API Hop

Kimi K3 API: Fiyatlar ve metin entegrasyonu

Kodlama ve belge analizi için Kimi K3 token fiyatlarını ve Chat Completions örneklerini inceleyin. Desteklenen girdileri, akıl yürütme davranışını ve entegrasyon sınırlarını kontrol edin.

Kimi K3 API fiyatları ve faturalandırma

Resmi fiyat

Girdi
$3.0000 /M
Çıktı
$15.0000 /M
Önbellek girdisi
$0.3000 /M

API Hop fiyatı Tasarruf 30%

Girdi
$2.1000 /M
Çıktı
$10.5000 /M
Önbellek girdisi
$0.2100 /M

Referans fiyat bağımsız olarak doğrulanmamıştır. Maliyetleri karşılaştırmadan önce sağlayıcının güncel tarifelerini, faturalandırma birimlerini ve geçerli koşullarını kontrol edin.

Kimi K3 çevrimiçi sohbet aracı

Model ayarları

Gelişmiş parametreler
0 veya daha fazla karakter(0/Sabit sınır yok)
Sabit karakter sınırı yoktur; tüm istek, istek boyutu ve model bağlamı sınırlarına tabidir. Bu bir token sayısı değildir.
0 – 2
0 – 1
-2 – 2
-2 – 2

Sohbet

Bugün size nasıl yardımcı olabilirim?

Hazır

Sıfırlanıp yeni konuşma başlatılsın mı?

Konuşma ve gönderilmemiş mesajlar silinir, parametreler varsayılan değerlere döner.

Kaydedilmiş API Hop örnekleri

22 Ekim 2026 tarihinde API Hop üzerinden kaydedildi. Her sonuç belirtilen model ve mod için tek bir istektir; başarı oranı, hız veya üretim kalitesi garantisi değildir. Aşağıdaki model yanıtları özgün dilinde korunmuştur.

Paragraf alıntılarıyla yayın kararı

kimi-k3 · document-citations ·

Birebir alıntı

**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**.
Tam model yanıtı (değiştirilmemiş)
**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 | P36 | Low — explicit; P04 proposal superseded by P31/P36 |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.)?

Belge sentetiktir, azami bağlam testi değildir. Sonuçlar girdiyle uyumludur, ancak iki yardımcı alıntıda cümle sonu noktaları virgülle değiştirilmiştir: P36 test planlama ve P04 dokümantasyon sorumluluğu alıntıları. Bu noktalama işaretleri birebir değildir; alıntılar yine elle kontrol edilmelidir.

Tam istek ve girdi

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
}
Yanıt meta verileri ve bildirilen kullanım
{
  "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": []
}
Genel kanıt kaydını indir

Kimi K3 istem örnekleri

Bunlar Kimi K3 için değerlendirme istemleridir, kaydedilmiş model çıktıları değildir. Yalnızca sağlanan metni analiz eder; kod çalıştırmaz, üretim sistemlerini incelemez veya uzun bağlam performansını kanıtlamaz. Alıntılanan kanıtları ve kabul ölçütlerini kontrol edin, ardından üretimde kullanmadan önce yanıt meta verilerini ve kullanımı inceleyin.

Yalnızca bu belge örneğini kullanın: [P1] Dışa aktarma düzeltmesi hazırlık ortamı kontrollerini geçti. [P2] Cuma yayını önerildi, onaylanmadı. [P3] Mei salı günü hata mesajlarını inceleyecek. [P4] Belgelendirme sorumlusu atanmadı. İddia, tam destekleyici alıntı, paragraf kimliği ve belirsizlik tablosu döndürün. Üretim yayını onaylandı mı? Belgelerden kim sorumlu? Eksik bilgileri bilinmiyor işaretleyin. Alıntılar verilen örnekle aynı olmalı; hazırlık başarısından üretim başarısı çıkarmayın. Bu küçük örnek maksimum bağlam uzunluğunu test etmez.

