API Hop

API Kimi K3: ราคาและการเชื่อมต่อข้อความ

ดูราคาโทเคน Kimi K3 และตัวอย่าง Chat Completions สำหรับเขียนโค้ดและวิเคราะห์เอกสาร ตรวจอินพุตที่รองรับ พฤติกรรมการให้เหตุผล และข้อจำกัดการเชื่อมต่อ

ราคาและการคิดค่าบริการ API Kimi K3

ราคาอย่างเป็นทางการ

อินพุต
$3.0000 /M
เอาต์พุต
$15.0000 /M
อินพุตที่แคชไว้
$0.3000 /M

ราคา API Hop ประหยัด 30%

อินพุต
$2.1000 /M
เอาต์พุต
$10.5000 /M
อินพุตที่แคชไว้
$0.2100 /M

ราคาอ้างอิงยังไม่ได้รับการตรวจสอบอย่างอิสระ โปรดตรวจสอบอัตราปัจจุบัน หน่วยคิดค่าบริการ และข้อกำหนดที่เกี่ยวข้องของผู้เผยแพร่ก่อนเปรียบเทียบต้นทุน

เครื่องมือแชตออนไลน์ Kimi K3

การตั้งค่าโมเดล

พารามิเตอร์ขั้นสูง
0 อักขระขึ้นไป(0/ไม่มีขีดจำกัดตายตัว)
ไม่มีขีดจำกัดอักขระตายตัว คำขอทั้งหมดอยู่ภายใต้ขีดจำกัดขนาดคำขอและบริบทโมเดล นี่ไม่ใช่จำนวนโทเคน
0 – 2
0 – 1
-2 – 2
-2 – 2

บทสนทนา

วันนี้ให้ฉันช่วยอะไรคุณได้บ้าง?

พร้อม

รีเซ็ตและเริ่มบทสนทนาใหม่?

การดำเนินการนี้จะล้างบทสนทนาและข้อความที่ยังไม่ส่ง และคืนพารามิเตอร์เริ่มต้น

ตัวอย่าง API Hop ที่บันทึกไว้

บันทึกเมื่อ 22 ตุลาคม 2026 ผ่าน API Hop แต่ละผลลัพธ์เป็นหนึ่งคำขอสำหรับโมเดลและโหมดที่ระบุ ไม่รับรองอัตราสำเร็จ ความเร็ว หรือคุณภาพใช้งานจริง คำตอบโมเดลด้านล่างคงภาษาเดิม

ตัดสินใจเผยแพร่พร้อมอ้างอิงย่อหน้า

kimi-k3 · document-citations ·

ข้อความคัดลอกตรงต้นฉบับ

**Answer summary:** Production release is **not approved**. Staging established only export-formatting/export v7 verification — nothing about production. **Mei** owns the remaining duplicate-delivery tests; documentation ownership is **unassigned**.
คำตอบโมเดลฉบับเต็ม (ไม่แก้ไข)
**Answer summary:** Production release is **not approved**. Staging established only export-formatting/export v7 verification — nothing about production. **Mei** owns the remaining duplicate-delivery tests; documentation ownership is **unassigned**.

| Conclusion | Exact supporting quote | Paragraph ID | Uncertainty |
|---|---|---|---|
| Production release is not approved; approval was withheld pending tests | "the release reviewer withheld production approval until duplicate-delivery tests pass" | P31 | Low — explicit statement |
| No approval or completed test recorded later (cross-check of P04's Friday shipping proposal, which "was not an approval") | "No completed test result or production approval is recorded in this document." | P36 | Low — explicit; P04 proposal superseded by P31/P36 |
| Staging established export formatting checks passed (repeated across components), and verified export v7 on synthetic data only | "staging verified export version 7 with three synthetic records. Production deployment and billing checks were not performed." | P18 | Low for staging result; production readiness not established |
| Staging did not measure production latency, charges, or customer outcomes | "no production latency, charge or customer outcome was measured" | P01 (and P02–P03, P05–P17, P19–P30, P32–P35, identical wording) | Low — explicit; applies to all component entries |
| Remaining duplicate-delivery tests are owned by Mei | "Mei owns those tests." | P31 | Low — explicit; tests scheduled, not completed ("Mei scheduled duplicate-delivery tests for October 16," P36) |
| Documentation has no owner; a documentation check was only planned | "Documentation ownership remains unassigned." | P31 (earlier: "Documentation ownership was still unassigned," P04) | Low that it is unassigned as of this document; future owner unknown. Note: component entries say "The named reviewer will check documentation next week" (e.g., P01), but no name is given and no completion is recorded |

**Unresolved questions:**
1. Did the duplicate-delivery tests scheduled for October 16 (P36) pass, and has the release reviewer since granted production approval?
2. Who will be assigned documentation ownership, and did the unnamed "named reviewer" ever complete the documentation check promised for "next week" (P01 et al.)?

เอกสารนี้เป็นข้อมูลจำลอง ไม่ใช่การทดสอบบริบทสูงสุด ข้อสรุปสอดคล้องกับอินพุต แต่ข้อความอ้างเสริมสองจุดแทนจุดจบประโยคด้วยจุลภาค ได้แก่ P36 เรื่องกำหนดทดสอบ และ P04 เรื่องผู้ดูแลเอกสาร เครื่องหมายเหล่านี้ไม่ตรงต้นฉบับ ยังต้องตรวจคำอ้างด้วยตนเอง

