Moonshot AI, Kimi K3'ü 16 Temmuz 2026'da piyasaya sürdü ve onu “dünyanın ilk açık 3T sınıfı modeli” olarak tanımladı. Pazarlama mesajını mühendislik gereksinimlerinden ayırırsak: K3, 2,8 trilyon parametreli bir Uzman Karışımı (Mixture-of-Experts, MoE) modeli; 1 milyon token bağlam penceresi, yenilenmiş dikkat mekanizmaları ve kodlama ekiplerine yönelik fiyatlandırma sunuyor. Aynı gün Kimi.com, Kimi Work, Kimi Code ve Kimi API üzerinden kullanıma açıldı. Moonshot, tam model ağırlıklarını 27 Temmuz 2026'ya kadar yayınlama sözü verdi. Bu rehber; modeli değerlendirmek, API'ye bağlanmak, maliyeti hesaplamak ve üretime uygunluğunu test etmek için gereken temel bilgileri toplar.
TL;DR: Kimi K3 nedir?
Kimi K3, Moonshot AI'ın 16 Temmuz 2026'da yayınladığı amiral gemisi büyük dil modelidir.
- Toplam parametre: 2,8 trilyon
- Mimari: Uzman Karışımı (MoE)
- Aktif uzmanlar: Token başına 896 uzmandan 16'sı
- Bağlam penceresi: 1.048.576 token (1M)
-
API model kimliği:
kimi-k3 - API uyumluluğu: OpenAI SDK uyumlu
- Girdi fiyatı: Önbellek isabetinde 0,30 $ / 1M token; önbellek kaçırmada 3,00 $ / 1M token
- Çıktı fiyatı: 15,00 $ / 1M token
- Artificial Analysis Intelligence Index: 57 puan, 189 model arasında 4. sıra
Moonshot'ın kendi lansman yazısına göre K3, Claude Fable 5 ve GPT-5.6 Sol'un gerisinde kalıyor. Bu nedenle K3'ü “mutlak sınır model” yerine, açık ağırlıklar yayınlandığında kullanılabilecek sınıra yakın güçlü açık model olarak konumlandırmak daha doğru olur.
Kimi K3 neden önemli?
K3'ün öne çıkan noktası tek bir benchmark sonucu değil; aşağıdaki üç özelliğin birleşimi:
- Sınıra yakın model kalitesi
- Uzun ve tekrar kullanılan bağlamlar için düşük cache-hit girdi maliyeti
- Tam ağırlıkların yayınlanacağına dair taahhüt
Ağırlıklar yayınlanırsa, API kullanım maliyeti ile kendi GPU altyapınızı karşılaştırmanız mümkün olur. Bu özellikle aşağıdaki iş yükleri için önemlidir:
- Büyük depo bağlamı kullanan kodlama ajanları
- Uzun sistem istemleri
- Tekrarlanan belge analizi
- Çok turlu ajan iş akışları
- Uzun transkript veya araştırma kümeleri
LLM API'leriyle çalışıyorsanız ilk doğrulamanız gereken soru şudur:
Mevcut OpenAI uyumlu istemcimi
kimi-k3modeline yönlendirip uygulama katmanını yeniden yazmadan sonuç alabilir miyim?
Moonshot, OpenAI SDK uyumlu bir API sunduğu için cevap evet. Bu sayede mevcut sohbet tamamlama, akış ve araç çağırma kodunuzu büyük ölçüde koruyabilirsiniz.
kimi-k3 çağrılarını Apidog ile test ederek akış yanıtlarını, sunucu tarafından gönderilen olayları (SSE) ve araç çağrılarını üretim koduna bağlamadan inceleyebilirsiniz.
Daha ayrıntılı konular için şu rehberlere bakın:
Kimlik: Moonshot'ın en yetenekli modeli
Moonshot AI, K3'ü Kimi K2 serisinin üzerinde konumlandırıyor. Kimi K2 veya kodlama odaklı Kimi K2.7 Code kullandıysanız, K3 aynı model soyunun yeni nesil amiral gemisidir.
“Dünyanın ilk açık 3T sınıfı modeli” ifadesini iki parçaya ayırmak gerekir:
“Açık” ne anlama geliyor?