Bu sentetik kayıtları id, owner, deadline ve evidence alanlarıyla JSON’a çıkarın: [R1] Sorun 41: dışa aktarma düzeltmesi Ana’ya ait; son tarih kararlaştırılmadı. [R2] Sorun 42: inceleme son tarihi 15 Ekim; sorumlu atanmadı; yıl belirtilmedi. Eksik değerler için null kullanın, kısmi tarihleri koruyun. evidence içinde kaynağı alıntılayın. Yıl veya sorumlu uydurmayın. Her alanı kaydıyla kontrol edin; bu metin biçimlendirme görevidir, veritabanı işlemi değildir.

Kurgusal iki kişilik ekip günde 2.000 rapor çalıştırır. 30 dakikada tamamlanması kabul edilebilir. Veritabanı var, kuyruk servisi yok; işler yeniden başlatma sonrası devam etmeli ve çift teslimatı önlemelidir. Veritabanı tabanlı toplu işlemle ayrı kuyruğu karşılaştırın. Karar tablosu, koşullu öneri, üç bilinmeyen ve seçiminizi değiştiren bir koşul verin. Kıyaslama, maliyet veya test edilmiş garanti uydurmayın.

Kimi K3 Nedir?

Uzun Soluklu Kodlama ve Bilgi İşleri İçin Doğuştan Çok Modlu Bir Model

Kimi K3'ü karmaşık görevler için bir akıl yürütme ve ajan modeli olarak konumlandırıyoruz; özellikle bağlamın sürekli anlaşılmasını, araç çağrılarını ve sonuçlara göre düzeltmeleri gerektiren işlere odaklanıyoruz. Moonshot AI tarafından geliştirilen model, yerel görme yeteneğine sahip çok modlu bir modeldir; metni, görselleri ve videoyu anlayabilir. Kullanım alanları arasında proje kodlama, araştırma ve çok adımlı bilgi işleri bulunur.

Çok modlu yetenekleri, görsel anlama/OCR dahil kullanım alanlarını genişletir. Geleneksel OCR çözümlerine göre avantajı, ayrı bir model eğitmeden iyi bir anlama düzeyi elde edebilmenizdir.

Milyon Token Bağlamlı, Açık Ağırlıklı Bir MoE Modeli

Kimi K3, toplam 2,8 trilyon parametre ve token başına yaklaşık 104 milyar etkin parametreyle uzmanlar karışımı, yani MoE mimarisi kullanır. Bağlam penceresi 1.048.576 tokendır. Tam model ağırlıkları Kimi K3 License altında yayımlanmıştır.

Milyon token bağlamın pratik değerinin, proje özellikleri, birden fazla modülün kodu ve önceki tartışmalar gibi daha fazla ilgili materyali tek analizde birleştirmek olduğunu düşünüyoruz. Kendi dağıtımına ihtiyaç duyan ekipler için açık ağırlıklar, bazı işletme ve kullanıcıların modeli kendi altyapısında barındırmasını da mümkün kılar.

Üç Akıl Yürütme Çabası Seviyesiyle Daima Etkin Düşünme

Kimi K3 her zaman düşünür. Güncel resmî Kimi API'si reasoning_effort üzerinden üç seviye sunar: low, high ve max; varsayılan max seviyesidir.

Akıl yürütme bütçesini görev zorluğuna göre ayırmanızı öneriyoruz: Basit sınıflandırma ve bilgi çıkarmada low, çok adımlı analizde high ile başlayın; kısıtların tekrar tekrar kontrol edildiği karmaşık görevlerde max karşılaştırın. Diğer modellerle test deneyimimizde max her zaman en iyi toplam faydayı sağlamıyor; bu nedenle kendi kullanımınıza göre test edip değerlendirin.

RequestBeam'de Kimi K3 Çevrimiçi Aracı ve API'si

RequestBeam ile Kimi K3'ün kendi görevlerinizdeki performansını daha hızlı anlamanıza yardımcı olmak istiyoruz. Oturum açın, bir API Key oluşturun ve çevrimiçi aracı kullanmaya başlamak için küçük bir bakiye yükleyin. Önce API entegrasyon kodu yazmanız veya kısa değerlendirme için sabit abonelik satın almanız gerekmez.