คำขอและอินพุตครบถ้วน

POST /v1/chat-completions

{
  "model": "kimi-k3",
  "messages": [
    {
      "role": "user",
      "content": "Use only the following synthetic document. Answer: Is production release approved? What did staging establish? Who owns the remaining tests and documentation? Return a compact table of conclusion, exact supporting quote, paragraph ID and uncertainty, followed by two unresolved questions. Cross-check proposals against later updates; never infer a completed test or production success. Keep the answer under 500 words. This sample tests citation accuracy on this document, not maximum context length.\n\n[P01] Component 1 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P02] Component 2 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P03] Component 3 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P04] On October 10, the release coordinator proposed shipping export version 7 on Friday. The proposal was not an approval. Documentation ownership was still unassigned.\n\n[P05] Component 5 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P06] Component 6 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P07] Component 7 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P08] Component 8 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P09] Component 9 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P10] Component 10 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P11] Component 11 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P12] Component 12 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P13] Component 13 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P14] Component 14 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P15] Component 15 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P16] Component 16 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P17] Component 17 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P18] On October 11, staging verified export version 7 with three synthetic records. Production deployment and billing checks were not performed.\n\n[P19] Component 19 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P20] Component 20 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P21] Component 21 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P22] Component 22 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P23] Component 23 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P24] Component 24 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P25] Component 25 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P26] Component 26 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P27] Component 27 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P28] Component 28 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P29] Component 29 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P30] Component 30 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P31] On October 12, the release reviewer withheld production approval until duplicate-delivery tests pass. Mei owns those tests. Documentation ownership remains unassigned.\n\n[P32] Component 32 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P33] Component 33 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P34] Component 34 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P35] Component 35 review: staging checks passed for export formatting. Production rollout has not been approved by this entry. The named reviewer will check documentation next week; no production latency, charge or customer outcome was measured. This paragraph records a proposed review, not completion.\n\n[P36] On October 13, Mei scheduled duplicate-delivery tests for October 16. No completed test result or production approval is recorded in this document."
    }
  ],
  "stream": false,
  "max_tokens": 4096
}
เมทาดาทาการตอบกลับและการใช้งานที่รายงาน
{
  "requestId": "339d0045e51385a03300d75fa74f0863",
  "jobId": null,
  "responseModel": "kimi-k3",
  "responseAt": "2026-10-22T12:28:31.361Z",
  "finishedAt": "2026-10-22T12:28:31.364Z",
  "usage": {
    "prompt_tokens": 2058,
    "completion_tokens": 1086,
    "total_tokens": 3144,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "cache_write_tokens": 0,
      "text_tokens": 0,
      "audio_tokens": 0,
      "image_tokens": 0
    },
    "completion_tokens_details": {
      "text_tokens": 0,
      "image_tokens": 0,
      "audio_tokens": 0,
      "reasoning_tokens": 0
    },
    "input_tokens": 0,
    "output_tokens": 0,
    "input_tokens_details": null,
    "output_tokens_details": null,
    "claude_cache_creation_5_m_tokens": 0,
    "claude_cache_creation_1_h_tokens": 0
  },
  "outputSha256": "e3ba3715b7facfd224f3e1982c457c3647c33114774768190023cef8b1eef396",
  "responseEvidence": {
    "sha256": "2f1507aa711a70a17163506c7420517b599e4564fcf69aaef6db8cf5d7b09506",
    "bytes": 6024,
    "phase": "submission",
    "http": 200,
    "requestId": "339d0045e51385a03300d75fa74f0863",
    "observedAt": "2026-10-22T12:28:31.361Z"
  },
  "assets": []
}
ดาวน์โหลดบันทึกหลักฐานสาธารณะ

ตัวอย่างพรอมต์ Kimi K3

นี่คือพรอมต์ประเมิน Kimi K3 ไม่ใช่เอาต์พุตโมเดลที่บันทึกไว้ วิเคราะห์เฉพาะข้อความที่ส่ง ไม่รันโค้ด ตรวจระบบจริง หรือพิสูจน์ประสิทธิภาพบริบทยาว ตรวจหลักฐานที่อ้างและเกณฑ์ยอมรับ แล้วดูเมทาดาทาการตอบกลับกับการใช้งานก่อนใช้จริง

ใช้เฉพาะตัวอย่างเอกสารนี้: [P1] การแก้ส่งออกผ่านการตรวจ staging [P2] เสนอเผยแพร่วันศุกร์แต่ยังไม่อนุมัติ [P3] Mei จะตรวจข้อความผิดพลาดวันอังคาร [P4] ยังไม่กำหนดผู้ดูแลเอกสาร ส่งตารางข้อกล่าวอ้าง คำอ้างสนับสนุนตรงต้นฉบับ ID ย่อหน้า และความไม่แน่นอน อนุมัติเผยแพร่จริงหรือยัง? ใครดูแลเอกสาร? ระบุข้อเท็จจริงที่ขาดว่าไม่ทราบ ทุกคำอ้างต้องตรงตัวอย่าง อย่าอนุมานความสำเร็จจริงจาก staging ตัวอย่างเล็กนี้ไม่ทดสอบความยาวบริบทสูงสุด

สกัดบันทึกจำลองเหล่านี้เป็น JSON มีฟิลด์ id, owner, deadline และ evidence: [R1] ปัญหา 41: Ana ดูแลการแก้ส่งออก ยังไม่ตกลงกำหนดส่ง [R2] ปัญหา 42: กำหนดตรวจ 15 ตุลาคม ยังไม่มีผู้ดูแล ไม่ระบุปี ใช้ null สำหรับค่าที่ขาดและคงวันที่บางส่วนตามที่ให้ อ้างต้นฉบับใน evidence อย่าแต่งปีหรือผู้ดูแล ตรวจแต่ละฟิลด์เทียบกับบันทึก นี่คืองานจัดรูปแบบข้อความ ไม่ใช่การดำเนินการฐานข้อมูล