K3, lansman gününde ağırlıkları indirilebilen bir model değildi. İlk aşamada barındırılan ürünler ve ücretli API üzerinden kullanılabiliyordu.
Moonshot, tam model ağırlıklarını 27 Temmuz 2026'ya kadar yayınlamayı taahhüt etti. Yerel dağıtım planlıyorsanız bunu ilk gün erişilebilir bir artefakt olarak değil, lansmandan yaklaşık bir buçuk hafta sonraki planlı teslim olarak değerlendirin.
“3T sınıfı” ne anlama geliyor?
K3, toplamda 2,8 trilyon parametre taşıyor. Ancak her token için yalnızca 16 uzman etkinleşiyor. Bu seyrek hesaplama modeli şunları mümkün kılıyor:
- Trilyon parametre ölçeğinde bilgi kapasitesi
- Tam yoğun model yerine daha düşük etkin çıkarım maliyeti
- Uzun bağlam ve ajan iş yüklerinde daha uygulanabilir fiyatlandırma
Mimari: Kaputun altında ne var?
K3, K2'nin yalnızca büyütülmüş bir sürümü değil. Moonshot, çekirdek mimariyi çeşitli mekanizmalarla yeniden tasarladığını belirtiyor.
Kimi Delta Attention (KDA)
Moonshot'ın tanımına göre KDA, dikkati ölçeklemek için kullanılan hibrit doğrusal dikkat mekanizmasıdır.
Pratik etkisi:
- Bağlam uzadıkça bellek ve hesaplama artışını kontrol etmeye yardımcı olur.
- 1 milyon token bağlam penceresini teorik bir sayı olmaktan çıkarıp daha uygulanabilir hale getirir.
Attention Residuals (AttnRes)
AttnRes, standart artık bağlantılara doğrudan alternatif olarak sunuluyor. Amaç, önceki katmanlardaki temsilleri daha derin katmanlarda erişilebilir tutmak.
Basitçe ifade etmek gerekirse, modelin uzun bağlamdaki bilgiyi katmanlar ilerledikçe daha az kaybetmesine yardımcı olmayı hedefliyor.
Stable LatentMoE
Stable LatentMoE, K3'ün MoE yönlendirme katmanıdır.
- Toplam uzman sayısı: 896
- Token başına aktif uzman: 16
- Eğitim sırasında yönlendirme stabilitesi için kullanılan yöntem: Quantile Balancing
Bu yaklaşım, modelin toplam parametre kapasitesini yüksek tutarken çıkarım sırasında yalnızca küçük bir uzman kümesini çalıştırmasını sağlar.
Moonshot ayrıca aşağıdaki bileşenlerden de bahsediyor:
- Per-Head Muon
- Sigmoid Tanh Birimi (SiTU)
- Gated MLA
- MXFP4 ağırlıkları
- MXFP8 aktivasyonları
Kimi K3 özellikleri: Hızlı referans
| Özellik | Kimi K3 |
|---|---|
| Geliştirici | Moonshot AI |
| Yayın tarihi | 16 Temmuz 2026 |
| Toplam parametre | 2,8 trilyon (MoE) |
| Aktif uzmanlar | Token başına 896 uzmandan 16'sı |
| Bağlam penceresi | 1.048.576 token (1M) |
| API model kimliği | kimi-k3 |
| OpenRouter takma adı | moonshotai/kimi-k3 |
| API uyumluluğu | OpenAI SDK uyumlu |
| Önbellek isabetli girdi | 0,30 $ / 1M token |
| Önbellek kaçırmış girdi | 3,00 $ / 1M token |
| Çıktı | 15,00 $ / 1M token |
| Çıktı hızı | ~62 token/sn |
| İlk tokene kadar geçen süre | ~1,99 sn |
| Intelligence Index | 57; 189 model arasında 4. sıra |
| Açık ağırlıklar | 27 Temmuz 2026 civarında bekleniyor |
Kendi istek hacminize göre maliyet hesabı yapmak için Kimi K3 fiyatlandırma rehberini kullanın.
1M bağlam penceresi ve cache-hit fiyatlandırması neden önemli?