Kimi K3'ün Temel Özellikleri ve Uzmanlık Alanları

Uzun Soluklu Yazılım Geliştirme: Gereksinimleri Anlamadan Sorun Düzeltme ve Test Çalıştırmaya

İlk test edilmeye en çok değer Kimi K3 yeteneğinin uzun soluklu kodlama olduğunu düşünüyoruz. Bir ajan çerçevesi dosya, terminal ve test araçları sağladığında model, tek satırlık gereksinimden yalnızca bir kod parçası üretmek yerine kod okuma, uygulama değişikliği, test yürütme ve sorun düzeltme aşamalarını sürdürebilir.

Topladığımız müşteri deneyimlerinde bir kullanıcı, Kimi K3'ün daha önce durmuş bir projeyi ardışık birkaç geliştirme aşamasında ilerlettiğini bildirdi. Diğer geliştiriciler dosyalar arası analizde ve modül ilişkilerini belirlemede iyi olduğunu, ancak ilk önerdiği değişikliklerin her zaman güvenli olmadığını ve bazen yeni sorunlar yaratabildiğini söyledi.

Bunun Kimi K3'ü gerçek geliştirmede nasıl kullanmak gerektiğini gösterdiğini düşünüyoruz: Yalnızca "bu hatayı bizim için düzelt" demek yerine açık test senaryoları, değişmeden kalması gereken mevcut davranışlar ve değiştirebileceği dosyaların kapsamını sağlayın.

Arka uç yeniden yapılandırması, karmaşık veri işleme ve üretim kodunda önce değişiklik planını açıklamasını, ardından uygulamasını ve son olarak otomatik testlerle doğrulamasını öneriyoruz. Model görevin tamamlandığını bildirse bile kod incelemesini atlamayın.

Görsel Geliştirme: Arayüz Ekran Görüntüleriyle Ön Yüzü ve Etkileşim Tasarımını Sürekli İyileştirme

Kimi K3'ün görsel anlama yeteneği, aynı görev içinde arayüz ekran görüntüleri, tasarım gereksinimleri ve kodla çalışmasını sağlar.

Örneğin önce modelden referans görsele göre web sayfası üretmesini isteyebilir, sonra tarayıcı araçlarıyla gerçek işlenmiş sayfayı görüntüleyebiliriz. Model bunu tasarımla karşılaştırıp düzeni, renkleri, tipografiyi ve etkileşim ayrıntılarını ayarlamayı sürdürebilir.

Müşteri grubumuzdaki geri bildirimlerde bazı kullanıcılar Kimi K3'ün ön yüzlerde, görselleştirme projelerinde ve küçük oyunlardaki çalışmalarını övdü.

Kimi K3'ün ürün prototiplerine, kampanya sayfalarına, görsel gösterge panellerine ve ekran görüntüleriyle tekrarlı karşılaştırma gerektiren geliştirme görevlerine uygun olduğunu düşünüyoruz. Özellikle bağımsız geliştiriciler önce çalışan bir sürüm üretip sonra sayfa deneyimini aşamalı olarak geliştirebilir.

Ajan Araç İşbirliği: Çok Adımlı Görevlerde Net Sınırlar Gerekir

Kimi K3 dış araçlarla dosya okuyup yazabilir, terminal kullanabilir, bilgi toplayabilir ve çok adımlı otomasyon yapabilir. Model sonraki adıma karar verirken gerçek araç çağrılarını ve yürütme ortamını uygulama veya ajan çerçevesi sağlar.

Özellikle bir gözleme dikkat ediyoruz: Aynı model, farklı ajan çerçevelerinde belirgin biçimde farklı görev tamamlama oranları gösterebilir.