ทีมสมมติสองคนรัน 2,000 รายงานต่อวัน ยอมรับการเสร็จภายใน 30 นาที มีฐานข้อมูลแต่ไม่มีบริการคิว งานต้องกู้คืนหลังรีสตาร์ตและไม่ส่งซ้ำ เปรียบเทียบแบตช์ที่ใช้ฐานข้อมูลกับคิวเฉพาะ ให้ตารางตัดสินใจ คำแนะนำตามเงื่อนไข สิ่งไม่ทราบสามข้อ และหนึ่งเงื่อนไขที่ทำให้เปลี่ยนคำเลือก อย่าแต่งผลทดสอบ ค่าใช้จ่าย หรือการรับรองที่ทดสอบแล้ว

Kimi K3 คืออะไร

โมเดลหลายสื่อโดยกำเนิดสำหรับการเขียนโค้ดระยะยาวและงานความรู้

เราวางตำแหน่ง Kimi K3 เป็นโมเดลการให้เหตุผลและ Agent สำหรับงานซับซ้อน โดยเน้นงานที่ต้องเข้าใจบริบทอย่างต่อเนื่อง เรียกใช้เครื่องมือ และปรับแก้ตามผลลัพธ์ โมเดลนี้พัฒนาโดย Moonshot AI และรองรับหลายสื่อพร้อมความสามารถด้านภาพในตัว จึงเข้าใจข้อความ ภาพ และวิดีโอได้ การใช้งานครอบคลุมการเขียนโค้ดระดับโครงการ การวิจัย และงานความรู้หลายขั้นตอน

ความสามารถด้านหลายสื่อช่วยขยายขอบเขตการใช้งาน รวมถึงการทำความเข้าใจภาพ/OCR เมื่อเทียบกับโซลูชัน OCR แบบดั้งเดิม ข้อดีคือคุณได้รับความเข้าใจที่ดีโดยไม่ต้องฝึกโมเดลแยกต่างหาก

โมเดล MoE แบบเปิดน้ำหนักพร้อมบริบทล้านโทเคน

Kimi K3 ใช้สถาปัตยกรรมแบบผสมผู้เชี่ยวชาญหรือ MoE มีพารามิเตอร์ทั้งหมด 2.8 ล้านล้าน และมีพารามิเตอร์ที่ทำงานประมาณ 104 พันล้านต่อโทเคน หน้าต่างบริบทมีขนาด 1,048,576 โทเคน น้ำหนักโมเดลทั้งหมดเผยแพร่ภายใต้ Kimi K3 License

เราเห็นว่าประโยชน์ในทางปฏิบัติของบริบทล้านโทเคนคือการรวมเนื้อหาที่เกี่ยวข้องได้มากขึ้นในการวิเคราะห์ครั้งเดียว เช่น ข้อกำหนดโครงการ โค้ดจากหลายโมดูล และการสนทนาก่อนหน้า สำหรับทีมที่ต้องการติดตั้งเอง น้ำหนักแบบเปิดยังช่วยให้ธุรกิจและผู้ใช้บางกลุ่มโฮสต์โมเดลเองได้

คิดเสมอและมีระดับความพยายามในการให้เหตุผลสามระดับ

Kimi K3 คิดเสมอ ปัจจุบัน Kimi API ทางการมีระดับความพยายามในการให้เหตุผลสามระดับผ่าน reasoning_effort ได้แก่ low, high และ max โดยใช้ max เป็นค่าเริ่มต้น

เราแนะนำให้กำหนดงบประมาณการให้เหตุผลตามความยากของงาน เริ่มจาก low สำหรับการจัดประเภทและดึงข้อมูลอย่างง่าย ใช้ high สำหรับการวิเคราะห์หลายขั้นตอน และเปรียบเทียบ max สำหรับงานซับซ้อนที่ต้องตรวจข้อจำกัดซ้ำ จากประสบการณ์ทดสอบโมเดลอื่นของเรา max ไม่ได้ให้ความคุ้มค่าโดยรวมสูงสุดเสมอไป จึงควรทดสอบและตัดสินตามกรณีใช้งานของคุณ

เครื่องมือออนไลน์และ API ของ Kimi K3 บน API Hop

API Hop ต้องการช่วยให้คุณเข้าใจประสิทธิภาพของ Kimi K3 กับงานของคุณได้เร็วขึ้น เพียงเข้าสู่ระบบ สร้างคีย์ API และเติมเครดิตเล็กน้อยก็เริ่มใช้เครื่องมือออนไลน์ได้ คุณไม่ต้องเขียนโค้ดเชื่อมต่อ API ก่อนหรือซื้อการสมัครแบบตายตัวเพื่อประเมินในช่วงสั้น ๆ

คุณสมบัติหลักและความถนัดเฉพาะด้านของ Kimi K3

การพัฒนาซอฟต์แวร์ระยะยาว: ตั้งแต่เข้าใจข้อกำหนดไปจนถึงแก้ปัญหาและรันทดสอบ

เราเห็นว่าการเขียนโค้ดระยะยาวเป็นความสามารถของ Kimi K3 ที่ควรทดสอบก่อน เมื่อเฟรมเวิร์ก Agent มีเครื่องมือไฟล์ เทอร์มินัล และการทดสอบ โมเดลสามารถอ่านโค้ด แก้การทำงาน รันทดสอบ และแก้ปัญหาต่อเนื่อง แทนการสร้างโค้ดเพียงส่วนเดียวจากข้อกำหนดหนึ่งบรรทัด

