Kimi K3 vs Kimi K2.7 Kod: Gerçekte Neler Değişti?

Zaten Kimi kullanıyorsanız, 16 Temmuz 2026’daki Kimi K3 lansmanı net bir uygulama sorusu doğuruyor: K3’e geçmeli misiniz, yoksa kodlama odaklı Kimi K2.7 Code sizin için yeterli mi? K2.7 Code, birçok ekibin ajanlarına ve CI süreçlerine bağladığı K2 serisi kodlama modelidir. K3 ise daha büyük ölçek, yeni dikkat mimarisi ve 1M token bağlam penceresiyle gelen Moonshot amiral gemisidir. Bu rehberde farkları, maliyet etkisini ve iki modeli kendi iş yükünüzde nasıl karşılaştıracağınızı ele alıyoruz.

Apidog'u bugün deneyin

Her iki model de OpenAI SDK uyumlu API sunduğu için üretim kodunuzu baştan yazmadan test yapabilirsiniz. Aynı isteği kimi-k3 ve kimi-k2-7-code ile çalıştırın; çıktı kalitesi, gecikme ve token kullanımına göre karar verin.

TL;DR

• K3 daha büyük ve daha genel bir modeldir. K2 serisinin yaklaşık ~1T parametre sınıfına karşılık K3, toplam 2.8T parametreli bir MoE modelidir.
• K3 bağlam penceresini 1M tokene çıkarır. Büyük depolar, test çıktıları ve uzun ajan geçmişleri için kritik fark budur.
• Mimari değişti. K3; Kimi Delta Dikkat, Dikkat Kalıntıları ve Kararlı LatentMoE kullanır.
• Fiyatlandırma amiral gemisi seviyesindedir. K3 listesi: önbellek isabetli girişte $0.30/M, önbellek kaçırmalı girişte $3/M, çıktıda $15/M.
• K3 mutlak lider olduğunu iddia etmiyor. Moonshot’ın kendi açıklamasına göre Claude Fable 5 ve GPT-5.6 Sol’un gerisinde kalıyor.
• Bağlam, genel muhakeme ve uzun süreli ajan görevleri önemliyse K3’ü deneyin. Dar kodlama görevlerinde K2.7 Code kalite ve maliyet açısından hâlâ mantıklı olabilir.

İki farklı model türü

K2.7 Code ve K3’ü yalnızca sürüm numaraları üzerinden karşılaştırmayın. Farklı kullanım hedefleriyle tasarlandılar.

Kimi K2.7 Code, K2 soyunun kodlama odaklı sürümüdür. Kod üretimi, düzenleme, hata düzeltme ve geliştirici ajanı görevleri için ayarlanmıştır. İş yükünüz ağırlıklı olarak API üzerinden kod yazma veya düzeltmeyse, maliyet açısından mantıklı bir seçenek olabilir. Ayrıntılar için Kimi K2.7 Code nedir rehberine bakın.

Kimi K3 ise ayrı bir kodlama sürümü değildir. Moonshot’ın genel amaçlı amiral gemisi modelidir; kodlama, daha geniş yetenek setinin güçlü bileşenlerinden biridir. Bu nedenle karşılaştırma şudur:

Kodlama uzmanı olan K2.7 Code ile kodlamada da güçlü genel amaçlı K3.

Bu ayrım, özellikle ajanınızın planlama, analiz, araç kullanımı ve uzun görev yürütmesi yapıp yapmadığında önem kazanır.

K3 ile gelen teknik değişiklikler

Ölçek: Toplam parametre sayısı yaklaşık üç katına çıkıyor

K3, toplam 2.8T parametreli bir uzmanlar karışımı (MoE) modelidir. K2.7 Code’un geldiği K2 serisi yaklaşık ~1T parametre sınıfındaydı.

