L’API Kimi K3 è arrivata con una combinazione insolita alle spalle: risultati di benchmark vicini alla frontiera, prezzi aggressivi e pesi scaricabili. Moonshot AI ha pubblicato quei pesi il 27 luglio 2026, il che rende K3 il più grande modello apertamente disponibile finora e la prima volta che un modello di questa scala è qualcosa che potresti, in linea di principio, eseguire tu stesso.

Per chi già paga un fornitore di frontiera, questo solleva una domanda pratica anziché filosofica. Ha un posto nel tuo stack, e cosa cambia davvero spostarci del traffico? Questa guida copre l’aritmetica dei prezzi, il lavoro di integrazione e i punti in cui i numeri da titolo non si traducono in comportamento di produzione.

In sintesi: Kimi K3 costa circa 3 dollari per milione di token di input senza hit di cache, 0,30 dollari per milione di token di input in cache e 15 dollari per milione di token di output, con una finestra di contesto da 1.048.576 token. L’interfaccia è compatibile con le convenzioni OpenAI e Anthropic, quindi spostare un carico di lavoro è in gran parte un cambio di URL di base e nome del modello. Il rovescio: il ragionamento è sempre attivo e per impostazione predefinita è al massimo, il che rende i token di output la voce dominante della fattura se non lo imposti deliberatamente.

Cos’è davvero Kimi K3

L’architettura conta qui perché spiega sia i prezzi sia i vincoli di deployment.

K3 è un modello sparse mixture-of-experts con 2.800 miliardi di parametri totali, di cui circa 104 miliardi attivati per token. Porta 896 esperti e instrada ogni token verso 16 di essi. Quel rapporto è il motivo per cui un modello di queste dimensioni può essere servito: paghi il costo di memoria del conteggio completo dei parametri ma il costo di calcolo di uno molto più piccolo.

Il design dell’attenzione è la parte genuinamente nuova. Moonshot ha costruito K3 su quella che chiama Kimi Delta Attention, un meccanismo di attenzione lineare intervallato da strati di attenzione completa con un rapporto di circa tre a uno, supportato da una tecnica denominata Attention Residuals. Gli strati lineari gestiscono a basso costo la struttura locale della sequenza, mentre gli strati di attenzione completa preservano il flusso informativo globale. È questa combinazione a rendere un contesto da un milione di token economicamente plausibile anziché soltanto pubblicizzato.

Dalla scheda del modello discendono due dettagli operativi. I pesi vengono distribuiti in MXFP4 con attivazioni MXFP8, e il ragionamento è sempre abilitato: il modello restituisce un campo reasoning_content accanto alla risposta a ogni richiesta. Non puoi disattivare il ragionamento. Puoi solo scegliere quanto acquistarne.

Quanto costa l’API Kimi K3

Le tariffe pubblicate sono lineari, e il divario fra loro è dove risiedono le decisioni interessanti.

L’input senza hit di cache costa circa 3 dollari per milione di token. L’input in cache costa circa 0,30 dollari, una riduzione di dieci volte. L’output costa circa 15 dollari per milione. A differenza di alcuni fornitori, quel prezzo è piatto sull’intera finestra di contesto invece di salire a scaglioni oltre una soglia, il che rende il lavoro a contesto lungo molto più prevedibile.

Svolgi un caso realistico. Supponi che un agente gestisca un flusso di assistenza con un prompt di sistema e un preambolo di conoscenza da 40.000 token, aggiunga 2.000 token di conversazione e produca 1.500 token di risposta più ragionamento. A freddo quella richiesta costa circa dodici centesimi e mezzo di input e poco più di due centesimi di output. A caldo, con il prefisso da 40.000 token in cache, il costo di input crolla sotto un centesimo e mezzo mentre quello di output resta invariato. A diecimila richieste al giorno, quella differenza è l’intera economia della funzionalità.

Ne discendono due lezioni. Primo: struttura i prompt in modo che il materiale stabile stia davanti e non cambi mai, perché la cache aiuta solo un prefisso che resta identico. Secondo: sorveglia con attenzione il lato output, dato che i token di ragionamento sono fatturati come output e l’impostazione dello sforzo è al massimo per impostazione predefinita. La nostra guida alla riduzione della latenza degli LLM con la cache approfondisce la disciplina del prefisso, e qui si applica quasi immutata.