1.048.576 tokenlık bağlam penceresi, tek isteğe aşağıdakilerden büyük bölümler yerleştirmenizi sağlar:
- Kod depoları
- Dosya ağaçları
- Uzun teknik doküman kümeleri
- Araştırma materyalleri
- Saatler süren transkriptler
- Ajanlar için kalıcı talimat blokları
Ancak pratik maliyeti belirleyen asıl unsur bağlam boyutu değil, önbellek isabet oranıdır.
| Girdi türü | Fiyat |
|---|---|
| Cache-hit girdi | 0,30 $ / 1M token |
| Cache-miss girdi | 3,00 $ / 1M token |
| Çıktı | 15,00 $ / 1M token |
Cache-hit ve cache-miss fiyatı arasındaki fark 10 kattır.
Moonshot'ın Mooncake ayrıştırılmış çıkarım (disaggregated inference) sistemi, kodlama iş yüklerinde %90'ın üzerinde cache-hit oranı sunduğunu bildiriyor. Tekrarlanan bağlam kullanan uygulamalarda bu önemlidir.
Örneğin bir kodlama ajanı her turda aynı depo özeti, dosya ağacı ve sistem talimatlarını gönderiyorsa:
- Paylaşılan bağlamı sabit tutun.
- Değişen kullanıcı görevini ayrı mesaj olarak ekleyin.
- Aynı ön eki mümkün olduğunca yeniden kullanın.
- Cache-hit oranını ve gerçek faturalamayı gözlemleyin.
Bu yaklaşım, özellikle çok turlu ajan döngülerinde girdi maliyetini önemli ölçüde düşürebilir.
Gecikme beklentisini doğru ayarlayın
Artificial Analysis ölçümlerine göre:
- Çıktı hızı: yaklaşık 62 token/sn
- Kategori medyanı: 72,7 token/sn
- İlk tokene kadar geçen süre: yaklaşık 1,99 sn
K3, hızlı kısa yanıtlar yerine daha derin akıl yürütme ve istikrarlı akış odaklı değerlendirilmelidir. Gecikme kritikse, modeli kendi trafik profilinizle daha hızlı seçeneklere karşı kıyaslayın.
Dürüst konumlandırma: Güçlü, açık ve sınıra yakın
Moonshot, resmi Kimi K3 lansman blogunda, K3'ün Claude Fable 5 ve GPT-5.6 Sol'un gerisinde kaldığını açıkça belirtiyor. Buna rağmen değerlendirme paketlerinde sınır düzeyinde performans sunduğunu ifade ediyor.
Artificial Analysis Intelligence Index verileri bu çerçeveyi destekliyor:
- Skor: 57
- Sıralama: 189 model arasında 4. sıra
- Kapsam: Ajan görevleri, kodlama, bilim ve akıl yürütme değerlendirmeleri
K3 için doğru değerlendirme çerçevesi:
| Gereksinim | K3 uygunluğu |
|---|---|
| Mutlak en yüksek kapalı model performansı | En iyi seçenek olmayabilir |
| Açık ağırlık seçeneği | Güçlü aday |
| Uzun bağlamlı ajan iş akışları | Güçlü aday |
| Düşük cache-hit girdi maliyeti | Güçlü aday |
| Yerel barındırma planı | Ağırlıklar yayınlandığında değerlendirilmeli |
| Çok düşük gecikmeli kullanıcı deneyimi | Önce benchmark yapılmalı |
Kapalı liderlerle karşılaştırmak için:
Kimi K3'ü bugün nerede kullanabilirsiniz?
| Platform | Ne elde edersiniz |
|---|---|
| Kimi.com | K3 varsayılan model olarak web sohbet uygulaması |
| Kimi Work | Ekip çalışma alanı ürünü |
| Kimi Code | Terminal tabanlı kodlama ajanı |
| Kimi API |
kimi-k3 model kimliğiyle programatik erişim |
| Mobil uygulamalar | iOS, Android ve HarmonyOS |
| Masaüstü | Kimi Work uygulaması, sürüm 3.1.0 ve sonrası |
| OpenRouter |
moonshotai/kimi-k3 üzerinden yönlendirilmiş erişim |
Terminal tabanlı geliştirme için Kimi Code giriş noktasıdır. Kurulum yaklaşımı için Kimi Code CLI rehberine bakabilirsiniz.