Ancak bunu doğrudan çıkarım maliyeti veya gecikme göstergesi olarak okumayın. MoE mimarilerinde her token için tüm parametreler etkinleşmez. Moonshot, K3’ün aktif parametre sayısını yayınlamadı; ancak modelin token başına 896 uzmandan 16’sını etkinleştirdiğini açıkladı.

Yeni dikkat mimarisi

K3, yalnızca ölçeklendirilmiş bir K2 modeli değildir. Moonshot üç mimari bileşen öne çıkarıyor:

• Kimi Delta Dikkat: Uzun dizilerde standart karesel dikkate göre daha iyi ölçeklenmeyi hedefleyen hibrit doğrusal dikkat mekanizması.
• Dikkat Kalıntıları: Standart residual bağlantılara alternatif olarak tanımlanan yapı.
• Kararlı LatentMoE: Token başına 896 uzmandan 16 uzmanı etkinleştiren MoE çerçevesi.

Moonshot, Kimi K2’ye kıyasla yaklaşık 2,5 kat ölçeklendirme verimliliği bildirdi. Bu, yalnızca daha fazla hesaplama değil, hesaplama başına daha fazla yetenek hedeflendiği anlamına gelir.

Bağlam: 1.048.576 token

K3, 1,048,576 token bağlam penceresini destekler.

Kodlama iş akışlarında bunun pratik karşılığı şudur:

• Birkaç dosya yerine büyük bir depo bölümünü tek isteğe dahil etmek
• Kod, test, hata günlüğü ve dokümantasyonu birlikte incelemek
• Uzun ajan geçmişini daha az sıkıştırmak veya bölmek
• Monorepo refaktörlerinde daha az bağlam kaybı yaşamak

K2.7 Code ile büyük depo görevlerinde bağlam sınırına ulaşıyorsanız, K3’e geçmek için en somut gerekçe budur.

Konumlandırma: Kodlama uzmanından genel amaçlı amiral gemisine

K2.7 Code dar kapsamlı geliştirici işleri için tasarlanmış bir modeldir. K3 ise uzun ufuklu, çok adımlı ve araç çağrısı yoğun ajan iş akışlarını hedefler.

Moonshot, bir çip tasarım görevindeki tekil 48 saatlik çalışmayı örnek olarak gösteriyor. Bu tür iddiaları kendi üretim iş yükünüzde doğrulamanız gerekir; ancak ürün yönü açıktır: K3, daha uzun süre durum koruyan ajanlar için tasarlanmıştır.

Fiyatlandırma: Önbellek kullanımını hesaba katın

K3 için listelenen fiyatlar:

Kullanım	Fiyat
Önbellek isabetli giriş	$0.30 / 1M token
Önbellek kaçırmalı giriş	$3 / 1M token
Çıktı	$15 / 1M token

Giriş fiyatındaki 10x fark kararınızı etkileyebilir.

Örneğin, büyük sistem istemini ve ortak depo bağlamını çok sayıda çağrıda tekrar kullanan bir ajanınız varsa yüksek önbellek isabet oranı elde edebilirsiniz. Bu durumda efektif giriş maliyeti $3/M yerine $0.30/M seviyesine yaklaşır.

Buna karşılık her çağrıda tamamen yeni bağlam gönderiyorsanız, önbellek kaçırmalı giriş fiyatı uygulanır. Ayrıntılı maliyet değerlendirmesi için Kimi K3 fiyatlandırma rehberine ve K2.7 Code fiyatlarına bakın.