L’integrazione è soprattutto un cambio di URL di base

Moonshot espone K3 attraverso un’interfaccia compatibile sia con le convenzioni OpenAI sia con quelle Anthropic, il che rende la migrazione davvero contenuta per la maggior parte delle applicazioni. Punta il client esistente all’endpoint Moonshot, imposta l’identificativo del modello su kimi-k3 e fornisci le nuove credenziali. Il codice che già parla uno dei due protocolli di solito funziona senza modifiche.

Tre differenze meritano una gestione esplicita prima del rilascio.

La prima è reasoning_effort. K3 accetta un campo di primo livello con valori low, high o max, e il valore predefinito è max. Lasciare quel predefinito su un compito di classificazione o estrazione significa pagare per una deliberazione estesa su lavoro che non ne aveva bisogno. Impostalo su low per le chiamate di routine e riserva high o max alle richieste che ne traggono davvero beneficio.

La seconda è reasoning_content. Poiché il ragionamento è sempre attivo, le risposte portano un campo di ragionamento oltre alla risposta vera e propria. Il tuo codice di parsing deve sapere che quel campo esiste, il logging deve decidere se conservarlo, e l’interfaccia non deve assolutamente mostrarlo per sbaglio.

La terza è la disciplina consueta valida per qualsiasi fornitore. Tieni le credenziali lato server, metti la chiamata dietro un tuo proxy così da conservare la misurazione per utente e la possibilità di cambiare fornitore, e fissa l’identificativo del modello invece di seguire un alias mobile. L’architettura che consigliamo per quello strato è illustrata nella nostra guida all’integrazione delle API OpenAI , ed è deliberatamente indipendente dal fornitore proprio per questo motivo.

Il contesto da un milione di token, e quando ignorarlo

Una finestra da 1.048.576 token è una capacità reale, ed è anche la caratteristica che più facilmente viene usata male.

Si guadagna il suo posto quando il compito richiede davvero ragionamento sull’intero corpus: confrontare un contratto con ogni versione precedente, tracciare un comportamento attraverso un intero repository, o ricomporre una lunga traiettoria di agente in cui i passaggi precedenti contano. In quei casi il recupero fa attivamente male, perché il frammento rilevante è definito da relazioni che il retriever non può vedere.

È lo strumento sbagliato per rispondere a domande su una collezione di documenti. Infilare un milione di token in ogni richiesta è più lento e assai più costoso che recuperare i quattro passaggi che contano, e l’accuratezza sulle ricerche puntuali è spesso peggiore anziché migliore. La regola onesta è che il contesto ampio serve ai problemi in cui non puoi sapere in anticipo quale parte sia rilevante. Tutto il resto appartiene ancora a una pipeline di recupero.

Leggere i benchmark con onestà

K3 ottiene buoni punteggi. Sugli indici aggregati di intelligenza si colloca appena dietro i migliori modelli proprietari di frontiera restando comodamente davanti alla generazione precedente, e va forte sulle valutazioni di coding agentiche e da terminale. Le cifre riportate includono risultati negli ottanta alti su Terminal-Bench 2.1 e negli ottanta bassi su FrontierSWE.

Quei numeri meritano una cautela valida per ogni modello, non solo per questo. I risultati dei benchmark di coding dipendono molto dal harness usato, e i confronti che mescolano harness possono oscillare di dieci-venticinque punti su modelli identici. Un punteggio prodotto con l’impalcatura di agente del fornitore stesso non è direttamente confrontabile con uno prodotto da un runner generico. Quando una tabella mostra un modello davanti a un altro, verifica se entrambi sono stati valutati allo stesso modo prima di trarre conclusioni.

L’implicazione pratica è che i benchmark pubblici servono a scremare e non a decidere. Costruisci un piccolo insieme di valutazione dal tuo traffico, fai passare i modelli candidati con i tuoi prompt e la tua impalcatura, e confronta sul lavoro che fai davvero. Da trenta a cento casi rappresentativi ti diranno più di qualsiasi classifica.

Dove si colloca in uno stack di produzione

Lo schema sensato nel 2026 è l’instradamento anziché la fedeltà, e K3 vi si inserisce bene.