Moonshot AI da kullanıcı niyeti belirsiz olduğunda Kimi K3'ün beklentilerin ötesinde kendiliğinden kararlar alabileceği konusunda uyarıyor. Davranışın sıkı kontrol edildiği görevlerde bu nedenle sistem istemlerinde veya AGENTS.md içinde işlem izinlerini tanımlamanızı öneriyoruz.

Kimi K3 Karşılaştırma Testleri ve Performansı

Bu bölümde Moonshot'ın yayımlanma dönemindeki resmî testlerini ve 7 Ekim 2026 itibarıyla mevcut bağımsız Artificial Analysis değerlendirmelerini ayrı kullanıyoruz. Aşağıdaki tüm resmî Kimi K3 sonuçları max düşünme çabasıyla alınmıştır. Gerçek görevlerle ilgilerini değerlendirebilmeniz için test sürümlerini ve önemli koşulları da koruyoruz.

Yazılım Mühendisliği: DeepSWE'de %67,5 ve ProgramBench'te %77,8

Moonshot, Kimi K3 için DeepSWE v1.1 üzerinde %67,5 ve ProgramBench üzerinde %77,8 bildiriyor. Her iki K3 testi Kimi Code çalıştırma altyapısını kullanıyor. Bunları modelin kod depoları ve uzun soluklu kodlama görevlerindeki yeteneği için referans olarak kullanıyoruz.

Kodlama asistanı entegre eden ekiplerin mevcut sorun düzeltmelerini, küçük özellik geliştirmeyi ve küçük proje uygulamasını ayrı test etmelerini öneriyoruz. İlk denemede tamamlama, başarısızlık sonrası toparlanma ve son kodun ihtiyaç duyduğu elle düzeltme miktarına odaklanın. Bu sonuçları geliştirme maliyetleriyle ilişkilendirmek daha kolaydır.

Terminal Görevleri: Terminal-Bench 2.1 ve 4.0 Ayrı Yorumlanmalı

Yayımlanma dönemindeki resmî testlerde Kimi Code ile Kimi K3, Terminal-Bench 2.1 üzerinde %88,3 aldı. Güncel Artificial Analysis Terminal-Bench 4.0 testinde K3 Max yaklaşık %13 alıyor.

İki sonuç farklı görev kümeleri ve yürütme altyapıları kullanıyor. AA'nın 4.0 testi daha zor 66 terminal görevi içeriyor, mini-swe-agent kullanıyor ve her görevi üç kez tekrarlıyor. Gerçek iş kullanımında başka çalıştırma altyapılarıyla da test etmenizi öneriyoruz.

Araştırma ve Araç Çağrısı: BrowseComp'ta %91,2 ve MCPMark-Verified'da %94,5

Resmî rapor Kimi K3'e BrowseComp'ta %91,2, MCPMark-Verified'da %94,5 veriyor. %91,2 BrowseComp sonucu, 300K tokenda bağlam sıkıştırmayı tetikleyen bir strateji kullanıyor; bağlam yönetimi olmadan doğrudan 1M bağlam kullanıldığında sonuç %90,4 oluyor.

Bu sonuçların araştırma ve araç işbirliğinin Kimi K3'ün güçlü yanları olduğunu gösterdiğini, aynı zamanda uygulamaların bağlamı nasıl yönettiğini incelememiz gerektiğini hatırlattığını düşünüyoruz. Deneyimimizde bağlam yönetimi pratik sonuçları büyük ölçüde etkileyebilir.

Uzun Belge Akıl Yürütmesi: AA-LCR v1.1 Üzerinde %88,7

Artificial Analysis'in özel AA-LCR v1.1 sayfası Kimi K3 Max'i %88,7 olarak kaydediyor. Değerlendirme şirket raporları, makaleler ve sektör materyalleri gibi uzun belgelerden bilgi birleştirmeyi gerektiren 100 soru içeriyor. Belge uzunlukları yaklaşık 10.000 ile 100.000 token arasında.

