Kimi K3 — это сверхкрупномасштабная, открытая мультимодальная модель рассуждений от Moonshot AI. Она подходит для сложного кодирования, работы со знаниями и долгосрочных агентных рабочих процессов, и особенно сильна в навигации по большим репозиториям, использовании инструментов, отладке и итерациях с изображениями, логами, тестами и обратной связью во время выполнения. Её архитектура использует KDA и Attention Residuals для вычислительной эффективности.
Провайдер для MoonshotAI: Kimi K3
Hubris маршрутизирует запросы к лучшему доступному провайдеру с автоматическим fallback при сбоях.
Модальности
Провайдеры
Запросы обслуживает один из провайдеров ниже — маршрутизация автоматически выбирает оптимального по доступности и скорости в момент запроса. Итоговая стоимость зависит от того, какой провайдер обслужил запрос, и от попадания в кэш: при повторяющемся контексте вход тарифицируется по цене чтения кэша — до 60–80 % дешевле. Цены — в рублях за 1 млн токенов.
Relace | 56,81 ₽ | 1 641,07 ₽ | 56,81 ₽ | — | 100,0 % |
Wafer | 59,33 ₽ | 1 893,55 ₽ | 56,81 ₽ | — | 100,0 % |
InferenceNet | 78,27 ₽ | 1 552,71 ₽ | 54,28 ₽ | — | 100,0 % |
Sail Research | 106,04 ₽ | 1 704,19 ₽ | 37,87 ₽ | — | 99,9 % |
Morph | 136,97 ₽ | 1 767,31 ₽ | 35,09 ₽ | — | 99,9 % |
AkashML | 151,48 ₽ | 1 767,31 ₽ | 151,48 ₽ | — | 100,0 % |
Makora | 193,14 ₽ | 1 609,51 ₽ | 25,75 ₽ | — | 97,1 % |
Decart−19 % | — | 96,8 % | |||
Phala−15 % | — | 100,0 % | |||
DigitalOcean | 321,90 ₽ | 1 634,76 ₽ | 32,19 ₽ | — | 100,0 % |
Parasail | 328,21 ₽ | 1 641,07 ₽ | 32,82 ₽ | — | 99,4 % |
Together | 340,84 ₽ | 1 704,19 ₽ | 34,08 ₽ | — | 85,9 % |
Wafer | 353,46 ₽ | 1 767,31 ₽ | 37,87 ₽ | — | 99,4 % |
DeepInfra | 359,77 ₽ | 1 798,87 ₽ | 35,98 ₽ | — | 98,5 % |
InferenceNet | 377,45 ₽ | 1 893,55 ₽ | 56,81 ₽ | — | 100,0 % |
Amazon Bedrock | 378,71 ₽ | 1 893,55 ₽ | 37,87 ₽ | — | 99,5 % |
Chutes | 378,71 ₽ | 1 893,55 ₽ | 37,87 ₽ | — | 100,0 % |
Modal | 378,71 ₽ | 1 893,55 ₽ | 37,87 ₽ | — | 100,0 % |
Fireworks | 378,71 ₽ | 1 893,55 ₽ | 37,87 ₽ | — | 99,9 % |
BaseTen | 378,71 ₽ | 1 893,55 ₽ | 37,87 ₽ | — | 100,0 % |
Moonshot AI | 378,71 ₽ | 1 893,55 ₽ | 37,87 ₽ | — | 100,0 % |
Alibaba | 435,52 ₽ | 2 177,58 ₽ | 43,55 ₽ | — | 100,0 % |
Fireworks | 568,06 ₽ | 2 840,32 ₽ | 56,81 ₽ | — | 100,0 % |
Fireworks | 568,06 ₽ | 2 840,32 ₽ | 56,81 ₽ | — | 99,2 % |
Поддерживаемые параметры
Сравнить с…
выбрать любую модель →Другие модели от moonshotai
MoonshotAI: Kimi K2.6
Kimi K2.6 — это мультимодальная модель нового поколения от Moonshot AI, разработанная для долгосрочного кодирования, генерации UI/UX на основе кодирования и оркестрации мультиагентов. Она справляется со сложными сквозными задачами кодирования на Python, Rust и Go, а также может преобразовывать промпты и визуальные входные данные в готовые к производству интерфейсы. Её архитектура роя агентов масштабируется до сотен параллельных субагентов для автономной декомпозиции задач — создания документов, веб-сайтов и электронных таблиц за один запуск без участия человека.
