 16 af 896 eksperter, så det samlede antal parametre ikke er det samme som aktiv beregning for hvert token. Den forskel har betydning, når man sammenligner arkitektur, intelligens og udrulningsomkostninger.

Hvad Kimi K3 er designet til

Moonshot positionerer K3 omkring to brede typer arbejdsbyrde: softwareudvikling over lange forløb og vidensarbejde fra ende til anden.

Kodning over lange forløb

K3 er bygget til at forblive produktiv gennem lange udviklingssessioner. De officielle eksempler lægger vægt på navigation i store repositories, orkestrering af terminalen, optimering af GPU-kernels, udvikling af compilere, frontend-udvikling, spiludvikling, CAD og videnskabelig kodning.

Det er et andet mål end autocomplete. En kodningsmodel til lange forløb skal gentagne gange inspicere tilstand, vælge et værktøj, fortolke resultatet, justere sin plan og verificere det endelige resultat. Udholdenhed og evnen til at komme sig efter fejl kan have større betydning end kvaliteten af det første kodeeksempel.

Vision i kodningsløkken

K3 har indbygget visuel forståelse. Den kan bruge skærmbilleder og gengivet output som feedback, mens den ændrer kode. Det understøtter frontend-iteration, visuel QA, spil, 3D-scener, diagrammer og andre workflows, hvor bestående unit tests ikke er nok.

Det officielle API accepterer billeddata og uploadet video. Offentlige billed-URL'er accepteres ikke direkte i vision-beskeder: Billeder skal leveres som base64 eller via understøttet filhåndtering, og video refereres via et Moonshot-fil-ID.

Vidensarbejde

K3 er også rettet mod research, rapporter, regneark, slides, dashboards og analyse i flere trin. En kontekst på 1M tokens kan rumme et stort bevismateriale, men nyttigt vidensarbejde kræver stadig kildekontrol, kontrol af citater og verifikation. Et stort vindue mindsker behovet for at kassere kontekst; det garanterer ikke, at ethvert faktum huskes eller vægtes korrekt.

Hvor gode er benchmarkene for Kimi K3?

Kimis rapport fra lanceringen dækker reparation af repositories, terminalopgaver, opbygning af hele programmer, vidensarbejde, automatisering, browsing og multimodale evalueringer. Mønsteret i rapporten er vigtigere end en enkelt score: K3 er stærkest i lange, agentbaserede workflows og forbliver konkurrencedygtig over for førende lukkede modeller i hele den officielle testsuite.

Forbeholdene har betydning:

• Resultaterne for Kimi K3 bruger generelt maksimal ræsonneringsindsats.
• Modellerne blev ikke altid evalueret med den samme agent-harness.
• Nogle opgaver kørte i H20-kalibrerede miljøer og ikke på benchmarkens standardhardware.
• Den officielle rapport nævner fallback-adfærd for mindst én konkurrerende model.
• Uafhængige rangeringer af bred intelligens placerer ikke K3 øverst samlet set.

Uafhængig analyse placerer i øjeblikket K3 tæt på fronten og ikke klart over den. Det stemmer overens med Moonshots egen udtalelse om, at K3 samlet set stadig er bagud i forhold til de stærkeste proprietære modeller.

For scoretabeller, noter om harnesses og forskellen på officielle og uafhængige resultater kan du læse Kimi K3-benchmarks forklaret.

Priser for Kimi K3 API

Moonshot oplister faste betal-efter-forbrug-takster med separate priser for cachet og ikke-cachet input.

Der er intet dyrere prisniveau, blot fordi en anmodning bruger lang kontekst. Den samlede regning kan stadig blive stor: En million ikke-cachede input-tokens koster $3 før output, mens 50.000 output-tokens lægger $0.75 oveni.

Automatisk caching kan ændre økonomien i gentagne workflows med repositories og research. Et stabilt præfiks på 500K tokens koster $1.50 ved et miss, men $0.15 ved et cache-hit. Applikationer bør logge cacheadfærd og ikke gå ud fra, at enhver gentaget anmodning får den lavere takst.

Se Kimi K3 API-priser forklaret for komplette eksempler på arbejdsbyrder og cachingstrategier.

Kimi K3 vs GPT-5.6 Sol

K3 og GPT-5.6 Sol overlapper inden for avanceret kodning, agenter, ræsonnering og professionelt arbejde, men de repræsenterer forskellige afvejninger.

Ingen model vinder på alle arbejdsbyrder. K3 er overbevisende for teams, der vægter lang kontekst, multimodal kodning og fremtidig adgang til vægtene. GPT-5.6 Sol er fortsat attraktiv, når uafhængigt dokumenteret topkvalitet, moden platformadfærd og lukket hostet infrastruktur betyder mere.

Læs hele beslutningsguiden i Kimi K3 vs GPT-5.6 Sol.

Kimi K3's styrker

En virkelig stor arbejdskontekst

En million tokens giver agenter plads til kildekode, dokumentation, værktøjshistorik, visuelle beviser og mellemresultater. Det er særligt nyttigt, når aggressiv retrieval ville adskille beviser, der skal vurderes samlet.

Kodning og vision i én model

K3 kan inspicere et gengivet resultat i stedet for kun at støtte sig til kildekode eller tekstlogs. Det gør den relevant for UI-udvikling, spil, CAD, datavisualisering og medie-workflows.

API-funktioner rettet mod agenter

Det officielle API understøtter brugerdefinerede værktøjer, tvungen brug af værktøjer, dynamisk indlæsning af værktøjer, streaming, struktureret output og lange sessioner med flere runder. Det er byggeklodser til produktion og ikke funktioner, der kun er til chat.