Kodlama odaklı önceki modelle farklarını görmek için:
Değerlendirme aşamasında ücret ödemeden erişim seçeneklerini incelemek için:
API'nin sunduğu yetenekler
K3 API yüzeyi, ajan tabanlı ve yapılandırılmış uygulamalarda ihtiyaç duyacağınız temel özellikleri destekler:
- Bağlam önbelleğe alma
- Araç çağrıları
- Araç seçimi kısıtlamaları
- JSON modu
- Yapılandırılmış çıktı
- Kontrollü tamamlamalar için kısmi mod
- İnternet araması
- Dinamik araç yükleme
- “Maksimum” dahil yapılandırılabilir akıl yürütme çabası
Bu özellikler sayesinde K3'ü aşağıdaki kullanım senaryolarına bağlayabilirsiniz:
- Fonksiyon çağıran uygulamalar
- Ajan çerçeveleri
- Belge veya veri çıkarma boru hatları
- JSON tabanlı otomasyonlar
- Kod inceleme ve kod üretme akışları
Moonshot API'si OpenAI SDK uyumludur. Uygulamanızda mevcut istemciyi Kimi'nin OpenAI uyumlu uç noktasına yönlendirin, model adını kimi-k3 yapın ve mevcut çağrı yapınızı koruyun.
Kimi konsolu lansman sırasında yeni alana taşındığı için temel URL'yi kodunuza sabitlemeden önce platform.kimi.ai üzerinden doğrulayın.
OpenAI SDK ile temel istek örneği
Aşağıdaki örnek, istemci yapılandırmasının genel şeklini gösterir. Temel URL'yi Moonshot konsolundan doğrulayın.
from openai import OpenAI
import os
client = OpenAI(
api_key=os.environ["KIMI_API_KEY"],
base_url=os.environ["KIMI_BASE_URL"],
)
response = client.chat.completions.create(
model="kimi-k3",
messages=[
{
"role": "system",
"content": "Sen kıdemli bir yazılım mühendisliği asistanısın."
},
{
"role": "user",
"content": "Bu Python fonksiyonundaki hata risklerini açıkla."
}
],
)
print(response.choices[0].message.content)
Akışlı yanıt test etmek için:
stream = client.chat.completions.create(
model="kimi-k3",
stream=True,
messages=[
{
"role": "user",
"content": "Bu değişiklik için kısa bir kod inceleme listesi oluştur."
}
],
)
for chunk in stream:
delta = chunk.choices[0].delta.content
if delta:
print(delta, end="", flush=True)
Tam istek ve yanıt örnekleri için Kimi K3 API rehberine bakın.
kimi-k3'ü üretime almadan önce test edin
Modeli bir ajan döngüsüne bağlamadan önce aşağıdaki noktaları doğrulayın:
- Akış yanıtı istemcinizde doğru ayrıştırılıyor mu?
- Araç çağrıları beklenen şemada dönüyor mu?
- JSON ve yapılandırılmış çıktı kuralları korunuyor mu?
- Maksimum akıl yürütme ayarında gecikme kabul edilebilir mi?
- Tekrarlanan bağlamınızda cache-hit oranı beklendiği gibi mi?
- Hata yanıtları, zaman aşımı ve yeniden deneme davranışları nasıl?
Apidog ile test sürecini şu şekilde kurabilirsiniz:
- Yeni bir HTTP isteği oluşturun.
- Kimi'nin OpenAI uyumlu sohbet tamamlama uç noktasını ekleyin.
- API anahtarını düz metin yerine ortam değişkeni olarak tanımlayın.
- Gövdede modeli
kimi-k3olarak ayarlayın. - Akış davranışını doğrulamak için
stream: truegönderin. - SSE parçalarını token token inceleyin.
- Araç tanımları ekleyerek dönen
tool_callsyükünü kontrol edin. - Araç argümanlarını uygulamanızdaki JSON şemasına göre doğrulayın.
Örnek istek gövdesi:
{
"model": "kimi-k3",
"stream": true,
"messages": [
{
"role": "system",
"content": "Yalnızca geçerli JSON döndür."