จากประสบการณ์ลูกค้าที่เรารวบรวม ผู้ใช้รายหนึ่งรายงานว่า Kimi K3 ช่วยผลักดันโครงการที่เคยหยุดชะงักให้เดินหน้าผ่านขั้นตอนพัฒนาหลายช่วงติดต่อกัน นักพัฒนารายอื่นกล่าวว่าโมเดลวิเคราะห์ข้ามไฟล์และค้นหาความสัมพันธ์ระหว่างโมดูลได้ดี แต่การแก้ไขชุดแรกที่เสนอไม่ได้ปลอดภัยเสมอไป และบางครั้งอาจสร้างปัญหาใหม่

เราเห็นว่านี่แสดงวิธีใช้ Kimi K3 ในการพัฒนาจริง แทนที่จะขอให้โมเดลเพียง “แก้บั๊กนี้ให้เรา” ควรระบุกรณีทดสอบ พฤติกรรมเดิมที่ต้องคงไว้ และขอบเขตไฟล์ที่อนุญาตให้แก้ไขอย่างชัดเจน

สำหรับการปรับโครงสร้างแบ็กเอนด์ การประมวลผลข้อมูลซับซ้อน และโค้ดที่ใช้จริง เราแนะนำให้โมเดลอธิบายแผนแก้ไขก่อน แล้วจึงแก้โค้ดและตรวจผลด้วยการทดสอบอัตโนมัติ อย่าข้ามการตรวจทานโค้ดแม้โมเดลจะรายงานว่างานเสร็จแล้ว

การพัฒนาด้วยภาพ: ใช้ภาพหน้าจอปรับปรุงส่วนหน้าและการโต้ตอบอย่างต่อเนื่อง

ความเข้าใจภาพของ Kimi K3 ช่วยให้ทำงานกับภาพหน้าจอส่วนติดต่อ ข้อกำหนดการออกแบบ และโค้ดภายในงานเดียวกันได้

ตัวอย่างเช่น เราอาจให้โมเดลสร้างหน้าเว็บจากภาพอ้างอิงก่อน แล้วใช้เครื่องมือเบราว์เซอร์จับภาพหน้าที่แสดงผลจริง โมเดลจะเทียบกับแบบและปรับผังหน้า สี ตัวอักษร และรายละเอียดการโต้ตอบต่อได้

ในความคิดเห็นจากกลุ่มลูกค้าของเรา ผู้ใช้บางรายชื่นชมงานส่วนหน้า โครงการแสดงข้อมูลด้วยภาพ และเกมขนาดเล็กที่ Kimi K3 ทำ

เราเห็นว่า Kimi K3 เหมาะกับต้นแบบผลิตภัณฑ์ หน้าแคมเปญ แดชบอร์ดภาพ และงานพัฒนาที่ต้องเทียบภาพหน้าจอซ้ำ โดยเฉพาะนักพัฒนาอิสระสามารถใช้สร้างรุ่นที่ทำงานได้ก่อน แล้วค่อยปรับประสบการณ์ใช้งานหน้าเว็บ

การทำงานร่วมกับเครื่องมือของ Agent: งานหลายขั้นตอนต้องมีขอบเขตชัดเจน

Kimi K3 ทำงานกับเครื่องมือภายนอกเพื่ออ่านและเขียนไฟล์ ใช้เทอร์มินัล ค้นข้อมูล และทำงานอัตโนมัติหลายขั้นตอนได้ โมเดลตัดสินใจว่าจะทำอะไรต่อ ส่วนแอปพลิเคชันหรือเฟรมเวิร์ก Agent เป็นผู้จัดเตรียมการเรียกเครื่องมือและสภาพแวดล้อมที่ใช้รันจริง

เราให้ความสำคัญกับข้อสังเกตหนึ่งเป็นพิเศษ โมเดลเดียวกันอาจมีอัตราทำงานสำเร็จต่างกันอย่างเห็นได้ชัดเมื่อใช้เฟรมเวิร์ก Agent ต่างกัน

Moonshot AI ยังเตือนว่า Kimi K3 อาจตัดสินใจเชิงรุกเกินความคาดหมายเมื่อเจตนาของผู้ใช้ไม่ชัดเจน สำหรับงานที่ต้องควบคุมพฤติกรรมอย่างเคร่งครัด เราจึงแนะนำให้กำหนดสิทธิ์การดำเนินงานในพรอมป์ต์ระบบหรือ AGENTS.md

เบนช์มาร์กและประสิทธิภาพของ Kimi K3

ส่วนนี้แยกใช้ผลทดสอบทางการช่วงเปิดตัวของ Moonshot และผลประเมินอิสระของ Artificial Analysis ที่มีถึงวันที่ 7 ตุลาคม 2026 ผลทางการของ Kimi K3 ด้านล่างทั้งหมดใช้ระดับการคิด max เรายังคงระบุรุ่นเบนช์มาร์กและเงื่อนไขทดสอบสำคัญ เพื่อช่วยตัดสินความเกี่ยวข้องกับงานจริง

วิศวกรรมซอฟต์แวร์: 67.5% บน DeepSWE และ 77.8% บน ProgramBench

Moonshot รายงานคะแนน Kimi K3 ที่ 67.5% บน DeepSWE v1.1 และ 77.8% บน ProgramBench การทดสอบ K3 ทั้งสองใช้ชุดรัน Kimi Code เราใช้เป็นข้อมูลอ้างอิงความสามารถในการทำงานกับคลังโค้ดและงานเขียนโค้ดต่อเนื่อง

สำหรับทีมที่เชื่อมต่อผู้ช่วยเขียนโค้ด เราแนะนำให้แยกทดสอบการแก้ปัญหาที่มีอยู่ การพัฒนาฟีเจอร์เล็ก และการสร้างโครงการขนาดเล็ก โดยเน้นการทำสำเร็จในครั้งแรก การฟื้นตัวหลังล้มเหลว และปริมาณงานแก้ด้วยมือที่โค้ดสุดท้ายยังต้องการ ผลเหล่านี้เชื่อมโยงกับต้นทุนพัฒนาได้ง่ายกว่า