Kimi K3 ve Kimi K2.7 Code karşılaştırması

Boyut	Kimi K2.7 Code	Kimi K3
Konumlandırma	K2 serisinin kodlama odaklı sürümü	Genel amaçlı amiral gemisi, ajan tabanlı kodlamada güçlü
Nesil	K2 soyu	Yeni K3 nesli
Toplam parametreler	~1T sınıfı	2.8T toplam parametre, MoE
Aktif parametreler	K2.7 Code belgelerine bakın	Yayınlanmadı; 896 uzmandan 16’sı etkin
Dikkat tasarımı	K2 nesli dikkat yapısı	Kimi Delta Dikkat + Dikkat Kalıntıları
MoE çerçevesi	K2 nesli MoE	Kararlı LatentMoE
Bağlam penceresi	K2.7 Code belgelerine bakın	1,048,576 token
Model kimliği	kimi-k2-7-code	kimi-k3
API uyumluluğu	OpenAI SDK uyumlu	OpenAI SDK uyumlu
Listelenen fiyatlandırma	K2.7 Code belgelerine bakın	$0.30/$3 giriş, $15/M çıktı
Açık ağırlıklar	K2.7 Code kapsamına bakın	27 Temmuz 2026 civarında bekleniyor
Bağımsız sinyal	K2.7 Code kapsamına bakın	Artificial Analysis Zeka Endeksi: 57, #4/189
En uygun kullanım	Dar kapsamlı, maliyet kontrollü kodlama	Büyük bağlam, uzun görevler, genel + kodlama işleri

K2.7 Code için kesin teknik değerleri tahmin etmek yerine Kimi K2.7 Code nedir ve Kimi K2.7 Code API rehberlerini kullanın.

K3’ün sınır modellere göre konumu

2.8T amiral gemisi ifadesini “piyasadaki en iyi model” olarak yorumlamayın.

Moonshot’ın kendi lansman yazısına göre K3, genel olarak Claude Fable 5 ve GPT-5.6 Sol modellerinin gerisinde kalıyor. Bazı kıyaslamalarda rekabetçi veya daha iyi sonuç verse de genel liderlik iddiasında bulunmuyor.

Artificial Analysis, K3’ü Zeka Endeksi 57 ile 189 model arasında #4 sırada konumlandırıyor. Ayrıca yaklaşık 62 token/sn çıktı hızıyla fiyat kategorisindeki daha yavaş modeller arasında gösteriyor.

Moonshot tarafından yayınlanan kodlama kıyaslamaları da karışık bir tablo sunuyor:

• DeepSWE: K3 67.5, Fable 5 70.0
• Terminal-Bench 2.1: K3 88.3, Fable 5 84.6

Sonuç: K3 bazı testlerde kazanıyor, bazı testlerde kaybediyor. Açık ağırlıklı bir model için güçlü bir konum; ancak otomatik olarak en iyi seçim olduğu anlamına gelmiyor.

Tüm satıcı iddiaları için resmi Kimi K3 lansman yazısını okuyun. Satıcı verileri ve bağımsız değerlendirmeler arasındaki fark için Kimi K3 kıyaslamaları analizine bakın.

Ne zaman K3’e geçmelisiniz?

Aşağıdaki maddelerden biri geçerliyse K3’ü A/B testine alın:

• Bağlam sınırına ulaşıyorsunuz. Büyük depolar, servis çapında refaktörler veya uzun ajan geçmişleri K2.7 Code’da kesiliyorsa, 1M bağlam penceresi doğrudan fayda sağlar.
• Uzun ufuklu ajanlar çalıştırıyorsunuz. Çok sayıda araç çağrısı ve ara adım boyunca durum korumak gerekiyorsa K3’ü test edin.
• Kodlama yanında planlama ve analiz de yapıyorsunuz. Kod üretimi, gereksinim analizi ve mimari planlamayı birleştiren ürünlerde genel amaçlı model avantaj sağlayabilir.
• Önbellek isabet oranınız yüksek. Büyük sistem istemleri veya paylaşılan bağlam tekrar kullanılıyorsa, K3’ün efektif giriş maliyeti düşebilir.

Ne zaman K2.7 Code’da kalmalısınız?