Retning mod åbne vægte

Moonshot beskriver K3 som den første åbne model i 3T-klassen og har annonceret komplette vægte. Hvis udgivelsen og licensen tillader bred brug, giver det infrastrukturteams mere kontrol end lukkede modeller, der kun er tilgængelige via API. Tilgængelighed, licensvilkår og understøttelse af inferens i fællesskabet skal dog stadig verificeres efter udgivelsen.

Begrænsninger ved Kimi K3

Tænkehistorikken skal bevares

Moonshot advarer om, at K3 er trænet med bevaret tænkehistorik. En klient, der dropper påkrævet assistenttilstand, kun beholder den endelige tekst eller skifter model midt i en session, kan give ustabil kvalitet. Det gør korrekt håndtering af samtaletilstand afgørende.

Den kan være for proaktiv

Træning til lange forløb får modellen til at blive ved med at bevæge sig fremad. I tvetydige situationer kan K3 træffe beslutninger, som brugeren ikke har givet lov til. Agenter i produktion har brug for eksplicitte grænser, afgrænsede værktøjer, godkendelsestrin og klare instruktioner om, hvornår de skal stoppe.

Den største model er ikke en model til en lokal bærbar

Selv med MXFP4-vægte og sparsom aktivering af eksperter er en model på 2,8T en udrulning i infrastrukturskala. Moonshot anbefaler supernode-konfigurationer med 64 eller flere acceleratorer. Åbne vægte gør ikke K3 praktisk på en GPU til forbrugere eller en almindelig arbejdsstation.

Output er forholdsvis dyrt

Ved $15 pr. million output-tokens kan ordrig agentadfærd dominere regningen. Applikationer bør sætte fornuftige grænser for svarlængden og måle omkostning pr. verificeret opgave og ikke pris pr. anmodning.

Nogle detaljer om udgivelsen mangler stadig

Pr. 21. juli er de fulde vægte, den endelige licens og den tekniske rapport endnu ikke offentlige. Artikler, der påstår en komplet lokal installationsproces, før disse artefakter findes, bør tages med forbehold.

Hvem bør bruge Kimi K3?

K3 er en stærk kandidat til:

• kodningsagenter i repository-skala;
• terminal-workflows, der kræver udholdenhed;
• iteration af frontend, spil, CAD og visuel software;
• research af lange dokumenter og professionelle resultater;
• multimodal analyse med billeder eller uploadet video;
• teams, der evaluerer fremtidige udrulninger af frontmodeller med åbne vægte.

Den kan være unødvendigt stor eller dyr til:

• klassificering, udtræk og simpel support;
• korte svar, hvor svartiden er kritisk;
• små selvhostede miljøer;
• workflows, der ikke kan bevare den fulde samtaletilstand;
• agenter uden stærke grænser for tilladelser og verifikation.

Dommen over Kimi K3

Kimi K3 er en af de mest betydningsfulde lanceringer af åbne modeller i 2026, fordi den kombinerer en arkitektur i frontskala, et kontekstvindue på 1M, indbygget visuel forståelse og et seriøst agent-API. Dens mest overbevisende anvendelse er ikke et benchmarkspørgsmål med ét forsøg. Det er vedvarende arbejde på tværs af kode, værktøjer, dokumenter og visuel feedback.

Modellen er ikke automatisk en erstatning for de stærkeste lukkede systemer. Uafhængig evaluering, outputomkostninger, krav til tilstandshåndtering, overdreven proaktivitet og ekstreme krav til selvhosting har alle betydning. Den rette beslutning i produktion er at teste K3 på repræsentative opgaver med lang køretid og sammenligne omkostning pr. verificeret resultat.

Følg modelsiden for Kimi K3 for tilgængelighed på Poyo.ai, bekræftede model-ID'er og priser.

Ofte stillede spørgsmål

Er Kimi K3 open source?

Moonshot kalder K3 en åben model i 3T-klassen og oplyser, at de komplette vægte udgives senest den 27. juli 2026. Pr. 21. juli bør udviklere vente på de faktiske filer og licensen, før de fremsætter påstande om udrulning eller kommerciel brug.

Hvor stort er kontekstvinduet i Kimi K3?

Kimi K3 understøtter et kontekstvindue på 1 million tokens. Automatisk kontekstcaching er tilgængelig i det officielle API.

Er Kimi K3 bedre end GPT-5.6 Sol?

Ikke universelt. K3 er især attraktiv til lang kontekst, planlagte åbne vægte, multimodal kodning og agent-workflows. GPT-5.6 Sol bevarer fordele i nogle uafhængige og avancerede evalueringer. Test begge på de samme opgaver.

Understøtter Kimi K3 billeder og video?

Ja. Det officielle API understøtter billedinput og uploadet videoinput. Det returnerer tekst og ikke genererede billeder eller video.

Hvad koster Kimi K3 API?

Moonshot oplister $0.30 pr. million input-tokens med cache-hit, $3 pr. million input-tokens med cache-miss og $15 pr. million output-tokens.

Kan Kimi K3 køre lokalt?

Ikke på almindelig forbrugerhardware. Modellen på 2,8T er beregnet til stor distribueret infrastruktur, selv om kun en delmængde af eksperter er aktive pr. token.

Kilder

• Moonshot AI: teknisk lancering af Kimi K3
• Kimi API: hurtig start og begrænsninger for Kimi K3
• Officielle API-priser for Kimi K3
• Artificial Analysis: uafhængig analyse af Kimi K3
• Poyo.ai's modelside for Kimi K3