งานเทอร์มินัล: ต้องตีความ Terminal-Bench 2.1 และ 4.0 แยกกัน

ในการทดสอบทางการช่วงเปิดตัว Kimi K3 ที่ใช้ Kimi Code ได้ 88.3% บน Terminal-Bench 2.1 ส่วนการทดสอบ Terminal-Bench 4.0 ปัจจุบันของ Artificial Analysis ให้ K3 Max ประมาณ 13%

ผลทั้งสองใช้ชุดงานและชุดรันต่างกัน การทดสอบ 4.0 ของ AA มีงานเทอร์มินัลที่ยากขึ้น 66 งาน ใช้ mini-swe-agent และทำซ้ำแต่ละงานสามครั้ง สำหรับกรณีธุรกิจจริง เราแนะนำให้ทดสอบกับชุดรันอื่นด้วย

การวิจัยและการเรียกเครื่องมือ: 91.2% บน BrowseComp และ 94.5% บน MCPMark-Verified

รายงานทางการให้ Kimi K3 ได้ BrowseComp 91.2% และ MCPMark-Verified 94.5% ผล BrowseComp 91.2% ใช้กลยุทธ์บีบอัดบริบทเมื่อถึง 300K โทเคน ส่วนการใช้บริบท 1M โดยตรงโดยไม่มีการจัดการบริบทได้ 90.4%

เราเห็นว่าผลเหล่านี้แสดงจุดแข็งของ Kimi K3 ด้านการวิจัยและการทำงานร่วมกับเครื่องมือ พร้อมเตือนให้ตรวจวิธีที่แอปพลิเคชันจัดการบริบทด้วย จากประสบการณ์ของเรา การจัดการบริบทอาจส่งผลอย่างมากต่อผลลัพธ์จริง

การให้เหตุผลกับเอกสารยาว: 88.7% บน AA-LCR v1.1

หน้า AA-LCR v1.1 โดยเฉพาะของ Artificial Analysis บันทึก Kimi K3 Max ที่ 88.7% การประเมินนี้มี 100 คำถามที่ต้องสังเคราะห์ข้อมูลจากเอกสารยาว รวมถึงรายงานบริษัท บทความวิชาการ และข้อมูลอุตสาหกรรม เอกสารยาวประมาณ 10,000 ถึง 100,000 โทเคน

เรามองว่าผลนี้เป็นหลักฐานที่ค่อนข้างน่าเชื่อถือสำหรับความสามารถวิเคราะห์ข้ามเนื้อหาของ Kimi K3 แต่ยังแนะนำให้ทดสอบแยกสำหรับอินพุตจริงที่ใกล้ล้านโทเคน จากการทดสอบก่อนหน้าของเรา เอาต์พุตไม่ได้ดีเป็นพิเศษเมื่ออินพุตเข้าใกล้ขีดจำกัดที่โมเดลอนุญาต

ดัชนีความฉลาดและความเร็วตอบกลับ: 44 คะแนนและประมาณ 45 โทเคนต่อวินาที

Artificial Analysis Intelligence Index v4.3.2 ระบุ Kimi K3 Max ที่ 44 คะแนน ความเร็วเอาต์พุตประมาณ 45 โทเคนต่อวินาที ใช้เวลาถึงโทเคนแรกประมาณ 3.92 วินาที และถึงโทเคนคำตอบแรก 48.58 วินาทีเมื่อรวมการคิด

เราวัดเวลาจนข้อมูลเริ่มกลับมา เวลาจนคำตอบจริงปรากฏ และเวลาจนงานทั้งหมดเสร็จแยกกัน สำหรับฟีเจอร์ที่โต้ตอบบ่อย เวลาเหล่านี้ส่งผลต่อประสบการณ์ผู้ใช้ ส่วนการวิเคราะห์ซับซ้อนต้องชั่งน้ำหนักกับคุณภาพผลลัพธ์ในกรณีธุรกิจนั้น

เปรียบเทียบ Kimi K3 กับ DeepSeek V4 Pro, V4.1 Flash, Claude Fable 5.1 และ GPT-5.6 Sol

เราเปรียบเทียบข้อมูลจาก Artificial Analysis รุ่น v4.3.2 เดียวกัน รายการด้านล่างทั้งหมดใช้ระดับ Max ส่วน Claude Fable 5.1 คงการตั้งค่า Default Fallback ตามหน้าประเมิน หน้าเปรียบเทียบแสดง AA-LCR เป็นเปอร์เซ็นต์จำนวนเต็ม ดังนั้น 88.7% ของ Kimi K3 จึงแสดงเป็น 89%

ต้นทุนงานในตารางเป็นต้นทุนเฉลี่ยถ่วงน้ำหนักที่ AA คำนวณสำหรับการประเมิน รวมการใช้อินพุต แคช การคิด และคำตอบ เพื่อเป็นข้อมูลอ้างอิงในการเลือกโมเดล ค่าบริการจริงของ API Hop คำนวณจากราคาแพลตฟอร์มและการใช้งานของคำขอ วิธีคำนวณต้นทุน