Bu sonucu Kimi K3'ün materyaller arası analiz yeteneğine dair görece ikna edici kanıt olarak görüyoruz. Bir milyon tokena yaklaşan gerçek girdiler için yine ayrı test öneriyoruz. Geçmiş testlerimizde girdi modelin izin verdiği sınıra yaklaştığında çıktı özellikle iyi olmadı.

Zekâ Endeksi ve Yanıt Hızı: 44 Puan ve Saniyede Yaklaşık 45 Token

Artificial Analysis Intelligence Index v4.3.2, Kimi K3 Max'i 44 puanla listeliyor. Çıktı hızı saniyede yaklaşık 45 token; ilk tokena kadar yaklaşık 3,92 saniye, düşünme dahil ilk yanıt tokenına kadar 48,58 saniye geçiyor.

Verinin dönmeye başlamasına, gerçek yanıtın görünmesine ve tüm görevin bitmesine kadar geçen süreleri ayrı ölçüyoruz. Sık etkileşimli özelliklerde bu süreler kullanıcı deneyimini etkiler; karmaşık analizde ise iş kullanımındaki sonuç kalitesiyle birlikte değerlendirilmelidir.

Kimi K3'ün DeepSeek V4 Pro, V4.1 Flash, Claude Fable 5.1 ve GPT-5.6 Sol ile Karşılaştırılması

Aynı Artificial Analysis v4.3.2 sürümündeki verileri karşılaştırıyoruz. Aşağıdaki tüm modeller Max çabası kullanıyor; Claude Fable 5.1 için değerlendirme sayfasındaki Default Fallback yapılandırması korunuyor. Karşılaştırma sayfaları AA-LCR'yi tam sayı yüzdeleriyle gösterdiğinden Kimi K3'ün %88,7 sonucu %89 olarak görünüyor.

Tablodaki görev maliyetleri, AA'nın değerlendirmeleri için hesapladığı; girdi, önbellek, düşünme ve yanıt kullanımını içeren ağırlıklı ortalamalardır ve model seçimine referans olur. Gerçek RequestBeam ücretleri platform fiyatları ve istek kullanımı üzerinden hesaplanır. Maliyet yöntemi

Model ve test yapılandırmasıZekâ endeksiAA-LCR v1.1Ağırlıklı görev maliyeti
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 · Tüm modeller Max düzeyinde
Zekâ Endeksi Puan · Yüksek daha iyi
  • Kimi K3 Max 44
  • DeepSeek V4 Pro 0813 Max 36
  • DeepSeek V4.1 Flash Max 39
  • Claude Fable 5.1 MaxVarsayılan yedek yapılandırma 53
  • GPT-5.6 Sol Max 47
AA-LCR v1.1 Yüzde · Yüksek daha iyi
  • Kimi K3 Max 89%
  • DeepSeek V4 Pro 0813 Max 80%
  • DeepSeek V4.1 Flash Max 84%
  • Claude Fable 5.1 MaxVarsayılan yedek yapılandırma 85%
  • GPT-5.6 Sol Max 84%
Ağırlıklı görev maliyeti USD/görev · Düşük daha iyi
  • Kimi K3 Max $2.00
  • DeepSeek V4 Pro 0813 Max $0.67
  • DeepSeek V4.1 Flash Max $0.27
  • Claude Fable 5.1 MaxVarsayılan yedek yapılandırma $7.63
  • GPT-5.6 Sol Max $1.99
AA-LCR yuvarlanmıştır: Kimi K3 88.7% → 89%. AA görev maliyetleri girdi, önbellek, akıl yürütme ve yanıtları içerir; API Hop fiyatları değildir.

Kaynaklar: V4 Pro karşılaştırması, V4.1 Flash karşılaştırması, Fable 5.1 karşılaştırması ve GPT-5.6 Sol karşılaştırması.