Aşağıdaki durumlarda K2.7 Code daha rasyonel seçim olabilir:

• Görevleriniz dar kapsamlı kodlamadan oluşuyor. K2.7 Code kalite barınızı karşılıyorsa, daha büyük modele geçmek gereksiz maliyet yaratabilir.
• Önbellek yeniden kullanımı düşük ve maliyet hassasiyetiniz yüksek. Her çağrıda yeni bağlam gönderiyorsanız K3’ün giriş ve çıktı fiyatları daha belirgin hale gelir.
• Gecikme kritikse. K3 için belirtilen yaklaşık 62 token/sn hızı, etkileşimli ürünlerde bekleme süresini artırabilir.
• Kendi kendine barındırma planlıyorsanız. K3 ağırlıklarının 27 Temmuz 2026 civarında yayınlanması bekleniyor. Gerçek sürümü Moonshot’ın Hugging Face sayfasından doğrulamadan plan yapmayın.

Gerçek dünya senaryoları

CI kod düzeltme botu

Orta büyüklükte bir depoda test hatalarını düzelten CI botunuz zaten K2.7 Code ile iyi sonuç veriyorsa, hemen K3’e geçmeniz gerekmeyebilir.

Bu iş yükünde genellikle:

• Görev kapsamı dardır
• Bağlam kontrol altındadır
• Çalıştırma başına maliyet önemlidir
• Yanıt gecikmesi kullanıcı deneyimini etkileyebilir

Bu durumda K2.7 Code’da kalın ve yalnızca hata oranı veya bağlam yetersizliği artarsa K3’ü yeniden değerlendirin.

Büyük monorepoda otonom refaktör ajanı

Bir monorepoda çok sayıda dosyaya dokunan, testleri çalıştıran ve hata günlüklerini analiz eden ajan için K3 daha uygun adaydır.

K3’ün avantajları:

• Daha fazla kod, test ve günlük tek bağlamda tutulabilir
• Uzun görevlerde daha az bağlam kaybı yaşanır
• Genel muhakeme ve planlama ihtiyacı daha iyi karşılanabilir

Bu senaryoda kontrollü deneme yapmak mantıklıdır.

Uygulamalı başlangıç için Kimi K3 kodlama ve Kimi K3 API rehberlerini inceleyin. K2 soyunu takip ediyorsanız K2.6 açıklayıcısı da yardımcı olabilir.

K3 ve K2.7 Code için A/B testi nasıl yapılır?

Kararı varsayımla değil, aynı üretim istemleriyle verilen sonuçlarla verin.

1. Test verisini seçin

En az üç görev kategorisi kullanın:

1. Dar kapsamlı hata düzeltme
2. Çok dosyalı özellik geliştirme veya refaktör
3. Araç çağrısı ve uzun görev geçmişi içeren ajan akışı

Her kategori için başarılı sonucu önceden tanımlayın. Örneğin:

• Testlerin geçmesi
• Kod inceleme puanı
• Araç çağrısı başarısı
• İlk doğru yanıt oranı
• Toplam token maliyeti
• Uçtan uca gecikme

2. Değişkenleri sabit tutun

İki model arasında yalnızca model kimliğini değiştirin:

from openai import OpenAI

client = OpenAI(
    api_key="MOONSHOT_API_KEY",
    base_url="MOONSHOT_BASE_URL",
)

common_request = {
    "messages": [
        {
            "role": "system",
            "content": "Sen deneyimli bir yazılım mühendisisin. Önce plan yap, sonra değişiklikleri uygula.",
        },
        {
            "role": "user",
            "content": "Bu depodaki ödeme modülündeki test hatasını bul ve düzeltme öner.",
        },
    ],
    "temperature": 0,
}

k2_response = client.chat.completions.create(
    model="kimi-k2-7-code",
    **common_request,
)

k3_response = client.chat.completions.create(
    model="kimi-k3",
    **common_request,
)

Sistem istemi, kullanıcı mesajı, sıcaklık, araç tanımları ve maksimum çıktı token sayısı aynı kalmalıdır.

3. Üç metriği ölçün

Her istek için şu değerleri kaydedin:

1. Çıktı kalitesi
   
   Modelin yanıtını üretimde kullandığınız ölçütlerle değerlendirin: test sonucu, kod inceleme, insan onayı veya görev tamamlama oranı.