โมเดลและการตั้งค่าทดสอบดัชนีความฉลาดAA-LCR v1.1ต้นทุนถ่วงน้ำหนักต่องาน
Kimi K3 Max4489%$2.00
DeepSeek V4 Pro 0813 Max3680%$0.67
DeepSeek V4.1 Flash Max3984%$0.27
Claude Fable 5.1 Max, Default Fallback5385%$7.63
GPT-5.6 Sol Max4784%$1.99
Artificial Analysis v4.3.2 2026-10-07 · ทุกโมเดลที่ระดับ Max
ดัชนีความฉลาด คะแนน · สูงกว่าดีกว่า
  • Kimi K3 Max 44
  • DeepSeek V4 Pro 0813 Max 36
  • DeepSeek V4.1 Flash Max 39
  • Claude Fable 5.1 Maxการใช้ทางเลือกสำรองเริ่มต้น 53
  • GPT-5.6 Sol Max 47
AA-LCR v1.1 เปอร์เซ็นต์ · สูงกว่าดีกว่า
  • Kimi K3 Max 89%
  • DeepSeek V4 Pro 0813 Max 80%
  • DeepSeek V4.1 Flash Max 84%
  • Claude Fable 5.1 Maxการใช้ทางเลือกสำรองเริ่มต้น 85%
  • GPT-5.6 Sol Max 84%
ต้นทุนถ่วงน้ำหนักต่องาน USD/งาน · ต่ำกว่าดีกว่า
  • Kimi K3 Max $2.00
  • DeepSeek V4 Pro 0813 Max $0.67
  • DeepSeek V4.1 Flash Max $0.27
  • Claude Fable 5.1 Maxการใช้ทางเลือกสำรองเริ่มต้น $7.63
  • GPT-5.6 Sol Max $1.99
AA-LCR มีการปัดเศษ: Kimi K3 88.7% → 89% ต้นทุนงาน AA รวมอินพุต แคช การให้เหตุผล และคำตอบ ไม่ใช่ราคา API Hop

แหล่งข้อมูล: การเปรียบเทียบ V4 Pro, การเปรียบเทียบ V4.1 Flash, การเปรียบเทียบ Fable 5.1 และ การเปรียบเทียบ GPT-5.6 Sol

เทียบกับ DeepSeek V4 Pro: วิเคราะห์เอกสารยาวได้ดีกว่าแต่ต้นทุนงานประเมินสูงกว่า

ในการประเมินเหล่านี้ Kimi K3 ได้คะแนนสูงกว่า DeepSeek V4 Pro 0813 ทั้งดัชนีความฉลาด การให้เหตุผลกับเอกสารยาว และงานความรู้ เราจะให้ความสำคัญกับ K3 สำหรับงานที่มีความเชื่อมโยงซับซ้อนระหว่างเนื้อหาและหลักฐานหลายประเภท แล้วตรวจว่าความสามารถที่ต่างกันช่วยลดเวลาจัดระเบียบและตรวจทานด้วยมือหรือไม่ การเปรียบเทียบเงื่อนไขเดียวกันของ AA

เราจะทดสอบ V4 Pro สำหรับงานข้อความซ้ำจำนวนมากที่มีเกณฑ์ตรวจรับชัดเจนด้วย ต้นทุนต่องานในชุดประเมินนี้ต่ำกว่า หากเอาต์พุตตรงตามความต้องการธุรกิจอยู่แล้ว ส่วนต่างต้นทุนอาจสำคัญเมื่อขยายการใช้งาน

เทียบกับ DeepSeek V4.1 Flash: นำด้านภาพรวมและเอกสารยาว แต่มีข้อแลกเปลี่ยนด้านระบบอัตโนมัติต่างกัน

Kimi K3 นำทั้งดัชนีความฉลาดและ AA-LCR แต่ V4.1 Flash ได้ AutomationBench-AA 69% เทียบกับ K3 ที่ 58% ส่วน Terminal-Bench 4.0 ได้ 27% และ 13% ตามลำดับ เราเห็นว่านี่แสดงว่าประเภทงานเปลี่ยนอันดับโมเดลได้อย่างไร การเปรียบเทียบเงื่อนไขเดียวกันของ AA

สำหรับแอปพลิเคชันที่เน้นวิเคราะห์เนื้อหายาว เราแนะนำให้เน้น K3 ส่วนระบบอัตโนมัติของขั้นตอนงาน การใช้เทอร์มินัล และการเรียกถี่ เราจะถือ V4.1 Flash เป็นตัวเลือกสำคัญและเปรียบเทียบทั้งอัตราสำเร็จกับต้นทุนการทำงานครบทั้งหมด

เทียบกับ Claude Fable 5.1: มีช่องว่างด้านเขียนโค้ดผ่านเทอร์มินัล ส่วนงานเอกสารยาวควรทดสอบแยก

ภายใต้การตั้งค่า Default Fallback ข้างต้น Claude Fable 5.1 ได้ดัชนีความฉลาด 53 เทียบกับ Kimi K3 ที่ 44 และได้ Terminal-Bench 4.0 ที่ 52% เทียบกับ 13% เราจะใช้ Fable 5.1 เป็นข้อมูลอ้างอิงสำคัญสำหรับการเขียนโค้ดซับซ้อนผ่านเทอร์มินัล ส่วน K3 ได้คะแนน AA-LCR v1.1 สูงกว่าและมีต้นทุนงานประเมินต่ำกว่า การเปรียบเทียบเงื่อนไขเดียวกันของ AA

สำหรับแอปพลิเคชันที่ตอบคำถามเฉพาะหลังอ่านหลายแหล่ง เราแนะนำให้ทดสอบ K3 แยก ส่วนงานที่ต้องใช้เทอร์มินัลต่อเนื่อง ซ่อมสภาพแวดล้อม และตรวจสอบทางวิศวกรรม เราจะเน้นความสำเร็จในครั้งแรกและจำนวนครั้งที่มนุษย์ต้องแทรกแซงก่อนตัดสินว่าต้นทุนโมเดลที่เพิ่มขึ้นคุ้มค่าหรือไม่

เทียบกับ GPT-5.6 Sol: ผลการให้เหตุผลกับเอกสารยาวต่างกันในต้นทุนงานครบที่ใกล้เคียงกัน