DeepSeek V4 Pro ile Karşılaştırma: Daha Yüksek Test Maliyetiyle Daha Güçlü Uzun Belge Analizi

Bu değerlendirmelerde Kimi K3, zekâ endeksi, uzun belge akıl yürütmesi ve bilgi işlerinde DeepSeek V4 Pro 0813'ün üzerinde puan alıyor. Materyaller arasında karmaşık bağlantılar ve birden fazla kanıt türü içeren görevlerde K3'e öncelik verir, sonra yetenek farkının elle düzenleme ve inceleme süresini azaltıp azaltmadığına bakardık. AA aynı koşullar karşılaştırması

Kabul ölçütleri net, yüksek hacimli tekrarlı metin görevlerinde V4 Pro'yu da test ederdik. Bu test kümesinde görev maliyeti daha düşük. Çıktısı iş gereksinimlerini zaten karşılıyorsa kullanım büyüdükçe maliyet farkı önemli hale gelebilir.

DeepSeek V4.1 Flash ile Karşılaştırma: Genel ve Uzun Belge Üstünlüğü, Otomasyonda Farklı Dengeler

Kimi K3 zekâ endeksinde ve AA-LCR'de önde; ancak AutomationBench-AA üzerinde V4.1 Flash %69, K3 %58 alıyor. Terminal-Bench 4.0 üzerinde puanları sırasıyla %27 ve %13. Bunun görev türlerinin model sıralamasını nasıl değiştirebildiğini gösterdiğini düşünüyoruz. AA aynı koşullar karşılaştırması

Öncelikle uzun materyalleri analiz eden uygulamalarda K3'e odaklanmanızı öneriyoruz. İş akışı otomasyonu, terminal işlemleri ve sık çağrılarda V4.1 Flash'ı önemli aday olarak görür, hem başarı oranlarını hem tam yürütme maliyetlerini karşılaştırırdık.

Claude Fable 5.1 ile Karşılaştırma: Terminal Kodlamasında Fark Var, Uzun Belge Görevlerini Ayrı Test Edin

Yukarıdaki Default Fallback yapılandırmasında Claude Fable 5.1 zekâ endeksinde 53, Kimi K3 ise 44 alıyor; Terminal-Bench 4.0 puanları %52 ve %13. Karmaşık terminal kodlamasında Fable 5.1'i önemli referans olarak kullanırdık. K3 daha yüksek AA-LCR v1.1 puanı ve daha düşük değerlendirme görev maliyeti sunuyor. AA aynı koşullar karşılaştırması

Birden fazla kaynağı okuyup belirli sorulara yanıt veren uygulamalarda K3'ü ayrı test etmenizi öneriyoruz. Sürekli terminal kullanımı, ortam onarımı ve mühendislik doğrulaması gerektiren görevlerde ek model maliyetinin değip değmediğine karar vermeden önce ilk deneme başarısına ve elle müdahale sayısına daha fazla odaklanırdık.

GPT-5.6 Sol ile Karşılaştırma: Benzer Toplam Görev Maliyetinde Farklı Uzun Belge Sonuçları

Kimi K3, AA-LCR'de GPT-5.6 Sol'den daha yüksek puan alırken GPT-5.6 Sol zekâ endeksinde ve Terminal-Bench 4.0 üzerinde daha yüksek puan alıyor. Görev maliyetlerine özellikle dikkat ediyoruz: Bu değerlendirme kümesinde sırasıyla yaklaşık $2.00 ve $1.99, yani birbirine çok yakın. AA aynı koşullar karşılaştırması

Bu nedenle maliyeti düşünme, araç etkileşimleri, tekrarlar ve son yanıt dahil tüm görev tamamlandıktan sonra karşılaştırmanızı öneriyoruz. Bilgi yoğun analizde K3 karşılaştırmasına öncelik verin; terminal mühendisliği görevlerinde GPT-5.6 Sol'ü önemli referans olarak kullanın. Sonunda yönlendirmeyi işinizdeki gerçek görev tamamlama durumuna göre seçin.

Kimi K3 neden API Hop üzerinden kullanılmalı?