},
{
"role": "user",
"content": "Bu hata kaydından önem derecesi ve kısa özet çıkar."
}
]
}
Araç çağrılarını test ederken, modelin yalnızca aracı çağırıp çağırmadığını değil, argümanların uygulamanızın beklediği alan ve türlerle uyumlu olup olmadığını da kontrol edin. Bu doğrulamayı ajan kodunu çalıştırmadan önce yapmak, üretimdeki hata ayıklama maliyetini düşürür.
Sıkça sorulan sorular
Kimi K3 nedir?
Kimi K3, Moonshot AI'ın 16 Temmuz 2026'da piyasaya sürdüğü amiral gemisi büyük dil modelidir. 1M token bağlam penceresine sahip, 2,8 trilyon parametreli bir Uzman Karışımı modelidir. Moonshot'ın tüketici ve geliştirici ürünlerinde kimi-k3 API model kimliğiyle sunulur.
Kimi K3 kaç parametreye sahip?
K3, toplam 2,8 trilyon parametreye sahiptir. Token başına 896 uzmandan 16'sını etkinleştiren MoE yönlendirmesi kullanır.
Moonshot kesin bir aktif parametre sayısı yayınlamadığı için belirli bir aktif-milyar parametre sayısını kesin bilgi olarak kullanmamalısınız.
Kimi K3 API'si ne kadar?
Fiyatlandırma şu şekildedir:
- Cache-hit girdi: 0,30 $ / 1M token
- Cache-miss girdi: 3,00 $ / 1M token
- Çıktı: 15,00 $ / 1M token
Moonshot, Mooncake çıkarım sisteminin kodlama iş yüklerinde %90'ın üzerinde cache-hit oranı sağlayabildiğini bildiriyor. Bu nedenle tekrar kullanılan büyük bağlamlarda etkin girdi maliyeti düşebilir.
Ayrıntılı hesaplama için Kimi K3 fiyatlandırma detayına bakın.
Kimi K3 açık kaynak mı?
Lansman gününde değil. Moonshot, tam model ağırlıklarını 27 Temmuz 2026'ya kadar yayınlamayı taahhüt etti. Bu tarihe kadar modele barındırılan ürünler ve ücretli API üzerinden erişilebiliyor.
Kimi K3, Claude Fable 5 veya GPT-5.6 Sol'dan daha mı iyi?
Hayır. Moonshot, K3'ün Claude Fable 5 ve GPT-5.6 Sol'un gerisinde kaldığını doğrudan belirtiyor. Artificial Analysis Intelligence Index'te 57 puanla 189 model arasında 4. sırada bulunuyor.
Kimi K3'ü OpenAI SDK ile kullanabilir miyim?
Evet. Moonshot API'si OpenAI SDK uyumludur. İstemcinizi Kimi'nin OpenAI uyumlu uç noktasına yönlendirin, modeli kimi-k3 olarak ayarlayın ve mevcut sohbet tamamlama ile araç çağırma kodunuzu kullanın.
Temel URL'yi platform.kimi.ai üzerinden doğrulayın. İstek ve yanıt şekillerini uygulamaya bağlamadan önce Apidog ile test edebilirsiniz.
Kimi K3 ne kadar hızlı?
Artificial Analysis, K3 için yaklaşık 62 çıktı tokenı/sn hız ve yaklaşık 1,99 sn ilk token gecikmesi ölçüyor. Çıktı hızı, fiyat kategorisi medyanı olan 72,7 token/sn değerinin altında.
Gecikme kritik bir kısıtsa, K3'ü gerçek istem boyutlarınız ve akıl yürütme ayarlarınızla benchmark edin.
Kimi K3, Kimi K2.7 Code ile nasıl karşılaştırılır?
K3, K2 serisinin üzerinde konumlanan yeni nesil amiral gemisidir. Moonshot'a göre yeniden inşa edilmiş bir dikkat yığınına ve K2'ye kıyasla yaklaşık 2,5 kat daha iyi ölçekleme verimliliğine sahiptir.
K2.7 Code ise kodlama odaklı güçlü bir seçenek olmaya devam ediyor. Ayrıntılı karşılaştırma için Kimi K3 vs Kimi K2.7 Code rehberine bakın.
Top comments (0)