Kimi K3 ได้ AA-LCR สูงกว่า GPT-5.6 Sol ขณะที่ GPT-5.6 Sol ได้ดัชนีความฉลาดและ Terminal-Bench 4.0 สูงกว่า เราให้ความสำคัญกับต้นทุนต่องานเป็นพิเศษ ซึ่งอยู่ที่ประมาณ $2.00 และ $1.99 ตามลำดับในชุดประเมินนี้ และใกล้กันมากแล้ว การเปรียบเทียบเงื่อนไขเดียวกันของ AA

เราจึงแนะนำให้เปรียบเทียบต้นทุนหลังทำงานครบทั้งหมด รวมการคิด การโต้ตอบกับเครื่องมือ การลองใหม่ และคำตอบสุดท้าย ให้ความสำคัญกับ K3 ในการวิเคราะห์ข้อมูลเข้มข้น และใช้ GPT-5.6 Sol เป็นข้อมูลอ้างอิงหลักสำหรับงานวิศวกรรมผ่านเทอร์มินัล สุดท้ายให้เลือกการจัดเส้นทางตามความสำเร็จของงานจริงในธุรกิจของคุณ

ทำไมจึงใช้ Kimi K3 ผ่าน API Hop?

คิดค่าบริการตามการใช้งานและปรับต้นทุนโมเดล

ค่าบริการเป็นไปตามอัตรา API Hop ปัจจุบันและการใช้งานจริง เติมเงินตามต้องการ

รวมโมเดล AI และ API ข้อมูล เข้าถึงหลายโมเดลในที่เดียว

คีย์ API เดียวเชื่อมต่อหลายโมเดล AI และบริการข้อมูล ลดต้นทุนการเชื่อมต่อและสลับได้ในคลิกเดียว แอปธุรกิจต้องการทั้ง AI และข้อมูล

บันทึกการเรียกใช้และควบคุมการเข้าถึงแอป ชัดเจนทุกการเรียก

การเรียก API ทุกครั้งบันทึกในแดชบอร์ด สร้างคีย์ API แยกสำหรับแต่ละแอป

ประเมินเอาต์พุตเทียบกับงานของคุณ

ใช้ ID โมเดลตามเอกสารและพารามิเตอร์ที่รองรับผ่าน API Hop ประเมินเอาต์พุตตามเกณฑ์ยอมรับของคุณ แล้วตรวจบันทึกการใช้งานและเมทาดาทาการตอบกลับก่อนใช้งานจริง ชื่อโมเดลหรือตัวอย่างไม่รับประกันแต่ละผลลัพธ์

วิธีใช้ Kimi K3 บน API Hop

หลังสร้างคีย์ API ในคอนโซล ให้ทำตามเอกสารเพื่อเริ่มใช้ Kimi K3

เตรียมบัญชีและทดสอบออนไลน์

เข้าสู่ระบบ ตรวจสอบยอดเงิน และสร้างคีย์ API

ลองในพื้นที่ทดลอง

สำรวจความสามารถโมเดลในพื้นที่ทดลองเพื่อหาวิธีใช้ที่เหมาะที่สุด

เชื่อมต่อ Kimi K3 เข้ากับธุรกิจของคุณ

ทำตามเอกสารนักพัฒนาของเราเพื่อเชื่อมต่อ Kimi K3 เข้ากับธุรกิจ

การอัปเกรดโมเดลในอนาคต

หากจะเปลี่ยนเป็นโมเดลใหม่กว่า ให้ยืนยันก่อนว่าแค็ตตาล็อกโมเดลของคีย์ API ส่ง ID ที่ตรงกันกลับมา หากรองรับเอนด์พอยต์และฟิลด์คำขอเดียวกัน ให้อัปเดต ID แล้วทดสอบรูปแบบการตอบกลับ สตรีม ขีดจำกัดเอาต์พุต และการคิดค่าบริการก่อนส่งทราฟฟิกจริง สำหรับงานภาพหรือวิดีโอแบบอะซิงโครนัส ให้ตรวจการส่งงาน โพลสถานะ และดึงผลลัพธ์ด้วย

คำถามที่พบบ่อยของ API Kimi K3

ควรใช้ปลายทางและชื่อโมเดลใดเพื่อเรียก Kimi K3 ผ่าน API Hop?

ปลายทาง Kimi K3 ปัจจุบันของเราคือ POST https://api.apihop.ai/v1/chat-completions ตัวระบุโมเดลคือ kimi-k3 และใช้คีย์ API ของ API Hop ยืนยันตัวตน ให้ยืนยันการเชื่อมต่อด้วยคำขอขั้นต่ำด้านล่างก่อน แล้วค่อยเพิ่มพารามิเตอร์เสริมทีละรายการ เอกสาร Kimi API ของ API Hop

curl -X POST "https://api.apihop.ai/v1/chat-completions" \
  -H "Authorization: Bearer $APIHOP_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "kimi-k3",
    "messages": [
      {"role": "user", "content": "Organize this requirement into goals, constraints, and acceptance criteria: create an admin dashboard for internal employees with email login and password reset."}
    ],
    "stream": false
  }'

โมเดล API Hop นี้ใช้ Chat Completions แบบรวม ไม่ใช่ OpenAI Responses หรือ Claude Messages

Kimi K3 รองรับการสตรีมและคำถามต่อเนื่องหรือไม่?