Kullanıma dayalı faturalandırma ve model maliyeti optimizasyonu

Ücretler güncel API Hop fiyatlarına ve gerçek kullanıma göre belirlenir. Gerektikçe bakiye yükleyin.

Birden fazla modele tek yerden erişim sunan birleşik AI modelleri ve veri API’leri

Tek bir API anahtarı birden fazla AI modeline ve veri hizmetine bağlanarak entegrasyon maliyetlerini azaltır ve tek tıkla geçiş sağlar. İş uygulamaları hem AI hem de veriye ihtiyaç duyar.

Her çağrı için şeffaflık sağlayan çağrı kayıtları ve uygulama erişim kontrolleri

Her API çağrısı kontrol panelinize kaydedilir. Farklı uygulamalar için ayrı API anahtarları oluşturun.

Çıktıları görevinize göre değerlendirin

API Hop üzerinden belgelenmiş model kimliğini ve desteklenen parametreleri kullanın. Çıktıları kendi kabul ölçütlerinizle değerlendirin; üretim kullanımı öncesinde kullanım kayıtlarını ve yanıt meta verilerini inceleyin. Model adı veya örnek, her sonucu garanti etmez.

Kimi K3 API Hop üzerinde nasıl kullanılır

Konsolda bir API anahtarı oluşturduktan sonra Kimi K3 kullanmaya başlamak için belgeleri izleyin.

Hesabınızı hazırlayın ve çevrimiçi test edin

Oturum açın, bakiyenizi doğrulayın ve bir API anahtarı oluşturun.

Deneme alanında deneyin

En uygun kullanım şeklini bulmak için modelin yeteneklerini deneme alanında keşfedin.

Kimi K3 modelini işinize entegre edin

Kimi K3 modelini işinize entegre etmek için geliştirici belgelerimizi izleyin.

Gelecekteki model yükseltmeleri

Daha yeni bir modele geçmeden önce tam kimliğinin API anahtarınızın model kataloğunda döndüğünü doğrulayın. Aynı uç noktayı ve istek alanlarını destekliyorsa model kimliğini güncelleyin; üretim trafiğini yönlendirmeden önce yanıt biçimlerini, akışı, çıktı sınırlarını ve faturalandırmayı test edin. Eşzamansız görüntü veya video görevlerinde görev gönderimini, durum sorgulamasını ve sonuç alımını da doğrulayın.

Kimi K3 API sık sorulan sorular

Kimi K3'ü RequestBeam Üzerinden Çağırmak İçin Hangi Uç Noktayı ve Model Adını Kullanmalıyım?

Güncel Kimi K3 uç noktamız POST https://api.requestbeam.com/v1/chat-completions, model kimliği kimi-k3 ve kimlik doğrulama RequestBeam API Key ile yapılır. Önce aşağıdaki asgari istekle bağlantıyı doğrulayın, ardından isteğe bağlı parametreleri tek tek ekleyin. RequestBeam Kimi API belgeleri

curl -X POST "https://api.requestbeam.com/v1/chat-completions" \
  -H "Authorization: Bearer $REQUESTBEAM_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
  }'

Bu API Hop modeli, OpenAI Responses veya Claude Messages değil birleşik Chat Completions arayüzünü kullanır.

Kimi K3 Akışı ve Takip Sorularını Destekliyor mu?

Hem akışlı hem akışsız yanıt sağlıyoruz. stream: true ayarı SSE döndürür; stream: false veya alanın atlanması tam JSON döndürür. Sonuçları aşamalı gösteren arayüzlerde akışı öneriyoruz. RequestBeam Kimi API belgeleri

Takip sorularında uygulama, entegrasyon protokolüne göre konuşma geçmişini tutmalı ve sonraki isteklere ilgili bağlamı eklemelidir. Çevrimiçi aracın belleği mevcut konuşmanın yeniden kullanılabilir turlarını ekler. Soruyla ilgili materyalleri korumanızı ve geçmiş büyürken girdi token maliyetlerini izlemenizi öneriyoruz. Çevrimiçi araç bağlam açıklaması

Deneme alanı belleği oturumlar arasında kalıcı değildir. Kapatınca geçmiş görünür kalır ama yeni isteklere eklenmez. Başarısız, durdurulmuş, kesilmiş veya yeniden kullanılamayan yanıtlar normal geçmişe eklenmez.