2. Gecikme
   
   İlk token süresi, toplam yanıt süresi ve araç çağrısı tur sayısını ölçün.

3. Token harcaması
   
   Giriş, çıktı ve varsa önbellek isabeti/kaçırması verilerini kaydedin. Yalnızca token sayısını değil, efektif maliyeti de hesaplayın.

4. İstekleri yan yana inceleyin

Apidog ile iki isteği aynı projede saklayabilir, model kimliğini ortam değişkeni olarak değiştirebilir ve sonuçları karşılaştırabilirsiniz.

Örnek ortam değişkeni:

MODEL_ID=kimi-k2-7-code

İkinci çalıştırmada:

MODEL_ID=kimi-k3

Apidog ile şunları inceleyebilirsiniz:

• Sunucu tarafından gönderilen olay (SSE) akışları
• Araç çağrısı yükleri
• İstek ve yanıt gövdeleri
• Token kullanımı
• Gecikme farkları

Kurulum için Apidog’u indirin. Düzenleyici içinde çalışıyorsanız VS Code içindeki Apidog entegrasyonunu kullanabilirsiniz.

Sonuç

K3, K2.7 Code’un yeniden adlandırılmış sürümü değildir. Toplam parametre sayısını yaklaşık 2.8T seviyesine çıkarır, yeni dikkat mimarisi getirir, bağlamı 1M tokene genişletir ve ürünü kodlama uzmanından genel amaçlı amiral gemisine taşır.

Ancak geçiş otomatik değildir:

• Büyük bağlama ihtiyaç duyuyorsanız,
• Uzun süre çalışan ajanlar kullanıyorsanız,
• Kodlama yanında planlama ve genel muhakeme bekliyorsanız,

K3’ü kendi görevlerinizde test edin.

Buna karşılık K2.7 Code mevcut kalite gereksinimlerinizi karşılıyor, görevleriniz dar kapsamlı kalıyor ve maliyet kritikse, K2.7 Code’da kalmak teknik olarak savunulabilir bir karardır.

Sıkça sorulan sorular

Hangisi kodlama için daha iyi?

K2.7 Code, dar kodlama görevleri için özel olarak ayarlanmıştır ve maliyet etkin olabilir. K3 ise daha geniş bağlamı ve uzun görev kapasitesiyle büyük depo, çok dosyalı refaktör ve ajan işlerinde yapısal avantaj sağlar.

Dar kod görevlerinde önce K2.7 Code’u değerlendirin. Büyük bağlam ve uzun görevler için K3’ü A/B testine alın.

Kimi K3, K2.7 Code’dan daha mı pahalı?

K3, önbellek isabetli girişte $0.30/M, önbellek kaçırmalı girişte $3/M ve çıktıda $15/M olarak listelenir. Gerçek görev maliyeti; önbellek isabet oranınıza, giriş bağlamına ve çıktı uzunluğuna bağlıdır.

İki model OpenAI SDK uyumlu olduğundan, geçiş çoğu durumda model kimliğini değiştirmek ve istemleri yeniden test etmek anlamına gelir.

Kimi K3 açık kaynak mı?

Lansman gününde değil. Moonshot, tam model ağırlıklarının 27 Temmuz 2026 civarında beklendiğini belirtti. Sürüm yayınlanana kadar K3, API ve uygulama üzerinden kullanılabilir.

K3, Claude Fable 5 veya GPT-5.6 Sol’dan daha mı iyi?

Moonshot’ın kendi açıklamasına göre genel olarak hayır. K3, belirli kıyaslamalarda rekabetçi veya daha iyi sonuçlar verebilir; ancak genel sınır lideri olarak konumlandırılmıyor. Artificial Analysis, modeli Zeka Endeksi 57 ile 189 model arasında #4 sıraya yerleştiriyor.