เรามีทั้งการตอบแบบสตรีมและไม่สตรีม การตั้ง stream: true จะส่ง SSE ส่วน stream: false หรือการไม่ส่งฟิลด์นี้จะส่ง JSON ครบ เราแนะนำการสตรีมสำหรับส่วนติดต่อที่แสดงผลทีละส่วน เอกสาร Kimi API ของ API Hop

สำหรับคำถามต่อเนื่อง แอปพลิเคชันต้องเก็บประวัติสนทนาตามโปรโตคอลการเชื่อมต่อและแนบบริบทที่เกี่ยวข้องในคำขอถัดไป หน่วยความจำในเครื่องมือออนไลน์จะเพิ่มช่วงสนทนาที่ใช้ซ้ำได้จากบทสนทนาปัจจุบัน เราแนะนำให้เก็บเนื้อหาที่เกี่ยวข้องกับคำถามและเฝ้าดูต้นทุนโทเคนอินพุตเมื่อประวัติเพิ่มขึ้น คำอธิบายบริบทของเครื่องมือออนไลน์

ความจำ Playground ไม่คงอยู่ข้ามเซสชัน การปิดยังแสดงประวัติแต่ไม่รวมในคำขอใหม่ คำตอบที่ล้มเหลว ถูกหยุด ถูกตัด หรือใช้ซ้ำไม่ได้จะไม่เพิ่มเป็นประวัติปกติ

0

เหตุใดคำตอบจึงยังถูกตัดได้แม้ Kimi K3 รองรับบริบทล้านโทเคน?

เราเริ่มจากตรวจความจุบริบทและงบประมาณเอาต์พุตแยกกัน max_tokens ของ API Hop กำหนดโควตาเอาต์พุตที่การคิดและคำตอบสุดท้ายใช้ร่วมกัน หากโควตาน้อยเกินไป คำตอบอาจจบด้วย finish_reason: "length" ก่อนตอบครบ คำอธิบายงบประมาณเอาต์พุตของ API Hop

เมื่อพบ length เราแนะนำให้ตรวจว่าเหลือพื้นที่พอสำหรับการคิดและคำตอบหรือไม่ ก่อนเพิ่มงบประมาณหรือแบ่งงานเป็นขั้นตอน หากข้อผิดพลาดระบุว่าเกินขีดจำกัดบริบท ให้ลบประวัติที่ไม่เกี่ยวข้องและเนื้อหาซ้ำ

สุดท้าย เราต้องชี้แจงว่าบริบทล้านโทเคนไม่ได้หมายความว่าจะให้ผลดีจริงในขนาดนั้น หากความถูกต้องเป็นสิ่งสำคัญที่สุด จนถึงตอนนี้การควบคุมความยาวบริบทเป็นทางเลือกเดียวของคุณ

ไคลเอนต์ API ต้องแยก reasoning_content ออกจาก content สุดท้าย

0

ควรจัดการข้อผิดพลาด 400, 401, 402 และ 429 เมื่อเรียก Kimi K3 อย่างไร?

เราแนะนำให้ตรวจสถานะ HTTP ก่อน แล้วตรวจ code ที่เป็นตัวเลขในคำตอบ เอกสาร Chat Completions ของ API Hop กำหนดข้อผิดพลาดทั่วไปดังนี้ เอกสารคำตอบข้อผิดพลาดของ API Hop

สถานะ HTTPcode ตัวเลขความหมายวิธีดำเนินการที่เราแนะนำ
40010000คำขอไม่ถูกต้องตรวจ model, messages, ชนิดฟิลด์ และพารามิเตอร์เสริม
40120000ไม่มีข้อมูลยืนยันตัวตนหรือข้อมูลไม่ถูกต้องตรวจคีย์ API ของ API Hop และส่วนหัวการยืนยันตัวตน Bearer
40240000ยอดเงินที่ใช้ได้ไม่เพียงพอตรวจยอดเงินบัญชีและโควตาที่คำขอนี้ต้องใช้
42940001คำขอถูกจำกัดอัตราลดจำนวนงานพร้อมกันและความถี่ แล้วลองใหม่โดยเว้นช่วงเพิ่มขึ้น

เราแนะนำให้เริ่มแก้ปัญหาด้วยคำขอขั้นต่ำ แล้วคืนพารามิเตอร์ทีละรายการ จัดการสถานะ HTTP และ code ในคำตอบแยกกัน หากปัญหายังอยู่ ให้เก็บตัวระบุคำขอจากคำตอบและพารามิเตอร์ที่เกี่ยวข้อง เพื่อช่วยเราระบุความล้มเหลวที่เกิดขึ้น

สำหรับ 403 ตรวจสิทธิ์โมเดลในแค็ตตาล็อกที่คีย์คุณเห็น วินิจฉัย 502, 503, 504 และข้อผิดพลาด SSE ภายในสตรีมจากคำตอบข้อผิดพลาดครบถ้วน

Playground ของ Kimi K3 รับภาพ PDF หรือวิดีโอได้หรือไม่?

หน้านี้มีบทสนทนาข้อความโดยไม่มีปุ่มอัปโหลดไฟล์หรือภาพ ความเข้าใจภาพดั้งเดิมต้องใช้อินเทอร์เฟซที่รองรับอินพุตนั้น เครื่องมือนี้ไม่ดาวน์โหลดไฟล์ที่ลิงก์ อ่านเอกสารภายนอก หรือค้นเว็บอัตโนมัติ สกัดข้อความที่เกี่ยวข้องก่อนเมื่อต้องการทดสอบที่นี่

คำขอเดียวส่งหลายทางเลือกหรือรับประกัน JSON ถูกได้หรือไม่?

Kimi K3 รองรับเฉพาะ n=1 ผ่าน API Hop ขอหลายทางเลือกในคำตอบเดียวได้ สำหรับ JSON ให้กำหนดฟิลด์ ชนิดข้อมูล และพฤติกรรมเมื่อไม่มีค่า แล้วตรวจไวยากรณ์ สคีมา และความหมายทางธุรกิจในแอปของคุณ

API ข้อความที่เกี่ยวข้อง