0

Milyon Token Bağlamı Destekleyen Kimi K3'ün Yanıtları Neden Yine Kesilebiliyor?

Önce bağlam kapasitesini ve çıktı bütçesini ayrı kontrol ediyoruz. RequestBeam'in max_tokens alanı, düşünmenin ve son yanıtın paylaştığı çıktı kotasını ayarlar. Kota çok küçükse yanıt tamamlanmadan finish_reason: "length" ile bitebilir. RequestBeam çıktı bütçesi açıklaması

length ile karşılaştığınızda bütçeyi artırmadan veya görevi adımlara bölmeden önce düşünme ve yanıt için yeterli yer bıraktığınızı kontrol etmenizi öneriyoruz. Hata bağlam sınırının aşıldığını belirtiyorsa ilgisiz geçmişi ve yinelenen materyali kaldırın.

Son olarak bir noktayı netleştirmemiz gerekiyor: Milyon token bağlam, modelin o ölçekte gerçekten iyi sonuç döndürebildiği anlamına gelmez. Doğruluk önceliğinizse şu ana kadar tek seçeneğiniz bağlam uzunluğunu kontrol etmektir.

API istemcileri reasoning_content ile son content alanını ayırmalıdır.

0

Kimi K3 Çağrılarında 400, 401, 402 ve 429 Hatalarını Nasıl Ele Almalıyım?

Önce HTTP durumunu, ardından yanıttaki sayısal code alanını kontrol etmenizi öneriyoruz. RequestBeam'in Chat Completions belgeleri yaygın hataları şöyle tanımlar. RequestBeam hata yanıtı belgeleri

HTTP durumuSayısal codeAnlamıÖnerdiğimiz işlem
40010000Geçersiz istekmodel, messages, alan türleri ve isteğe bağlı parametreleri kontrol edin
40120000Eksik veya geçersiz kimlik doğrulamaRequestBeam API Key ve Bearer kimlik doğrulama başlığını kontrol edin
40240000Yetersiz kullanılabilir bakiyeHesap bakiyesini ve bu isteğin ihtiyaç duyduğu tutarı kontrol edin
42940001İstek hızı sınırlandıEşzamanlılığı ve sıklığı azaltıp artan beklemelerle yeniden deneyin

Sorun gidermeye asgari istekle başlayıp parametreleri tek tek geri eklemenizi öneriyoruz. HTTP durumunu ve yanıttaki code alanını ayrı ele alın. Sorun sürerse belirli hatayı bulmamıza yardımcı olmak için yanıttaki istek kimliğini ve ilgili parametreleri saklayın.

403 için anahtarınıza görünen katalogdaki model izinlerini kontrol edin. 502, 503, 504 ve akış içi SSE hatalarını tam hata yanıtıyla teşhis edin.

Kimi K3 deneme alanı görüntü, PDF veya video kabul eder mi?

Bu sayfa, dosya veya görüntü yükleme kontrolleri olmadan metin konuşmaları sunar. Yerel görsel anlama, bu girdileri destekleyen bir arayüz gerektirir. Bu araç bağlantılı dosyaları indirmez, harici belgeleri okumaz veya web’de otomatik arama yapmaz. Burada test ederken önce ilgili metni çıkarın.

Tek istek birden fazla alternatif döndürebilir veya geçerli JSON garanti edebilir mi?

Kimi K3, API Hop üzerinden yalnızca n=1 destekler. Tek yanıt içinde birden fazla alternatif isteyin. JSON için alanları, türleri ve eksik değer davranışını tanımlayın; ardından uygulamanızda sözdizimini, şemayı ve iş anlamını doğrulayın.

İlgili metin API’leri