MoonshotAI: Kimi K2.7 Code
MoonshotAI: Kimi K2.7 Code — это модель семейства Kimi K2 от Moonshot AI, ориентированная на кодирование и предназначенная для надёжного выполнения сквозных задач программирования в длинных контекстах. Она использует нативную мультимодальную архитектуру MoE, которая принимает текстовые и графические входные данные, и всегда работает в режиме мышления, сохраняя полное содержание рассуждений в многоходовых диалогах. С окном контекста в 256K токенов, она нацелена на долгосрочное кодирование, декомпозицию агентских задач и многоходовый диалог. Модель активирует 32 миллиарда параметров из примерно 1 триллиона общих.
MoonshotAI: Kimi Latest
Эта модель всегда перенаправляется на последнюю модель в семействе MoonshotAI Kimi.
MoonshotAI: Kimi K2.5
Kimi K2.5 — это нативная мультимодальная модель Moonshot AI, обеспечивающая передовые возможности визуального кодирования и парадигму самонаправляемой агентной системы. Созданная на базе Kimi K2 с продолженным предварительным обучением на примерно 15 триллионах смешанных визуальных и текстовых токенов, она демонстрирует высокую производительность в общем рассуждении, визуальном кодировании и агентном вызове инструментов.
MoonshotAI: Kimi K2 Thinking
Kimi K2 Thinking — это самая передовая открытая модель рассуждений Moonshot AI на сегодняшний день, расширяющая серию K2 в область агентных рассуждений с длительным горизонтом. Построенная на архитектуре Mixture-of-Experts (MoE) с триллионом параметров, представленной в Kimi K2, она активирует 32 миллиарда параметров за один прямой проход и поддерживает контекстные окна размером 256 тысяч токенов. Модель оптимизирована для последовательного пошагового мышления, динамического вызова инструментов и сложных рабочих процессов рассуждений, охватывающих сотни ходов. Она чередует пошаговые рассуждения с использованием инструментов, обеспечивая автономные исследования, кодирование и написание текстов, которые могут продолжаться сотни последовательных действий без отклонений. Она устанавливает новые открытые бенчмарки на HLE, BrowseComp, SWE-Multilingual и LiveCodeBench, сохраняя при этом стабильное многоагентное поведение на протяжении 200–300 вызовов инструментов. Построенная на крупномасштабной архитектуре MoE с оптимизацией MuonClip, она сочетает в себе сильную глубину рассуждений с высокой эффективностью вывода для требовательных агентных и аналитических задач.
MoonshotAI: Kimi K2 0905
Kimi K2 0905 — это сентябрьское обновление Kimi K2 0711. Это крупномасштабная языковая модель Mixture-of-Experts (MoE), разработанная Moonshot AI, с общим количеством параметров в 1 триллион и 32 миллиардами активных параметров на каждый прямой проход. Она поддерживает инференс с длинным контекстом до 256k токенов, что расширено по сравнению с предыдущими 128k. Это обновление улучшает агентное кодирование за счет более высокой точности и лучшей обобщаемости в различных scaffold, а также улучшает фронтенд-кодирование за счет более эстетичных и функциональных результатов для веба, 3D и связанных задач. Kimi K2 оптимизирована для агентных возможностей, включая расширенное использование инструментов, рассуждения и синтез кода. Она превосходно показывает себя в бенчмарках по кодированию (LiveCodeBench, SWE-bench), рассуждениям (ZebraLogic, GPQA) и использованию инструментов (Tau2, AceBench). Модель обучена с использованием нового стека, включающего оптимизатор MuonClip для стабильного крупномасштабного обучения MoE.