Manda il lavoro di routine ad alto volume a un modello piccolo, veloce ed economico. Manda il lavoro agentico di lungo respiro, i compiti su repository grandi e il vero ragionamento sull’intero corpus a K3, dove la finestra di contesto e le prestazioni agentiche giustificano il costo. Tieni disponibile un modello proprietario di frontiera per la minoranza di richieste in cui serve la migliore risposta possibile e il prezzo non è determinante.

Il prerequisito è uno strato di astrazione che ti permetta di spostare traffico fra fornitori senza toccare il codice applicativo. I team che cablano il client di un singolo fornitore in tutta la codebase scoprono che cambiare costa settimane, il che significa che non cambiano mai e non catturano mai il risparmio. Costruisci prima la cucitura e la scelta del modello diventa una decisione di configurazione anziché un progetto.

Un’ulteriore considerazione depone specificamente a favore di K3. Poiché i pesi sono pubblicati, un carico di lavoro costruito sull’API può in seguito spostarsi su infrastruttura che controlli senza riscrivere l’applicazione. È una vera opzione strategica, trattata nella nostra guida gemella al self-hosting di Kimi K3 .

Fai costruire l’integrazione come si deve

Mecanik costruisce integrazioni di modelli linguistici in produzione su più fornitori come parte dei nostri servizi di integrazione IA . Gestiamo lo strato di proxy e instradamento, la struttura della cache dei prompt, la taratura dello sforzo, l’harness di valutazione e i controlli di costo che impediscono a una funzionalità promettente di trasformarsi in una fattura imprevedibile.

Se stai valutando il passaggio a Kimi K3 da un fornitore esistente, faremo passare il tuo traffico attraverso entrambi e ti mostreremo la differenza di qualità e costo prima che tu ti impegni. Per il quadro commerciale più ampio, la nostra guida ai costi di integrazione IA illustra come si presentano realisticamente i budget di costruzione ed esercizio. Le specifiche complete sono pubblicate sulla scheda del modello Kimi K3 .

Post correlati: Agenzia AI vs Interno: Adozione AI nel Regno Unito 2026 , Claude API vs OpenAI API: confronto per sviluppatori , DeepSeek R1 vs. OpenAI o3-mini: quale API è la migliore? , Esiste la vera IA? Svelare i miti e la realtà .

Domande frequenti

Quanto costa l’API Kimi K3? I prezzi pubblicati sono circa 3 dollari per milione di token di input senza hit di cache, 0,30 dollari per milione di token di input in cache e 15 dollari per milione di token di output, applicati in modo piatto sull’intera finestra di contesto. Poiché i token di ragionamento sono fatturati come output e lo sforzo è al massimo per impostazione predefinita, di solito è l’output a dominare il costo.

L’API Kimi K3 è compatibile con le librerie client OpenAI? Sì. Moonshot espone un’interfaccia compatibile con le convenzioni OpenAI e Anthropic, quindi la maggior parte delle applicazioni migra cambiando URL di base, identificativo del modello e credenziali. Metti in conto un po’ di tempo per il campo dello sforzo di ragionamento e per il contenuto di ragionamento aggiuntivo restituito a ogni risposta.

Posso disattivare il ragionamento in Kimi K3? No. Il ragionamento è sempre abilitato e ogni risposta include un campo con il contenuto del ragionamento. Controlli la profondità tramite l’impostazione dello sforzo, che accetta low, high o max ed è predefinita su max: impostala esplicitamente sui compiti di routine per non pagare deliberazioni inutili.

Devo usare il contesto da un milione di token invece del recupero? Solo quando il compito richiede davvero ragionamento su un intero corpus, come tracciare un comportamento attraverso un repository completo. Per rispondere a domande su un insieme di documenti, il recupero resta più veloce, più economico e spesso più accurato che riempire la finestra di contesto a ogni richiesta.

Quanto sono affidabili i punteggi di benchmark pubblicati di Kimi K3? I punteggi sono reali ma dipendono dal harness. Le valutazioni di coding possono variare di dieci-venticinque punti a seconda dell’impalcatura di agente usata, quindi risultati prodotti con il harness proprietario di un fornitore non sono direttamente confrontabili con runner generici. Convalida sui tuoi compiti prima di decidere.