Indlæser kataloget…
Indlæser kataloget…
Moonshot AI's 2,8 billioner MoE-flagskib med åbne vægte, altid aktiv ræsonnering, 1 million tokens kontekst, indbygget værktøjsbrug og multimodale inddata.
Oversigt. Kimi K3 er flagskibet fra Moonshot AI med åbne vægte. Det er en mixture-of-experts-model med i alt 2,8 billioner parametre, hvoraf 104 milliarder er aktive per token. Den er bygget på en hybrid af KDA og Gated MLA-attention med et MoonViT-V2-vision-tårn. Ræsonnering er altid slået til – det kan ikke deaktiveres – og modellen understøtter et kontekstvindue på 1.048.576 tokens, hvilket er et af de største på markedet i dag. Udviklere vælger den, når en opgave kræver ræsonnering på frontniveau på tværs af lange dokumenter, billeder og video, understøttet af fuldt åbne vægte til at køre selv.
Vigtigste styrker. Moonshot AI's egen evaluering placerer Kimi K3 på 93,5 på GPQA Diamond, 88,3 på Terminal-Bench 2.1 og 84,8 på OSWorld-Verified. Det placerer den blandt frontmodellerne inden for videnskabelig ræsonnering på kandidatniveau og agentiske opgaver med mange trin. Uafhængige målinger fra Artificial Analysis ved maksimalt ræsonneringsniveau viser en kodningsscore på 76,2 og en agentisk score på 50, hvilket bekræfter styrken i rigtige arbejdsforløb med kodning og brug af værktøjer. Den præsterer også godt i benchmarks for browsing og dokumenter (BrowseComp 91,2, OmniDocBench 91,1), hvilket afspejler dens altid aktive ræsonneringsspor sammen med indbygget værktøjskald og strukturerede uddata.
Anvendelsesområder. Brug Kimi K3 til ræsonneringstunge opgaver – kodning i flere trin, agentisk brug af værktøjer, forsknings- og browsingopgaver samt matematik- eller videnskabsproblemer – hvor den altid aktive tænkeproces og kontekstvinduet på en million tokens er en hjælp. Den er et stærkt valg, når du har brug for at ræsonnere over meget store dokumenter, kodebaser eller lange samtalehistorikker i en enkelt forespørgsel, eller når en opgave blander tekst med billeder. Da ræsonnering er obligatorisk og som standard står på højeste niveau, skal du forvente en svartid, der minder om batch-behandling frem for hurtig chat. Den egner sig derfor bedre til asynkrone behandlingskæder end til svartidsfølsom chat.
Begrænsninger. Ræsonnering kan ikke deaktiveres og står som standard på det højeste ræsonneringsniveau, så hver forespørgsel medfører et synligt ræsonneringsspor, der øger svartiden sammenlignet med modeller uden ræsonnering. Temperature er fastlåst til 1,0 og kan ikke justeres, og Moonshot AI har ikke oplyst, hvor træningsdataene slutter. Modellen understøtter heller ikke lyd som inddata eller uddata.
Bemærkning om suverænitet. Kimi K3 er skabt af Moonshot AI og leveres med åbne vægte, så man kan køre selv på suveræn infrastruktur for at få fuld kontrol over dataplacering og behandling. Tilgængelige undersøgelser bekræfter ikke, om specifikke leverandørendepunkter er underlagt CLOUD Act eller har en politik om ingen træning på dine data, så dette bør kontrolleres for hvert endepunkt, før det bruges til regulerede arbejdsopgaver.
| Inferensleverandør | Suverænitet | Kører i | Ind / ud per 1 mio. | Status | Fastgør |
|---|---|---|---|---|---|
| L2 | 2,72 / 13,61€ | Online | |||
| L1 | 2,70 / 13,50€ | Online | |||
| L1 | 3,00 / 15,00€ | Online | |||
| L0 | 2,59 / 12,93€ | Online | |||
| L0 | 2,72 / 13,61€ | Online | |||
| L0 | 4,08 / 20,42€ | Online |
16 anvendelsesområder klassificeret af redaktøren. Noten forklarer hvorfor.
2,8 billioner MoE med 104 milliarder aktive parametre, udvidet ræsonnering og verktøjskald — designet til agentiske kodningsopgaver med mange trin og et kontekstvindue på 1 million tokens for fuld forståelse af hele kodelageret.
Eksplicit egenskab til verktøjskald i flagskibsskala (2,8 billioner MoE, 104 milliarder aktive) understøtter pålidelig generering af strukturerede funktionskald.
Udvidet ræsonnering kombineret med storstilet MoE-kapacitet passer godt til systematiske arbejdsflow til fejlfinding af rodårsager.
Billedforståelse med billeder/video som inddata er velegnet til at tolke skærmbilleder af brugerflader til agentiske arbejdsflow eller support.
Kontekst på 1 million tokens plus ræsonneringstilstand gør det muligt at gennemgå store diffs eller hele kodebaser i én arbejdsgang.
Det enorme kontekstvindue på 1 million tokens gør det muligt at have flere komplette videnskabelige artikler i konteksten samtidigt til sammenlignende gennemgang.
Ræsonnering med udvidet tænkning hjælper med strukturerede analytiske opgaver, selvom der ikke er opgivet specifikke benchmarks for dataanalyse.
Understøttelse af billeder som inddata muliggør forståelse af dokumentbilleder, selvom der ikke er oplyst specifikke benchmarkdata for OCR.
Flagskibsarkitektur med fokus på ræsonnering (104 milliarder aktive parametre) er stærk, men den altid aktive udvidede ræsonnering giver længere svartid sammenlignet med modeller, der er optimeret til kodegenerering.
Tal fra eksterne kilder, ikke vores egne vurderinger. Percentiler er målt mod hele Stav-kataloget.
Beregnet ud fra aa-intelligence-index, gpqa-diamond, aa-engineering-index, aa-coding-index, livecodebench, terminal-bench-v4, aa-lcr.
curl https://api.stav.ai/v1/chat/completions \
-H "Authorization: Bearer $STAV_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "moonshotai/kimi-k3",
"reasoning_effort": "high",
"messages": [{"role": "user", "content": "Hello!"}]
}'→ X-Stav-Request-Id · X-Stav-Model · X-Stav-Provider → X-Stav-Sovereignty-Level — det niveau, forespørgslen blev betjent på